只活一次

YOLOの説明は、説明できるほど中身を理解していないため省略します。
【参考】WindowsでYOLOのデモ

ビルド環境構築

1. Ubuntu Linux 20.04 に CUDA Toolkit をインストールする

1. 【参考】NVIDIA CUDA toolkit on Ubuntu20.04

cmake、opencvライブラリをインストールする

$ sudo apt-get install cmake libopencv-dev

YOLO（darknet）のビルド

ソースコードの入手

$ git clone https://github.com/pjreddie/darknet.git

ソースコードのビルド

$ cd darknet/
$ ./build.sh

下载YOLO模型的权重

要使用darknet.exe，需要获取YOLO的权重文件。

yolov3.weights (237 MB)
yolov3-tiny.weights (33.7 MB)
yolov4.weights (245 MB)
yolov4-tiny.weights (23.1 MB)

在暗网上进行物体检测

在图片文件中检测到的物体

在Darknet的源代码中，包含了一些示例照片，您可以使用这些照片进行操作确认。

摄像头实时物体检测的图像

与Windows上的YOLO演示相似，GeForce 1050在大约7帧/秒的速度下运行。
据看来，由于操作系统的差异，性能差异并不显著到能够被察觉。

  $ ./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights

使用MP4视频进行实时物体检测

  $ ./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.5 data/test.mp4 -dont_show 1 -out_filename result/test_out.mp4

其它

也许有偏见，但我觉得相比Windows，使用机器学习相关的框架，在配置和环境搭建方面，Linux（尤其是Ubuntu）更加简便。