1、官网下载coco数据集（使用json格式标注图片）：http://cocodataset.org/#download
2、coco API下载(可将coco数据集解析成voc数据集格式，实际上使用darknet可以直接实现数据集解析)
命令行git下载coco API:
git clone https://github.com/pdollar/coco.git
3、通过命令行下载darknet源码，并且进入darknet通过脚本下载coco数据集（建议使用官网下载）：
4、yolov3检测模型环境搭建、darknet框架介绍
https://pjreddie.com/darknet/
①命令行安装darknet
git clone https://github.com/pjreddie/darknet.git
cd darknet
make (说明安装成功！)
./darknet imtest data/eagle.jpg （进行图片测试！）
使用opencv：将darknet下的makefile中opencv由0设置为1
②命令行执行 ./darknet 以使用darknet的函数进行命令操作。
例如：使用imtest函数对data下的一张图进行darknet测试
./darknet imtest data/eagle.jpg
③命令行查看文件
cd 目标文件夹
ls —列表
vim 目标文件.格式
如alexnet.cfg中有模型训练的配置信息
退出vim命令状态：
如果是输出状态，首先按Esc键退出输入状态，然后按Shift+‘；’，再输入q!或wq!（不保存改动，wq!是保存文件的写入修改）退出。
编辑文档： vi 文档名
5、使用darknet进行yolov3模型训练
cd cfg
vim yolov3.cfg
vim coco.data
修改训练模型的网络配置文件yolov3.cfg 和数据配置文件coco.data
训练指令(不使用预训练模型)：./darknet detector train cfg/coco.data cfg/yolov3.cfg
使用预训练模型继续训练：./darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3_20000.weights
6、训练优化：
一般在网络配置文件yolov3.cfg中配置参数
7、模型测试：
./darknet detector test cfg/coco.data cfg/yolov3.cfg backup/yolov3_20000.weights data/eagle.jpg
阈值配置-thresh 0.4可不配置
8、darknet的python接口（即用于目标检测的python脚本文件）
①darknet>python>darknet.py
需要修改以下路径，在make编译时会在darknet目录下生成，路径要指向正确
darknet目录下执行命令： python python/darknet.py
即使用python接口完成了对图片的测试，并输出boundingbox的中心坐标（可计算输出顶点坐标），宽高信息。
②darknet>examples>detector.py同样为python脚本，可以修改其代码实现boundingbox的坐标输出，进而读取实验中的热红外温度。
命令行： python examples/detector.py**