那今天就簡單介紹一下 YOLO 的實作練習，一般建立環境當然是建在我們的本地的電腦上，建好後會很方便操作。不過有時因為每個人的電腦環境不太一樣，雖然說安裝步驟其實沒有很難，但是很有可能會在自己的電腦裝弄天，搞定環境後都快去掉半條命了。

今天我們可以更簡單一點，不用自己準備機器。我們就直接用 Google colab 來玩， 你只要有 Google 帳號就可以開始了。是不是很心動，哈。

首先要感謝這個作者 David Ibáñez，真心崇拜這位作者，好用心把程式整理分享。我練習後，發現真的很方便教學。而且也強化了我 Google colab 的技能。我的電腦沒有獨立顯卡，之前想跑影片跑不動，用 Google Colab 就順利跑完影片物件偵測了，很不錯。

這個練習主要是參考 David Ibáñez 這篇教學，如果你等不及我的介紹，你可以直接連過去欣賞一下。

那我們開始吧.

第1步: 建立python筆記本，或建立副本

當然就是在你的 Google Colab 新建一個 Python3 筆記本. 可以參考第7天的筆記 Google Colaboratory 筆記，並且設定為使用有GPU的伺服器。如果你不想自己建立，那也可以直接用作者的檔案建立副本。不過因為他的教學很詳細，一些其他情況的步驟比較多，建議你可以依自己的情況，自己打一次。

第2步: 與雲端硬碟連接

因為 colab 時間到了會清掉你的檔案，所以要跟雲端硬碟連接，用來存放我們需要的檔案。

from google.colab import drive
drive.mount('/content/gdrive')

在執行時他會給你一個連結還有一個輸入框，點連結下去後會需要先登入帳號，同意授權，之後會出現金鑰，像這像(4/rwFnMDkRAYND2a1r6ktfVqPnoLE61ichB...)，再把這串貼到下面的輸入框按 Enter，看到這個訊息就是連接成功了。
"Mounted at /content/gdrive"

第3步: 安裝 cuDNN

3-1 先檢查 CUDA 版本

!/usr/local/cuda/bin/nvcc --version

你應該會看到版本號, 如"Cuda compilation tools, release 10.0, V10.0.130" 表示是第10版號

3-2 依目前的 CUDA 版本號, 安裝 cuDNN
去 Nvidia 官網下載 https://developer.nvidia.com/cudnn，它可能沒法直接下載，應該會需要填一些資料。我下載時檔名是長這樣 cudnn-10.0-linux-x64-v7.6.2.24.tgz，下載後先把它上傳到雲端硬碟上，我們等一下會用到它。如下圖，我是放在 darknet/cuDNN 目錄下面，如下圖：

3-3 解壓縮tgz，把檔案放到　/usr/local/
這裡說明一下路徑　
gdrive　：是我們剛連接的根目錄
/My\ Drive　：是我們雲端硬碟目錄
/darknet/cuDNN/　：是我們建立的目錄
連起來就是　gdrive/My\ Drive/darknet/cuDNN/

!tar -xzvf gdrive/My\ Drive/darknet/cuDNN/cudnn-10.0-linux-x64-v7.6.2.24.tgz -C /usr/local/
!chmod a+r /usr/local/cuda/include/cudnn.h

第4步: 下載及編譯 darkent (只需要一次)

再來是編譯 darkent , 只有第一次執行才需要，如果你成功編譯完，把編譯完的檔案存到你的雲端硬碟後，你下次再執行，就不用再執行這一個步驟了。只需要把雲端硬碟的檔案複製過來就好。

!git clone https://github.com/kriyeng/darknet/
%cd darknet
!ls
!git checkout feature/google-colab

!make

把編譯完的 darknet檔，複製到雲端硬碟的 darknet/bin/darknet
先在你的雲端硬碟建好 darknet/bin 目錄。

!cp ./darknet /content/gdrive/My\ Drive/darknet/bin/darknet

成功的話，你在你的雲端硬碟應該會看到有 darknet 這個檔案。

好，到這裡，如果很順利的話，你已經成功一半了。

好，第21天，結束。

參考
How to train YOLOv3 using Darknet on Colab 12GB-RAM GPU notebook and speed up load times