Darknet Object Detection Framework وYOLO
[شعارات Darknet وHank.ai]
Darknet هو إطار عمل للشبكة العصبية مفتوح المصدر مكتوب بلغات C وC++ وCUDA.
YOLO (أنت تنظر مرة واحدة فقط) هو نظام متطور للكشف عن الكائنات في الوقت الفعلي والذي يعمل ضمن إطار عمل Darknet.
اقرأ كيف تساعد Hank.ai مجتمع Darknet/YOLO
الإعلان عن Darknet V3 "الجاز"
راجع موقع Darknet/YOLO
يرجى قراءة الأسئلة الشائعة حول Darknet/YOLO
انضم إلى خادم Darknet/YOLO Discord
أوراق
1. ورقة YOLOv7
2. مقياس الورق-YOLOv4
3. ورقة YOLOv4
4. ورقة YOLOv3
معلومات عامة
لا يزال إطار عمل Darknet/YOLO أسرع وأكثر دقة من أطر العمل والإصدارات الأخرى من YOLO.
هذا الإطار مجاني بالكامل ومفتوح المصدر. يمكنك دمج Darknet/YOLO في المشاريع والمنتجات الحالية، بما في ذلك المشاريع التجارية، بدون ترخيص أو دفع رسوم.
يمكن لـ Darknet V3 ("Jazz")، الذي تم إصداره في أكتوبر 2024، تشغيل مقاطع فيديو مجموعة بيانات LEGO بدقة تصل إلى 1000 إطارًا في الثانية عند استخدام وحدة معالجة الرسوميات NVIDIA RTX 3090، مما يعني أنه تتم قراءة كل إطار فيديو وتغيير حجمه ومعالجته بواسطة Darknet/YOLO في 1 مللي ثانية أو أقل.
يرجى الانضمام إلى خادم Darknet/YOLO Discord إذا كنت بحاجة إلى مساعدة أو تريد مناقشة Darknet/YOLO: https://discord.gg/zSq8rtW
يمكن تشغيل إصدار وحدة المعالجة المركزية من Darknet/YOLO على أجهزة بسيطة مثل Raspberry Pi والخوادم السحابية وخوادم colab وأجهزة الكمبيوتر المكتبية وأجهزة الكمبيوتر المحمولة وأجهزة التدريب المتطورة. يتطلب إصدار GPU من Darknet/YOLO وحدة معالجة رسومات قادرة على CUDA من NVIDIA.
من المعروف أن Darknet/YOLO يعمل على أنظمة Linux وWindows وMac. انظر تعليمات البناء أدناه.
نسخة دارك نت
لم يكن لأداة Darknet الأصلية التي كتبها جوزيف ريدمون في 2013-2017 رقم إصدار. نحن نعتبر هذا الإصدار 0.x.
كما أن نسخة Darknet الشهيرة التالية التي يحتفظ بها Alexey Bochkovskiy بين 2017-2021 لم يكن لها رقم إصدار. نحن نعتبر هذا الإصدار 1.x.
كان مستودع Darknet الذي ترعاه Hank.ai ويديره Stéphane Charette بدءًا من عام 2023 هو الأول الذي يحتوي على أمر إصدار. من عام 2023 حتى أواخر عام 2024، تم إرجاع الإصدار 2.x "OAK".
كان الهدف هو محاولة كسر أقل قدر ممكن من الوظائف الحالية مع التعرف على قاعدة التعليمات البرمجية. فيما يلي بعض التغييرات الرئيسية:
1. أعد كتابة خطوات الإنشاء حتى يكون لدينا طريقة واحدة موحدة للإنشاء باستخدام CMake على كل من نظامي التشغيل Windows وLinux.
2. تحويل قاعدة التعليمات البرمجية لاستخدام مترجم C++.
3. تحسين Chart.png أثناء التدريب.
4. إصلاحات الأخطاء والتحسينات المتعلقة بالأداء، والتي تتعلق في الغالب بتقليل الوقت المستغرق لتدريب الشبكة.
الفرع الأخير من قاعدة التعليمات البرمجية هذه هو الإصدار 2.1 في الفرع v2.
بدأت المرحلة التالية من التطوير في منتصف عام 2024 وتم إصدارها في أكتوبر 2024. يُرجع أمر الإصدار الآن 3.x "JAZZ".
يمكنك دائمًا إجراء فحص لفرع v2 السابق إذا كنت بحاجة إلى تشغيل أحد هذه الأوامر. أخبرنا حتى نتمكن من التحقيق في إضافة أي أوامر مفقودة.
فيما يلي بعض التغييرات الرئيسية في Darknet V3 "JAZZ":
1. تمت إزالة العديد من الأوامر القديمة والتي لم يتم الحفاظ عليها.
2. العديد من تحسينات الأداء، سواء أثناء التدريب أو أثناء الاستدلال.
3. تم تعديل واجهة برمجة تطبيقات Legacy C. ستحتاج التطبيقات التي تستخدم واجهة برمجة تطبيقات Darknet الأصلية إلى تعديلات طفيفة: https://darknetcv.ai/api/api.html
4. واجهة برمجة تطبيقات Darknet V3 C وC++ الجديدة: https://darknetcv.ai/api/api.html
5. تطبيقات جديدة ونموذج التعليمات البرمجية في أمثلة src: https://darknetcv.ai/api/files.html
أوزان MSCOCO المدربة مسبقًا
تم تدريب العديد من الإصدارات الشائعة من YOLO مسبقًا لتوفير الراحة على مجموعة بيانات MSCOCO. تحتوي مجموعة البيانات هذه على 80 فئة، والتي يمكن رؤيتها في الملف النصي cfg/coco.names.
هناك العديد من مجموعات البيانات الأبسط والأوزان المدربة مسبقًا المتاحة لاختبار Darknet/YOLO، مثل LEGO Gears وRolodex. راجع الأسئلة الشائعة حول Darknet/YOLO للحصول على التفاصيل.
يمكن تنزيل أوزان MSCOCO المدربة مسبقًا من عدة مواقع مختلفة، وهي متاحة أيضًا للتنزيل من هذا الريبو:
1. YOLOv2، نوفمبر 2016
* YOLOv2-صغيرة
* YOLOv2-كامل
2. YOLOv3، مايو 2018
* YOLOv3-صغيرة
* YOLOv3-كامل
3. YOLOv4، مايو 2020
* YOLOv4-صغيرة
* YOLOv4-كامل
4. YOLOv7، أغسطس 2022
* YOLOv7-صغيرة
* YOLOv7-كامل
يتم توفير أوزان MSCOCO المدربة مسبقًا للأغراض التجريبية فقط. توجد ملفات .cfg و.names المقابلة لـ MSCOCO في دليل cfg. أوامر المثال:
``باش
wget --no-clobber https://github.com/hank-ai/darknet/releases/download/v2.0/yolov4-tiny.weights
darknet02displayannotatedimages coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
darknet03display_videos coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi
DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi
`
لاحظ أنه من المتوقع من الأشخاص تدريب شبكاتهم الخاصة. يُستخدم MSCOCO عادةً للتأكد من أن كل شيء يعمل بشكل صحيح.
مبنى
تم دمج طرق البناء المختلفة المتوفرة في الماضي (ما قبل 2023) معًا في حل واحد موحد. يتطلب Darknet الإصدار 17 من لغة C++ أو الإصدار الأحدث، OpenCV، ويستخدم CMake لإنشاء ملفات المشروع الضرورية.
لا تحتاج إلى معرفة لغة C++ لإنشاء أو تثبيت أو تشغيل Darknet/YOLO، بنفس الطريقة التي لا تحتاج فيها إلى أن تكون ميكانيكيًا لقيادة السيارة.
احذر إذا كنت تتبع برامج تعليمية قديمة تحتوي على خطوات إنشاء أكثر تعقيدًا، أو تقوم بإنشاء خطوات لا تتطابق مع ما هو موجود في هذا الملف التمهيدي. بدأت خطوات البناء الجديدة كما هو موضح أدناه في أغسطس 2023.
ننصح مطوري البرامج بزيارة https://darknetcv.ai/ للحصول على معلومات حول الأجزاء الداخلية لإطار عمل الكشف عن الكائنات Darknet/YOLO.
جوجل كولاب
تعليمات Google Colab هي نفس تعليمات Linux. تتوفر العديد من دفاتر ملاحظات Jupyter التي توضح كيفية القيام بمهام معينة، مثل تدريب شبكة جديدة.
راجع دفاتر الملاحظات في الدليل الفرعي colab، و/أو اتبع تعليمات Linux أدناه.
طريقة لينكس CMake
البرنامج التعليمي لبناء Darknet لنظام التشغيل Linux
1. اختياري: إذا كان لديك وحدة معالجة رسومات NVIDIA حديثة، فيمكنك تثبيت إما CUDA أو CUDA+cuDNN في هذه المرحلة. إذا تم تثبيته، فسوف يستخدم Darknet وحدة معالجة الرسومات (GPU) الخاصة بك لتسريع معالجة الصور (والفيديو).
2. يجب عليك حذف ملف CMakeCache.txt من دليل إنشاء Darknet الخاص بك لإجبار CMake على إعادة العثور على كافة الملفات الضرورية.
3. تذكر إعادة بناء Darknet.
4. يمكن تشغيل Darknet بدونه، ولكن إذا كنت ترغب في تدريب شبكة مخصصة، فيلزم توفر إما CUDA أو CUDA+cuDNN.
تفضل بزيارة https://developer.nvidia.com/cuda-downloads لتنزيل CUDA وتثبيته.
تفضل بزيارة https://developer.nvidia.com/rdp/cudnn-download أو https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview للتنزيل وتثبيت cuDNN.
بمجرد تثبيت CUDA، تأكد من أنه يمكنك تشغيل nvcc وnvidia-smi. قد تضطر إلى تعديل متغير PATH الخاص بك.
إذا قمت بتثبيت CUDA أو CUDA+cuDNN في وقت لاحق، أو قمت بالترقية إلى إصدار أحدث من برنامج NVIDIA:
تفترض هذه التعليمات (ولكنها لا تتطلب!) وجود نظام يعمل بنظام التشغيل Ubuntu 22.04. قم بالتكيف حسب الضرورة إذا كنت تستخدم توزيعًا مختلفًا.
``باش
sudo apt-get install build-essential git libopencv-dev cmake
mkdir ~/srccd ~/src
استنساخ بوابة https://github.com/hank-ai/darknet
مؤتمر نزع السلاح داركنت
بناء مكدير
بناء القرص المضغوط
cmake -DCMAKEBUILDTYPE=إطلاق ..
حزمة make -j4
sudo dpkg -i darknet-VERSION.deb
`
إذا كنت تستخدم إصدارًا أقدم من CMake، فستحتاج إلى ترقية CMake قبل أن تتمكن من تشغيل أمر cmake أعلاه. يمكن ترقية CMake على Ubuntu باستخدام الأوامر التالية:
``باش
sudo apt-get purge cmake
Sudo snap install cmake --classic
`
إذا كنت تستخدم bash كصدفة أوامر، فستحتاج إلى إعادة تشغيل الصدفة الخاصة بك في هذه المرحلة. في حالة استخدام الأسماك، يجب أن تلتقط المسار الجديد على الفور.
المستخدمين المتقدمين:
إذا كنت تريد إنشاء ملف تثبيت RPM بدلاً من ملف DEB، فراجع الأسطر ذات الصلة في CM_package.cmake. قبل تشغيل حزمة make -j4 ستحتاج إلى تعديل هذين السطرين:
``باش
مجموعة (CPACKGENERATOR "DEB")# مجموعة (CPACKGENERATOR "RPM")
`
بالنسبة للتوزيعات مثل Centos وOpenSUSE، ستحتاج إلى تبديل هذين الخطين في CM_package.cmake لتكون:
``باش
مجموعة (CPACK_GENERATOR "DEB")
مجموعة (CPACK_GENERATOR "RPM")
`
لتثبيت حزمة التثبيت بمجرد الانتهاء من بنائها، استخدم مدير الحزم المعتاد للتوزيع الخاص بك. على سبيل المثال، في الأنظمة المستندة إلى Debian مثل Ubuntu:
``باش
sudo dpkg -i darknet-2.0.1-Linux.deb
`
سيؤدي تثبيت حزمة .deb إلى نسخ الملفات التالية:
/usr/bin/darknet هو برنامج Darknet المعتاد القابل للتنفيذ. قم بتشغيل إصدار darknet من واجهة سطر الأوامر للتأكد من تثبيته بشكل صحيح.
/usr/include/darknet.h هو Darknet API لمطوري C وC++ وPython.
يحتوي /usr/include/darknet_version.h على معلومات الإصدار للمطورين.
/usr/lib/libdarknet.so هي المكتبة التي يمكن الارتباط بها لمطوري C وC++ وPython.
/opt/darknet/cfg/... هو المكان الذي يتم فيه تخزين كافة قوالب .cfg.
لقد انتهيت الآن! تم إنشاء Darknet وتثبيته في /usr/bin/. قم بتشغيل هذا للاختبار: إصدار darknet.
إذا لم يكن لديك /usr/bin/darknet فهذا يعني أنك لم تقم بتثبيته، بل قمت بإنشائه فقط! تأكد من تثبيت ملف .deb أو .rpm كما هو موضح أعلاه.
طريقة ويندوز CMake
تفترض هذه التعليمات تثبيتًا جديدًا لنظام التشغيل Windows 11 22H2.
1. افتح نافذة موجه أوامر cmd.exe عادية وقم بتشغيل الأوامر التالية:
``باش
Winget تثبيت Git.Git
تثبيت Winget Kitware.CMake
تثبيت Winget nsis.nsis
تثبيت Winget Microsoft.VisualStudio.2022.Community
`
2. في هذه المرحلة، نحتاج إلى تعديل تثبيت Visual Studio ليشمل دعم تطبيقات C++:
انقر فوق قائمة "ابدأ في Windows" وقم بتشغيل "Visual Studio Installer".
انقر على تعديل.
حدد تطوير سطح المكتب باستخدام C++.
انقر فوق "تعديل" في الزاوية اليمنى السفلية، ثم انقر فوق "نعم".
3. بمجرد تنزيل كل شيء وتثبيته، انقر فوق قائمة "ابدأ في Windows" مرة أخرى وحدد Developer Command Prompt for VS 2022. لا تستخدم PowerShell في هذه الخطوات، فسوف تواجه مشكلات!
المستخدمين المتقدمين:
بدلاً من تشغيل موجه أوامر المطور، يمكنك استخدام موجه أوامر عادي أو ssh في الجهاز وتشغيل "Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat" يدويًا.
4. بمجرد تشغيل موجه أوامر المطور كما هو موضح أعلاه (وليس PowerShell!)، قم بتشغيل الأوامر التالية لتثبيت Microsoft VCPKG، والذي سيتم استخدامه بعد ذلك لإنشاء OpenCV:
``باش
مؤتمر نزع السلاح ج:
مكدير ج:src
مؤتمر نزع السلاح ج: سرك
استنساخ بوابة https://github.com/microsoft/vcpkg
cd vcpkg
bootstrap-vcpkg.bat
.vcpkg.exe دمج التثبيت
.vcpkg.exe يدمج بوويرشيل
.vcpkg.exe تثبيت opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows
`
كن صبورًا في هذه الخطوة الأخيرة حيث قد يستغرق تشغيلها وقتًا طويلاً. يحتاج إلى تنزيل وبناء أشياء كثيرة.
المستخدمين المتقدمين:
لاحظ أن هناك العديد من الوحدات الاختيارية الأخرى التي قد ترغب في إضافتها عند إنشاء OpenCV. قم بتشغيل .vcpkg.exe للبحث في opencv لرؤية القائمة الكاملة.
5. اختياري: إذا كان لديك وحدة معالجة رسومات NVIDIA حديثة، فيمكنك تثبيت إما CUDA أو CUDA+cuDNN في هذه المرحلة. إذا تم تثبيته، فسوف يستخدم Darknet وحدة معالجة الرسومات (GPU) الخاصة بك لتسريع معالجة الصور (والفيديو).
6. يجب عليك حذف ملف CMakeCache.txt من دليل إنشاء Darknet الخاص بك لإجبار CMake على إعادة العثور على كافة الملفات الضرورية.
7. تذكر إعادة بناء Darknet.
8. يمكن تشغيل Darknet بدونه، ولكن إذا كنت ترغب في تدريب شبكة مخصصة، فيلزم توفر إما CUDA أو CUDA+cuDNN.
تفضل بزيارة https://developer.nvidia.com/cuda-downloads لتنزيل CUDA وتثبيته.
قم بزيارة https://developer.nvidia.com/rdp/cudnn-download أو https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows لتنزيل وتثبيت cuDNN.
بمجرد تثبيت CUDA، تأكد من أنه يمكنك تشغيل nvcc.exe وnvidia-smi.exe. قد تضطر إلى تعديل متغير PATH الخاص بك.
بمجرد تنزيل cuDNN، قم بفك ضغط دلائل الحاوية والتضمين والليب ونسخها إلى C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/. قد تحتاج إلى الكتابة فوق بعض الملفات.
إذا قمت بتثبيت CUDA أو CUDA+cuDNN في وقت لاحق، أو قمت بالترقية إلى إصدار أحدث من برنامج NVIDIA:
يجب تثبيت CUDA بعد Visual Studio. إذا قمت بترقية Visual Studio، تذكر إعادة تثبيت CUDA.
9. بمجرد الانتهاء من جميع الخطوات السابقة بنجاح، ستحتاج إلى استنساخ Darknet وإنشائه. خلال هذه الخطوة، نحتاج أيضًا إلى إخبار CMake بمكان وجود vcpkg حتى يتمكن من العثور على OpenCV والتبعيات الأخرى:
``باش
مؤتمر نزع السلاح ج: سرك
استنساخ بوابة https://github.com/hank-ai/darknet.git
مؤتمر نزع السلاح داركنت
بناء مكدير
بناء القرص المضغوط
cmake -DCMAKEBUILDTYPE=Release -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
msbuild.exe /property:Platform=x64;التكوين=إصدار PACKAGE.vcxproj
`
10. إذا حصلت على خطأ بشأن بعض ملفات CUDA أو cuDNN DLL المفقودة مثل cublas64_12.dll، فقم بنسخ ملفات CUDA .dll يدويًا إلى نفس دليل الإخراج مثل Darknet.exe. على سبيل المثال:
``باش
انسخ "C: Program FilesNVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll" src-cliRelease
`
(هذا مثال! تحقق للتأكد من الإصدار الذي تقوم بتشغيله، وقم بتشغيل الأمر المناسب لما قمت بتثبيته.)
11. بمجرد نسخ الملفات، أعد تشغيل الأمر msbuild.exe الأخير لإنشاء حزمة تثبيت NSIS:
``باش
msbuild.exe /property:Platform=x64;التكوين=إصدار PACKAGE.vcxproj
`
المستخدمين المتقدمين:
لاحظ أن إخراج الأمر cmake هو ملف حل Visual Studio عادي، Darknet.sln. إذا كنت مطور برامج يستخدم واجهة المستخدم الرسومية Visual Studio GUI بانتظام بدلاً من msbuild.exe لإنشاء المشاريع، فيمكنك تجاهل سطر الأوامر وتحميل مشروع Darknet في Visual Studio.
يجب أن يكون لديك الآن هذا الملف الذي يمكنك تشغيله: C:srcDarknetbuildsrc-cliReleasedarknet.exe. قم بتشغيل هذا لاختبار: إصدار C:srcDarknetbuildsrc-cliReleasedarknet.exe.
لتثبيت Darknet بشكل صحيح، والمكتبات وملفات التضمين وملفات DLL الضرورية، قم بتشغيل معالج تثبيت NSIS الذي تم إنشاؤه في الخطوة الأخيرة. راجع الملف darknet-VERSION.exe في دليل البناء. على سبيل المثال:
``باش
darknet-2.0.31-win64.exe
`
سيؤدي تثبيت حزمة تثبيت NSIS إلى:
قم بإنشاء دليل يسمى Darknet، مثل C:Program FilesDarknet.
قم بتثبيت تطبيق CLI وdarknet.exe ونماذج التطبيقات الأخرى.
قم بتثبيت ملفات .dll المطلوبة من جهات خارجية، مثل تلك الموجودة في OpenCV.
قم بتثبيت ملفات Darknet .dll و.lib و.h الضرورية لاستخدام darknet.dll من تطبيق آخر.
قم بتثبيت ملفات القالب .cfg.
لقد انتهيت الآن! بمجرد انتهاء معالج التثبيت، سيتم تثبيت Darknet في C:Program FilesDarknet. قم بتشغيل هذا لاختبار: إصدار C:Program FilesDarknetbindarknet.exe.
إذا لم يكن لديك C:/Program Files/darknet/bin/darknet.exe فهذا يعني أنك لم تقم بتثبيته، بل قمت بإنشائه فقط! تأكد من مراجعة كل لوحة من معالج تثبيت NSIS في الخطوة السابقة.
باستخدام دارك نت
سطر الأوامر
ما يلي ليس القائمة الكاملة لجميع الأوامر التي يدعمها Darknet.
بالإضافة إلى واجهة سطر الأوامر الخاصة بـ Darknet، لاحظ أيضًا واجهة سطر الأوامر لمشروع DarkHelp والتي توفر واجهة سطر أوامر بديلة لـ Darknet/YOLO. يحتوي DarkHelp CLI أيضًا على العديد من الميزات المتقدمة التي لا تتوفر مباشرة في Darknet. يمكنك استخدام كل من Darknet CLI وDarkHelp CLI معًا، فهما لا يستبعد أحدهما الآخر.
بالنسبة لمعظم الأوامر الموضحة أدناه، ستحتاج إلى ملف .weights مع ملفات .names و.cfg المقابلة. يمكنك إما تدريب شبكتك الخاصة (نوصي بشدة!) أو تنزيل شبكة عصبية قام شخص ما بتدريبها بالفعل وإتاحتها مجانًا على الإنترنت. تتضمن أمثلة مجموعات البيانات المدربة مسبقًا ما يلي:
1. LEGO Gears (العثور على الأشياء في صورة ما)
2. Rolodex (البحث عن نص في صورة)
3. MSCOCO (الكشف القياسي عن الكائنات من فئة 80)
تتضمن أوامر التشغيل ما يلي:
1. قم بإدراج بعض الأوامر والخيارات الممكنة للتشغيل:
``باش
مساعدة على الانترنت المظلم
`
2. التحقق من الإصدار:
``باش
نسخة دارك نت
`
3. توقع باستخدام الصورة:
الإصدار 2:
``باش
اختبار كاشف الانترنت المظلم Cars.data Cars.cfg Cars_best.weights image1.jpg
`
الإصدار 3:
``باش
darknet02displayannotatedimages cars.cfg image1.jpg
`
مساعدة داكنة:
``باش
DarkHelp Cars.cfg Cars.cfg Cars_best.weights image1.jpg
`
4. إحداثيات الإخراج:
الإصدار 2:
``باش
اختبار كاشف الشبكة المظلمة للحيوانات. بيانات Animals.cfg Animalbest.weights -extoutput dog.jpg
`
الإصدار 3:
``باش
darknet01inference_images حيوانات dog.jpg
`
مساعدة داكنة:
``باش
DarkHelp --json Animals.cfg Animals.names Animal_best.weights dog.jpg
`
5. العمل مع مقاطع الفيديو:
الإصدار 2:
``باش
عرض توضيحي لكاشف الشبكة المظلمة للحيوانات.بيانات الحيوانات.cfg Animalbest.weights -extoutput test.mp4
`
الإصدار 3:
``باش
darknet03display_videos Animals.cfg test.mp4
`
مساعدة داكنة:
``باش
DarkHelp Animals.cfg Animals.names Animals_best.weights test.mp4
`
6. القراءة من كاميرا الويب:
الإصدار 2:
``باش
عرض تجريبي لكاشف الشبكة المظلمة Animals.data Animals.cfg Animal_best.weights -c 0
`
الإصدار 3:
``باش
حيوانات darknet08display_webcam
`
7. حفظ النتائج على الفيديو:
الإصدار 2:
``باش
عرض تجريبي للكشف عن darknet للحيوانات.بيانات الحيوانات.cfg Animalbest.weights test.mp4 -outfilename res.avi
`
الإصدار 3:
``باش
darknet05processvideosحيوانات متعددة الخيوط.cfg حيوانات.أسماء الحيوانات_أفضل.اختبار الأوزان.mp4
`
مساعدة داكنة:
``باش
DarkHelp Animals.cfg Animals.names Animals_best.weights test.mp4
`
8. جسون:
الإصدار 2:
``باش
عرض توضيحي لكاشف الشبكة المظلمة للحيوانات.بيانات الحيوانات.cfg Animalbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput
`
الإصدار 3:
``باش
darknet06imagestojson الحيوانات image1.jpg
`
مساعدة داكنة:
``باش
DarkHelp --json Animals.names Animals.cfg Animal_best.weights image1.jpg
`
9. التشغيل على وحدة معالجة رسومات محددة:
الإصدار 2:
``باش
عرض تجريبي لكاشف الشبكة المظلمة Animals.data Animals.cfg Animal_best.weights -i 1 test.mp4
`
10. للتحقق من دقة الشبكة العصبية:
``باش
خريطة كاشف الانترنت المظلم القيادة.بيانات القيادة.cfg القيادة_أفضل.الأوزان ...
`
`
اسم المعرف AvgPrecision TP FN FP TN الدقة معدل الخطأ الدقة استدعاء الخصوصية FalsePosRate -- ---- ------------ ------ ------ ------ - ----- -------- --------- --------- ------ ----------- -- ---------- 0 مركبة 91.2495 32648 3903 5826 65129 0.9095 0.0905 0.8486 0.8932 0.9179 0.0821 1 دراجة نارية 80.4499 2936 513 569 5393 0.8850 0.11 50 0.8377 0.8513 0.9046 0.0954 2 دراجة 89.0912 570 124 104 3548 0.9475 0.0525 0.8457 0.8213 0.9715 0.0285 3 شخص 76.7937 7072 1727 2574 27523 0.8894 0.1106 0.7332 0.8037 0.9145 0.0855 4 مركبات عديدة 64.3089 1068 509 733 11288 0.9087 0.0913 0.593 0 0.6772 0.9390 0.0610 5 الضوء الأخضر 86.8118 1969 239 510 4116 0.8904 0.1096 0.7943 0.8918 0.8898 0.1102 6 الضوء الأصفر 82.0390 126 38 30 1239 0. 9525 0.0475 0.8077 0.7683 0.9764 0.0236 7 الضوء الأحمر 94.1033 3449 217 451 4643 0.9237 0.0763 0.8844 0.9408 0.9115 0.0885
`
11. للتحقق من الدقة mAP@IoU=75:
``باش
خريطة كاشف الشبكة المظلمة للحيوانات.بيانات الحيوانات.cfg Animalbest.weights -iouthresh 0.75
`
12. من الأفضل إجراء إعادة حساب نقاط الارتساء في DarkMark، حيث سيتم تشغيلها 100 مرة متتالية واختيار أفضل نقاط الارتساء من جميع تلك التي تم حسابها. ولكن إذا كنت تريد تشغيل الإصدار القديم في Darknet:
``باش
كاشف الشبكة المظلمة calcanchors Animals.data -عدد_العناقيد 6 -العرض 320 -الارتفاع 256
`
13. تدريب شبكة جديدة:
``باش
كاشف الشبكة المظلمة -map -dont_show تدريب الحيوانات.بيانات الحيوانات.cfg (انظر أيضًا قسم التدريب أدناه)
`
تمرين
روابط سريعة للأقسام ذات الصلة من الأسئلة الشائعة حول Darknet/YOLO:
كيف أقوم بإعداد الملفات والأدلة الخاصة بي؟
ما هو ملف التكوين الذي يجب أن أستخدمه؟
ما الأمر الذي يجب أن أستخدمه عند تدريب شبكتي الخاصة؟
إن أبسط طريقة للتعليق والتدريب هي استخدام DarkMark لإنشاء جميع ملفات Darknet الضرورية. هذه بالتأكيد هي الطريقة الموصى بها لتدريب شبكة عصبية جديدة.
إذا كنت تفضل إعداد الملفات المتنوعة يدويًا لتدريب شبكة مخصصة:
1. قم بإنشاء مجلد جديد حيث سيتم تخزين الملفات. في هذا المثال، سيتم إنشاء شبكة عصبية لاكتشاف الحيوانات، لذلك يتم إنشاء الدليل التالي: ~/nn/animals/.
2. انسخ أحد ملفات تكوين Darknet التي ترغب في استخدامها كقالب. على سبيل المثال، راجع cfg/yolov4-tiny.cfg. ضع هذا في المجلد الذي قمت بإنشائه. في هذا المثال، لدينا الآن ~/nn/animals/animals.cfg.
3. قم بإنشاء ملف نصي Animals.names في نفس المجلد الذي وضعت فيه ملف التكوين. في هذا المثال، لدينا الآن ~/nn/animals/animals.names.
4. قم بتحرير ملف أسماء الحيوانات باستخدام محرر النصوص الخاص بك. قم بإدراج الفئات التي تريد استخدامها. يجب أن يكون لديك إدخال واحد بالضبط في كل سطر، بدون أسطر فارغة أو تعليقات. في هذا المثال، سيحتوي ملف .names على 4 أسطر بالضبط:
`
كلب
قطة
طائر
حصان
`
5. قم بإنشاء ملف نصي Animals.data في نفس المجلد. في هذا المثال، سيحتوي ملف .data على:
`
الطبقات = 4
Train=/home/username/nn/animals/animals_train.txt
valid=/home/username/nn/animals/animals_valid.txt
names=/home/username/nn/animals/animals.names
Backup=/home/username/nn/animals
`
6. قم بإنشاء مجلد حيث يمكنك تخزين الصور والتعليقات التوضيحية. على سبيل المثال، قد يكون هذا ~/nn/animals/dataset. ستحتاج كل صورة إلى ملف .txt مطابق يصف التعليقات التوضيحية لتلك الصورة. تنسيق ملفات التعليقات التوضيحية .txt محدد للغاية. لا يمكنك إنشاء هذه الملفات يدويًا نظرًا لأن كل تعليق توضيحي يجب أن يحتوي على الإحداثيات الدقيقة للتعليق التوضيحي. راجع DarkMark أو أي برنامج آخر مشابه لإضافة تعليقات توضيحية إلى صورك. تم توضيح تنسيق التعليقات التوضيحية YOLO في الأسئلة الشائعة حول Darknet/YOLO.
7. قم بإنشاء الملفات النصية "القطار" و"الصالحة" المذكورة في ملف البيانات. يحتاج هذان الملفان النصيان إلى إدراج كل الصور بشكل فردي والتي يجب أن يستخدمها Darknet للتدريب والتحقق من الصحة عند حساب نسبة mAP%. صورة واحدة بالضبط في كل سطر. قد يكون المسار وأسماء الملفات نسبية أو مطلقة.
8. قم بتعديل ملف .cfg الخاص بك باستخدام محرر النصوص.
تأكد من أن الدفعة = 64.
لاحظ التقسيمات الفرعية. اعتمادًا على أبعاد الشبكة وحجم الذاكرة المتوفرة على وحدة معالجة الرسومات الخاصة بك، قد تحتاج إلى زيادة التقسيمات الفرعية. أفضل قيمة للاستخدام هي 1 لذا ابدأ بذلك. راجع الأسئلة الشائعة حول Darknet/YOLO إذا لم يناسبك أحد.
ملاحظة: maxbatches=.... القيمة الجيدة التي يجب استخدامها عند البدء هي 2000 × عدد الفئات. في هذا المثال، لدينا 4 حيوانات، إذن 4 2000 = 8000. وهذا يعني أننا سنستخدم maxbatches=8000.
ملاحظة الخطوات=.... يجب ضبط هذا على 80% و90% من الدُفعات القصوى. في هذا المثال، سنستخدم الخطوات=6400,7200 نظرًا لأنه تم تعيين maxbatches على 8000.
لاحظ أن العرض=... والارتفاع=.... هذه هي أبعاد الشبكة. تشرح الأسئلة الشائعة لـ Darknet/YOLO كيفية حساب الحجم الأفضل للاستخدام.
ابحث عن كافة مثيلات السطرclasses=... وقم بتعديله بعدد الفئات في ملف .names الخاص بك. في هذا المثال، سنستخدم الفئات=4.
ابحث عن كافة مثيلات مرشحات الخط=... في القسم [التلافيفي] قبل كل قسم [yolo]. القيمة المستخدمة هي (numberofclasses + 5) 3. وهذا يعني في هذا المثال، (4 + 5) * 3 = 27. لذا، سنستخدم مرشحات = 27 على الأسطر المناسبة.
9. ابدأ التدريب! قم بتشغيل الأوامر التالية:
``باش
مؤتمر نزع السلاح ~/ن/الحيوانات/
كاشف الشبكة المظلمة -خريطة -dont_show تدريب الحيوانات.بيانات الحيوانات.cfg
`
كن صبوراً. سيتم حفظ أفضل الأوزان باسم Animal_best.weights. ويمكن ملاحظة تقدم التدريب من خلال عرض ملف Chart.png. راجع الأسئلة الشائعة حول Darknet/YOLO للحصول على معلمات إضافية قد ترغب في استخدامها عند تدريب شبكة جديدة.
إذا كنت تريد رؤية المزيد من التفاصيل أثناء التدريب، أضف المعلمة --verbose. على سبيل المثال:
``باش
كاشف الشبكة المظلمة -خريطة -dont_show --قطار مطول للحيوانات.بيانات الحيوانات.cfg
`
أدوات وروابط أخرى
1. لإدارة مشاريع Darknet/YOLO الخاصة بك، وإضافة تعليقات توضيحية إلى الصور، والتحقق من التعليقات التوضيحية، وإنشاء الملفات الضرورية للتدريب على Darknet، راجع DarkMark.
2. للحصول على واجهة سطر أوامر (CLI) بديلة قوية لـ Darknet، أو لاستخدام تجانب الصور، أو لتتبع الكائنات في مقاطع الفيديو الخاصة بك، أو للحصول على واجهة برمجة تطبيقات C++ قوية يمكن استخدامها بسهولة في التطبيقات التجارية، راجع DarkHelp.
3. تعرف على ما إذا كانت الأسئلة الشائعة حول Darknet/YOLO يمكن أن تساعدك في الإجابة على أسئلتك.
4. شاهد العديد من مقاطع الفيديو التعليمية والأمثلة على قناة Stéphane على YouTube.
5. إذا كان لديك سؤال دعم أو تريد الدردشة مع مستخدمي Darknet/YOLO الآخرين، انضم إلى خادم Darknet/YOLO Discord.
خريطة الطريق
آخر تحديث 2024-10-30:
مكتمل
1. استبدل qsort() بـ std::sort() حيث يتم استخدامها أثناء التدريب (تبقى بعض العناصر الغامضة الأخرى)
2. تخلص من check_mistakes وgetchar() وsystem()
3. تحويل Darknet لاستخدام مترجم C++ (g++ على Linux، VisualStudio على Windows)
4. إصلاح بناء Windows
5. إصلاح دعم بايثون
6. بناء مكتبة داركنت
7. إعادة تمكين التصنيفات على التنبؤات (رمز "الأبجدية")
8. أعد تمكين كود CUDA/GPU
9. أعد تمكين CUDNN
10. إعادة تمكين نصف CUDNN
11. لا تقم بترميز بنية CUDA
12. معلومات أفضل لإصدار CUDA
13. إعادة تمكين AVX
14. إزالة الحلول القديمة وMakefile
15. جعل OpenCV غير اختياري
16. إزالة التبعية من مكتبة pthread القديمة
17. إزالة STB
18. أعد كتابة CMakeLists.txt لاستخدام اكتشاف CUDA الجديد
19. قم بإزالة الكود "الأبجدي" القديم، وحذف أكثر من 700 صورة في البيانات/التسميات
20. البناء خارج المصدر
21. الحصول على رقم إصدار أفضل
22. تحسين الأداء المتعلق بالتدريب (مهمة مستمرة)
23. تحسينات الأداء المتعلقة بالاستدلال (مهمة مستمرة)
24. المرور بالإشارة حيثما أمكن ذلك
25. تنظيف ملفات HPP
26. إعادة كتابة darknet.h
27. لا تقم بإلقاء cv::Mat إلى void* ولكن استخدمه ككائن C++ مناسب
28. الإصلاح أو الثبات في كيفية استخدام بنية الصورة الداخلية
29. إصلاح البنية لأجهزة Jetson المعتمدة على ARM
* من غير المرجح أن يتم إصلاح أجهزة Jetson الأصلية نظرًا لأنها لم تعد مدعومة بواسطة NVIDIA (لا يوجد مترجم C++ 17)
* اجهزة جيتسون اورين الجديدة شغالة
30. إصلاح Python API في الإصدار 3
* هناك حاجة إلى دعم أفضل لـ Python (هل يرغب أي من مطوري Python في المساعدة في هذا؟)
أهداف قصيرة المدى
1. استبدل printf() بـ std::cout (قيد التقدم)
2. ابحث في دعم كاميرا Zed القديمة
3. تحليل سطر الأوامر أفضل وأكثر اتساقًا (قيد التنفيذ)
أهداف منتصف المدة
1. قم بإزالة كافة رموز char* واستبدلها بـ std::string
2. لا تخفي التحذيرات وقم بتنظيف تحذيرات المترجم (قيد التقدم)
3. استخدام أفضل لـ cv::Mat بدلاً من بنية الصورة المخصصة في لغة C (قيد التقدم)
4. استبدل وظيفة القائمة القديمة بـ std::vector أو std::list
5. إصلاح الدعم للصور ذات التدرج الرمادي ذات القناة الواحدة
6. إضافة دعم لصور قناة N حيث N > 3 (على سبيل المثال، الصور ذات العمق الإضافي أو القناة الحرارية)
7. التنظيف المستمر للكود (قيد التقدم)
أهداف طويلة المدى
1. إصلاح مشكلات CUDA/CUDNN مع جميع وحدات معالجة الرسومات
2. أعد كتابة كود CUDA+cuDNN
3. النظر في إضافة دعم لوحدات معالجة الرسومات غير التابعة لـ NVIDIA
4. الصناديق المحيطة المدورة، أو نوع من دعم "الزاوية".
5. نقاط المفاتيح/الهياكل العظمية
6. الخرائط الحرارية (قيد التنفيذ)
7. التجزئة
