Descarga de darknet - Descarga del código fuente darknet

darknet

Otro código fuente

weights

Descargar

Tabla de contenido

Marco de detección de objetos Darknet y YOLO
Papeles
Información general

Versión de la red oscura

Pesas preentrenadas MSCOCO
Edificio

colaboración de google
Método CMake de Linux
Método CMake de Windows

Usando la red oscura

CLI
Capacitación

Otras herramientas y enlaces
Hoja de ruta

Metas a corto plazo
Metas a mediano plazo
Metas a largo plazo

Marco de detección de objetos Darknet y YOLO

Logotipos de darknet y hank.ai

Darknet es un marco de red neuronal de código abierto escrito en C, C++ y CUDA.

YOLO (Solo miras una vez) es un sistema de detección de objetos en tiempo real de última generación que se ejecuta en el marco Darknet.

Lea cómo Hank.ai está ayudando a la comunidad Darknet/YOLO
Anuncio de Darknet V3 "Jazz"
Consulte el sitio web Darknet/YOLO
Lea las preguntas frecuentes sobre Darknet/YOLO
Únase al servidor de discordia Darknet/YOLO

Papeles

Papel YOLOv7
Escala de papel-YOLOv4
Papel YOLOv4
Papel YOLOv3

Información general

El marco Darknet/YOLO sigue siendo más rápido y preciso que otros marcos y versiones de YOLO.

Este marco es completamente gratuito y de código abierto . Puede incorporar Darknet/YOLO en proyectos y productos existentes, incluidos los comerciales, sin necesidad de licencia ni pago de una tarifa.

Darknet V3 ("Jazz") lanzado en octubre de 2024 puede ejecutar con precisión los videos del conjunto de datos LEGO a hasta 1000 FPS cuando se usa una GPU NVIDIA RTX 3090, lo que significa que Darknet/YOLO lee, redimensiona y procesa cada cuadro de video en 1 milisegundo o menos.

Únase al servidor Darknet/YOLO Discord si necesita ayuda o desea hablar sobre Darknet/YOLO: https://discord.gg/zSq8rtW

La versión CPU de Darknet/YOLO puede ejecutarse en dispositivos simples como Raspberry Pi, servidores en la nube y colab, computadoras de escritorio, portátiles y equipos de entrenamiento de alta gama. La versión GPU de Darknet/YOLO requiere una GPU compatible con CUDA de NVIDIA.

Se sabe que Darknet/YOLO funciona en Linux, Windows y Mac. Consulte las instrucciones de construcción a continuación.

Versión de la red oscura

La herramienta Darknet original escrita por Joseph Redmon entre 2013 y 2017 no tenía un número de versión. Consideramos esta versión 0.x.
El siguiente repositorio popular de Darknet mantenido por Alexey Bochkovskiy entre 2017 y 2021 tampoco tenía un número de versión. Consideramos esta versión 1.x.
El repositorio Darknet patrocinado por Hank.ai y mantenido por Stéphane Charette a partir de 2023 fue el primero con un comando version . Desde 2023 hasta finales de 2024, devolvió la versión 2.x "OAK".

El objetivo era intentar romper la menor cantidad de funcionalidad existente mientras se familiarizaba con el código base.
Reescribimos los pasos de compilación para que tengamos una forma unificada de compilar usando CMake tanto en Windows como en Linux.
Convirtió el código base para usar el compilador de C++.
Chart.png mejorado durante el entrenamiento.
Corrección de errores y optimizaciones relacionadas con el rendimiento, principalmente relacionadas con la reducción del tiempo que lleva entrenar una red.
La última rama de este código base es la versión 2.1 en la rama v2 .

La siguiente fase de desarrollo comenzó a mediados de 2024 y se lanzó en octubre de 2024. El comando version ahora devuelve 3.x "JAZZ".

Siempre puede realizar un pago de la rama v2 anterior si necesita ejecutar uno de estos comandos. Háganos saber para que podamos investigar cómo volver a agregar los comandos que faltan.
Se eliminaron muchos comandos antiguos y no mantenidos.
Muchas optimizaciones de rendimiento, tanto durante el entrenamiento como durante la inferencia.
Se modificó la API C heredada; las aplicaciones que utilizan la API Darknet original necesitarán modificaciones menores: https://darknetcv.ai/api/api.html
Nueva API Darknet V3 C y C++: https://darknetcv.ai/api/api.html
Nuevas aplicaciones y código de muestra en src-examples : https://darknetcv.ai/api/files.html

Pesas preentrenadas MSCOCO

Se entrenaron previamente varias versiones populares de YOLO para mayor comodidad en el conjunto de datos MSCOCO. Este conjunto de datos tiene 80 clases, que se pueden ver en el archivo de texto cfg/coco.names .

Hay varios otros conjuntos de datos más simples y pesos previamente entrenados disponibles para probar Darknet/YOLO, como LEGO Gears y Rolodex. Consulte las preguntas frecuentes de Darknet/YOLO para obtener más detalles.

Los pesos previamente entrenados de MSCOCO se pueden descargar desde varias ubicaciones diferentes y también están disponibles para descargar desde este repositorio:

YOLOv2, noviembre de 2016

YOLOv2-diminuto
YOLOv2-completo

YOLOv3, mayo de 2018

YOLOv3-diminuto
YOLOv3-completo

YOLOv4, mayo de 2020

YOLOv4-diminuto
YOLOv4-completo

YOLOv7, agosto de 2022

YOLOv7-diminuto
YOLOv7-completo

Las pesas previamente entrenadas de MSCOCO se proporcionan únicamente con fines de demostración. Los archivos .cfg y .names correspondientes a MSCOCO se encuentran en el directorio cfg. Comandos de ejemplo:

 wget --no-clobber https://github.com/hank-ai/darknet/releases/download/v2.0/yolov4-tiny.weights
darknet_02_display_annotated_images coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
darknet_03_display_videos coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi
DarkHelp coco.nombres yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
DarkHelp coco.nombres yolov4-tiny.cfg yolov4-tiny.pesos video1.avi

Tenga en cuenta que se espera que las personas capaciten sus propias redes. MSCOCO normalmente se utiliza para confirmar que todo funciona correctamente.

Edificio

Los diversos métodos de compilación disponibles en el pasado (antes de 2023) se han fusionado en una única solución unificada. Darknet requiere C++ 17 o posterior, OpenCV, y usa CMake para generar los archivos de proyecto necesarios.

No necesita saber C++ para construir, instalar ni ejecutar Darknet/YOLO, de la misma manera que no necesita ser mecánico para conducir un automóvil.

colaboración de google
linux
ventanas

Tenga cuidado si sigue tutoriales antiguos con pasos de compilación más complicados o pasos de compilación que no coinciden con lo que se encuentra en este archivo Léame. Los nuevos pasos de construcción que se describen a continuación comenzaron en agosto de 2023.

Se anima a los desarrolladores de software a visitar https://darknetcv.ai/ para obtener información sobre los aspectos internos del marco de detección de objetos Darknet/YOLO.

colaboración de google

Las instrucciones de Google Colab son las mismas que las de Linux. Hay varios cuadernos de Jupyter disponibles que muestran cómo realizar determinadas tareas, como entrenar una nueva red.

Consulte los cuadernos en el subdirectorio colab y/o siga las instrucciones de Linux a continuación.

Método CMake de Linux

Tutorial de compilación de Darknet para Linux

Opcional: si tiene una GPU NVIDIA moderna, puede instalar CUDA o CUDA+cuDNN en este punto. Si está instalado, Darknet utilizará su GPU para acelerar el procesamiento de imágenes (y videos).

Debe eliminar el archivo CMakeCache.txt de su directorio build Darknet para obligar a CMake a volver a encontrar todos los archivos necesarios.
Recuerde reconstruir Darknet.
Darknet puede ejecutarse sin él, pero si desea entrenar una red personalizada, entonces se requiere CUDA o CUDA+cuDNN.
Visite https://developer.nvidia.com/cuda-downloads para descargar e instalar CUDA.
Visite https://developer.nvidia.com/rdp/cudnn-download o https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview para descargar e instale cuDNN.
Una vez que instale CUDA, asegúrese de poder ejecutar nvcc y nvidia-smi . Es posible que tengas que modificar tu variable PATH .
Si instala CUDA o CUDA+cuDNN más adelante, o actualiza a una versión más reciente del software NVIDIA:

Estas instrucciones asumen (¡pero no requieren!) un sistema que ejecuta Ubuntu 22.04. Adáptese según sea necesario si está utilizando una distribución diferente.

 sudo apt-get install build-essential git libopencv-dev cmake
mkdir ~/srccd ~/src
clon de git https://github.com/hank-ai/darknetcd red oscura
mkdir buildcd construir
cmake -DCMAKE_BUILD_TYPE=Liberar ..
hacer el paquete -j4
sudo dpkg -i darknet-<INSERTAR-VERSIÓN-QUE-CONSTRUYE-AQUÍ>.deb

Si está utilizando una versión anterior de CMake , deberá actualizar CMake antes de poder ejecutar el comando cmake anterior. La actualización de CMake en Ubuntu se puede realizar con los siguientes comandos:

 sudo apt-get purga cmake
sudo snap instalar cmake --classic

Si usa bash como su shell de comandos, querrá reiniciar su shell en este punto. Si usa fish , debería tomar inmediatamente el nuevo camino.

Usuarios avanzados:
Si desea crear un archivo de instalación RPM en lugar de un archivo DEB, consulte las líneas relevantes en CM_package.cmake . Antes de ejecutar make -j4 package necesitarás editar estas dos líneas:

 ESTABLECER (CPACK_GENERATOR "DEB")# ESTABLECER (CPACK_GENERATOR "RPM")

Para distribuciones como Centos y OpenSUSE, deberás cambiar esas dos líneas en CM_package.cmake para que sean:

 # SET (CPACK_GENERATOR "DEB") SET (CPACK_GENERATOR "RPM")

Para instalar el paquete de instalación una vez que haya terminado de compilarse, utilice el administrador de paquetes habitual para su distribución. Por ejemplo, en sistemas basados en Debian como Ubuntu:

 sudo dpkg -i darknet-2.0.1-Linux.deb

La instalación del paquete .deb copiará los siguientes archivos:

/usr/bin/darknet es el ejecutable habitual de Darknet. Ejecute darknet version desde la CLI para confirmar que esté instalada correctamente.
/usr/include/darknet.h es la API Darknet para desarrolladores de C, C++ y Python.
/usr/include/darknet_version.h contiene información de versión para desarrolladores.
/usr/lib/libdarknet.so es la biblioteca con la que se vinculan los desarrolladores de C, C++ y Python.
/opt/darknet/cfg/... es donde se almacenan todas las plantillas .cfg .

¡Ya has terminado! Darknet se ha creado e instalado en /usr/bin/ . Ejecute esto para probar: darknet version .

Si no tienes /usr/bin/darknet entonces esto significa que no lo instalaste, ¡solo lo compilaste! Asegúrese de instalar el archivo .deb o .rpm como se describe arriba.

Método CMake de Windows

Estas instrucciones asumen una nueva instalación de Windows 11 22H2.

Abra una ventana normal del símbolo del sistema cmd.exe y ejecute los siguientes comandos:

 instalación de alas Git.Git
Instalación de Winget Kitware.CMake
instalación de alas nsis.nsis
Winget instala Microsoft.VisualStudio.2022.Community

En este punto necesitamos modificar la instalación de Visual Studio para incluir soporte para aplicaciones C++:

Haga clic en el menú "Inicio de Windows" y ejecute "Visual Studio Installer".
haga clic en Modify
seleccione Desktop Development With C++
haga clic en Modify en la esquina inferior derecha y luego haga clic en Yes Una vez que todo esté descargado e instalado, haga clic en el menú "Inicio de Windows" nuevamente y seleccione Developer Command Prompt for VS 2022 . ¡No utilice PowerShell para estos pasos, tendrá problemas!

Usuarios avanzados:
En lugar de ejecutar el Developer Command Prompt , puede usar un símbolo del sistema normal o ssh en el dispositivo y ejecutar manualmente "Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat" .

Mucha gente comete el mismo error y cree que puede saltarse el paso anterior. ¡No te saltes este paso! ¡No utilice un símbolo del sistema normal ni PowerShell! Vuelva a leer los pasos anteriores para ver qué tipo de ventana debe utilizar. Siempre que desee utilizar Visual Studio desde el símbolo del sistema para compilar código C++, debe utilizar el símbolo del sistema para desarrolladores de Visual Studio como se describe anteriormente.

Una vez que tenga el símbolo del sistema del desarrollador ejecutándose como se describe anteriormente, ejecute los siguientes comandos para instalar Microsoft VCPKG, que luego se usará para compilar OpenCV:

 cd c:mkdir c:srccd c:src
clon de git https://github.com/microsoft/vcpkgcd vcpkg
arranque-vcpkg.bat
.vcpkg.exe instalación integrada
.vcpkg.exe integra powershell.vcpkg.exe instala opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows

Tenga paciencia en este último paso, ya que puede tardar mucho en ejecutarse. Necesita descargar y construir muchas cosas.

Usuarios avanzados:
Tenga en cuenta que hay muchos otros módulos opcionales que quizás desee agregar al crear OpenCV. Ejecute .vcpkg.exe search opencv para ver la lista completa.

Opcional: si tiene una GPU NVIDIA moderna, puede instalar CUDA o CUDA+cuDNN en este punto. Si está instalado, Darknet utilizará su GPU para acelerar el procesamiento de imágenes (y videos).

Debe eliminar el archivo CMakeCache.txt de su directorio build Darknet para obligar a CMake a volver a encontrar todos los archivos necesarios.
Recuerde reconstruir Darknet.
Darknet puede ejecutarse sin él, pero si desea entrenar una red personalizada, entonces se requiere CUDA o CUDA+cuDNN.
Visite https://developer.nvidia.com/cuda-downloads para descargar e instalar CUDA.
Visite https://developer.nvidia.com/rdp/cudnn-download o https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows para descargar e instalar cuDNN.
Una vez que instale CUDA, asegúrese de poder ejecutar nvcc.exe y nvidia-smi.exe . Es posible que tengas que modificar tu variable PATH .
Una vez que descargue cuDNN, descomprima y copie los directorios bin, include y lib en C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/ . Es posible que necesites sobrescribir algunos archivos.
Si instala CUDA o CUDA+cuDNN más adelante, o actualiza a una versión más reciente del software NVIDIA:
CUDA debe instalarse después de Visual Studio. Si actualiza Visual Studio, recuerde reinstalar CUDA.

Una vez que todos los pasos anteriores hayan finalizado con éxito, deberá clonar Darknet y compilarlo. Durante este paso, también debemos indicarle a CMake dónde se encuentra vcpkg para que pueda encontrar OpenCV y otras dependencias:

 cdc:src
clon de git https://github.com/hank-ai/darknet.gitcd darknetmkdir buildcd build
cmake -DCMAKE_BUILD_TYPE=Lanzamiento -DCMAKE_TOOLCHAIN_FILE=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;Configuration=Versión PACKAGE.vcxproj

Si recibe un error sobre algunas DLL CUDA o cuDNN que faltan, como cublas64_12.dll , copie manualmente los archivos CUDA .dll en el mismo directorio de salida que Darknet.exe . Por ejemplo:

 copie "C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll" src-cliRelease

(¡Ese es un ejemplo! Verifique qué versión está ejecutando y ejecute el comando apropiado para lo que ha instalado).

Una vez que se hayan copiado los archivos, vuelva a ejecutar el último comando msbuild.exe para generar el paquete de instalación de NSIS:

 msbuild.exe /property:Platform=x64;Configuration=Versión PACKAGE.vcxproj

Usuarios avanzados:
Tenga en cuenta que la salida del comando cmake es un archivo de solución normal de Visual Studio, Darknet.sln . Si es un desarrollador de software que utiliza habitualmente la GUI de Visual Studio en lugar de msbuild.exe para crear proyectos, puede ignorar la línea de comandos y cargar el proyecto Darknet en Visual Studio.

Ahora debería tener este archivo que puede ejecutar: C:srcDarknetbuildsrc-cliReleasedarknet.exe . Ejecute esto para probar: C:srcDarknetbuildsrc-cliReleasedarknet.exe --version .

Para instalar correctamente Darknet, las bibliotecas, los archivos de inclusión y las DLL necesarias, ejecute el asistente de instalación de NSIS que se creó en el último paso. Consulte el archivo darknet-<INSERT-VERSION-YOU-BUILT-HERE>-win64.exe en el directorio build . Por ejemplo:

 darknet-<INSERTAR-VERSIÓN-QUE-CONSTRUYE-AQUÍ>-win64.exe

La instalación del paquete de instalación de NSIS:

Cree un directorio llamado Darknet , como C:Program FilesDarknet .
Instale la aplicación CLI, darknet.exe y otras aplicaciones de muestra.
Instale los archivos .dll de terceros necesarios, como los de OpenCV.
Instale los archivos Darknet .dll , .lib y .h necesarios para usar darknet.dll desde otra aplicación.
Instale los archivos .cfg de plantilla.

¡Ya has terminado! Una vez que el asistente de instalación haya finalizado, Darknet se habrá instalado en C:Program FilesDarknet . Ejecute esto para probar: C:Program FilesDarknetbindarknet.exe version .

Si no tiene C:/Program Files/darknet/bin/darknet.exe , entonces esto significa que no lo instaló, ¡solo lo creó! Asegúrese de revisar cada panel del asistente de instalación de NSIS en el paso anterior.

Usando la red oscura

CLI

La siguiente no es la lista completa de todos los comandos admitidos por Darknet.

Además de la CLI de Darknet, también tenga en cuenta la CLI del proyecto DarkHelp, que proporciona una CLI alternativa a Darknet/YOLO. La CLI de DarkHelp también tiene varias funciones avanzadas que no están disponibles directamente en Darknet. Puede utilizar tanto la CLI de Darknet como la CLI de DarkHelp juntas; no son mutuamente excluyentes.

Para la mayoría de los comandos que se muestran a continuación, necesitará el archivo .weights con los archivos .names y .cfg correspondientes. Puede entrenar su propia red (¡muy recomendable!) o descargar una red neuronal que alguien ya haya entrenado y puesto a disposición de forma gratuita en Internet. Ejemplos de conjuntos de datos previamente entrenados incluyen:

LEGO Gears (buscar objetos en una imagen)
Rolodex (buscar texto en una imagen)
MSCOCO (detección de objetos estándar de clase 80)

Los comandos para ejecutar incluyen:

Enumere algunos comandos y opciones posibles para ejecutar:

darknet help

Consulta la versión:

darknet version

Predecir usando una imagen:

V2: darknet detector test cars.data cars.cfg cars_best.weights image1.jpg
V3: darknet_02_display_annotated_images cars.cfg image1.jpg
DarkHelp: DarkHelp cars.cfg cars.cfg cars_best.weights image1.jpg

Coordenadas de salida:

V2: darknet detector test animals.data animals.cfg animals_best.weights -ext_output dog.jpg
V3: darknet_01_inference_images animals dog.jpg
DarkHelp: DarkHelp --json animals.cfg animals.names animals_best.weights dog.jpg

Trabajar con vídeos:

V2: darknet detector demo animals.data animals.cfg animals_best.weights -ext_output test.mp4
V3: darknet_03_display_videos animals.cfg test.mp4
DarkHelp: DarkHelp animals.cfg animals.names animals_best.weights test.mp4

Leyendo desde una cámara web:

V2: darknet detector demo animals.data animals.cfg animals_best.weights -c 0
V3: darknet_08_display_webcam animals

Guardar resultados en un vídeo:

V2: darknet detector demo animals.data animals.cfg animals_best.weights test.mp4 -out_filename res.avi
V3: darknet_05_process_videos_multithreaded animals.cfg animals.names animals_best.weights test.mp4
DarkHelp: DarkHelp animals.cfg animals.names animals_best.weights test.mp4

JSON:

V2: darknet detector demo animals.data animals.cfg animals_best.weights test50.mp4 -json_port 8070 -mjpeg_port 8090 -ext_output
V3: darknet_06_images_to_json animals image1.jpg
DarkHelp: DarkHelp --json animals.names animals.cfg animals_best.weights image1.jpg

Ejecutando en una GPU específica:

V2: darknet detector demo animals.data animals.cfg animals_best.weights -i 1 test.mp4

Para comprobar la precisión de la red neuronal:

 Mapa del detector de darknet conducción.datos conducción.cfg conducción_mejor.pesos
...
  Id. Nombre AvgPrecision TP FN FP TN Precisión ErrorRate Precisión Recuperación Especificidad FalsePosRate
  -- ---- ------------ ------ ------ ------ ------ -------- --------- --------- ------ ----------- ------------
   0 vehículo 91,2495 32648 3903 5826 65129 0,9095 0,0905 0,8486 0,8932 0,9179 0,0821
   1 motocicleta 80,4499 2936 513 569 5393 0,8850 0,1150 0,8377 0,8513 0,9046 0,0954
   2 bicicletas 89,0912 570 124 104 3548 0,9475 0,0525 0,8457 0,8213 0,9715 0,0285
   3 personas 76,7937 7072 1727 2574 27523 0,8894 0,1106 0,7332 0,8037 0,9145 0,0855
   4 muchos vehículos 64,3089 1068 509 733 11288 0,9087 0,0913 0,5930 0,6772 0,9390 0,0610
   5 luz verde 86,8118 1969 239 510 4116 0,8904 0,1096 0,7943 0,8918 0,8898 0,1102
   6 luz amarilla 82,0390 126 38 30 1239 0,9525 0,0475 0,8077 0,7683 0,9764 0,0236
   7 luz roja 94,1033 3449 217 451 4643 0,9237 0,0763 0,8844 0,9408 0,9115 0,0885

Para comprobar la precisión mAP@IoU=75:

darknet detector map animals.data animals.cfg animals_best.weights -iou_thresh 0.75

Es mejor volver a calcular los anclajes en DarkMark, ya que se ejecutará 100 veces consecutivas y seleccionará los mejores anclajes de todos los que se calcularon. Pero si quieres ejecutar la versión antigua en Darknet:

 detector de red oscura calc_anchors animales.data -num_of_clusters 6 -ancho 320 -alto 256

Entrene una nueva red:

darknet detector -map -dont_show train animals.data animals.cfg (consulte también la sección de capacitación a continuación)

Capacitación

Enlaces rápidos a secciones relevantes de las preguntas frecuentes de Darknet/YOLO:

¿Cómo debo configurar mis archivos y directorios?
¿Qué archivo de configuración debo usar?
¿Qué comando debo usar al entrenar mi propia red?

La forma más sencilla de anotar y entrenar es mediante el uso de DarkMark para crear todos los archivos Darknet necesarios. Esta es definitivamente la forma recomendada de entrenar una nueva red neuronal.

Si prefiere configurar manualmente los distintos archivos para entrenar una red personalizada:

Cree una nueva carpeta donde se almacenarán los archivos. Para este ejemplo, se creará una red neuronal para detectar animales, por lo que se crea el siguiente directorio: ~/nn/animals/ .
Copie uno de los archivos de configuración de Darknet que desee utilizar como plantilla. Por ejemplo, consulte cfg/yolov4-tiny.cfg . Colóquelo en la carpeta que creó. Para este ejemplo, ahora tenemos ~/nn/animals/animals.cfg .
Cree un archivo de texto animals.names en la misma carpeta donde colocó el archivo de configuración. Para este ejemplo, ahora tenemos ~/nn/animals/animals.names .
Edite el archivo animals.names con su editor de texto. Enumere las clases que desea utilizar. Debe tener exactamente 1 entrada por línea, sin líneas en blanco ni comentarios. Para este ejemplo, el archivo .names contendrá exactamente 4 líneas:

 perro
gato
pájaro
caballo

Cree un archivo de texto animals.data en la misma carpeta. Para este ejemplo, el archivo .data contendrá:

 clases = 4
tren = /home/nombre de usuario/nn/animals/animals_train.txt
válido = /home/nombre de usuario/nn/animals/animals_valid.txt
nombres = /home/nombredeusuario/nn/animals/animals.nombres
copia de seguridad = /home/nombre de usuario/nn/animals

Crea una carpeta donde almacenarás tus imágenes y anotaciones. Por ejemplo, esto podría ser ~/nn/animals/dataset . Cada imagen necesitará un archivo .txt correspondiente que describa las anotaciones de esa imagen. El formato de los archivos de anotaciones .txt es muy específico. No puede crear estos archivos a mano ya que cada anotación debe contener las coordenadas exactas de la anotación. Consulte DarkMark u otro software similar para anotar sus imágenes. El formato de anotación de YOLO se describe en las preguntas frecuentes de Darknet/YOLO.
Cree los archivos de texto "entrenamiento" y "válidos" nombrados en el archivo .data . Estos dos archivos de texto deben enumerar individualmente todas las imágenes que Darknet debe usar para entrenar y validar al calcular el% de mAP. Exactamente una imagen por línea. La ruta y los nombres de los archivos pueden ser relativos o absolutos.
Modifique su archivo .cfg con un editor de texto.

Asegúrese de que batch=64 .
Tenga en cuenta las subdivisiones. Dependiendo de las dimensiones de la red y la cantidad de memoria disponible en su GPU, es posible que necesite aumentar las subdivisiones. El mejor valor para usar es 1 así que comience con eso. Consulte las preguntas frecuentes de Darknet/YOLO si 1 no funciona para usted.
Nota max_batches=... . Un buen valor para usar al comenzar es 2000 x el número de clases. Para este ejemplo, tenemos 4 animales, por lo que 4 * 2000 = 8000. Lo que significa que usaremos max_batches=8000 .
Nota steps=... . Esto debe establecerse en 80% y 90% de max_batches . Para este ejemplo usaríamos steps=6400,7200 ya que max_batches se configuró en 8000.
Tenga en cuenta width=... y height=... . Estas son las dimensiones de la red. Las preguntas frecuentes de Darknet/YOLO explican cómo calcular el mejor tamaño a utilizar.
Busque todas las instancias de la línea classes=... y modifíquela con el número de clases en su archivo .names . Para este ejemplo, usaríamos classes=4 .
Busque todas las instancias de la línea filters=... en la sección [convolutional] antes de cada sección [yolo] . El valor a usar es (número_de_clases + 5) * 3. Es decir, para este ejemplo, (4 + 5) * 3 = 27. Entonces usaríamos filters=27 en las líneas apropiadas.

¡Empieza a entrenar! Ejecute los siguientes comandos:

 cd ~/nn/animales/
detector de red oscura -mapa -dont_show entrenar animales.datos animales.cfg

Ser paciente. Los mejores pesos se guardarán como animals_best.weights . Y el progreso del entrenamiento se puede observar viendo el archivo chart.png . Consulte las preguntas frecuentes de Darknet/YOLO para conocer parámetros adicionales que quizás desee utilizar al entrenar una nueva red.

Si desea ver más detalles durante el entrenamiento, agregue el parámetro --verbose . Por ejemplo:

 detector de red oscura -map -dont_show --verbose train animales.data animales.cfg

Otras herramientas y enlaces

Para administrar sus proyectos Darknet/YOLO, anotar imágenes, verificar sus anotaciones y generar los archivos necesarios para entrenar con Darknet, consulte DarkMark.
Para obtener una CLI alternativa sólida a Darknet, para usar mosaicos de imágenes, para el seguimiento de objetos en sus videos o para una API C++ sólida que se puede usar fácilmente en aplicaciones comerciales, consulte DarkHelp.
Vea si las preguntas frecuentes de Darknet/YOLO pueden ayudar a responder sus preguntas.
Vea los numerosos tutoriales y vídeos de ejemplo en el canal de YouTube de Stéphane.
Si tiene una pregunta de soporte o desea chatear con otros usuarios de Darknet/YOLO, únase al servidor de discordia de Darknet/YOLO.

Hoja de ruta

Última actualización 2024-11-02:

Terminado

Metas a corto plazo

cambie printf() por std::cout (en progreso)
Mire el antiguo soporte de la cámara Zed.
análisis de línea de comando mejor y más consistente (en progreso)

Metas a medio plazo

elimine todo el código char* y reemplácelo con std::string
no ocultar advertencias y limpiar advertencias del compilador (en progreso)
mejor uso de cv::Mat en lugar de la estructura image personalizada en C (en progreso)
reemplace la funcionalidad list anterior con std::vector o std::list
Se corrigió el soporte para imágenes en escala de grises de 1 canal.
agregue soporte para imágenes de canal N donde N > 3 (por ejemplo, imágenes con un canal térmico o de profundidad adicional)
limpieza de código en curso (en progreso)