Téléchargement darknet - Téléchargement du code source darknet

darknet

Autre code source

weights

Télécharger

Table des matières

Cadre de détection d'objets Darknet et YOLO
Papiers
Informations générales

Version Darknet

Poids pré-entraînés MSCOCO
Bâtiment

Google Colab
Méthode Linux CMake
Méthode Windows CMake

Utiliser le Darknet

CLI
Entraînement

Autres outils et liens
Feuille de route

Objectifs à court terme
Objectifs à moyen terme
Objectifs à long terme

Cadre de détection d'objets Darknet et YOLO

logos darknet et hank.ai

Darknet est un framework de réseau neuronal open source écrit en C, C++ et CUDA.

YOLO (You Only Look Once) est un système de détection d'objets en temps réel de pointe, qui fonctionne dans le framework Darknet.

Découvrez comment Hank.ai aide la communauté Darknet/YOLO
Annonce du Darknet V3 "Jazz"
Voir le site Darknet/YOLO
Veuillez lire la FAQ Darknet/YOLO
Rejoignez le serveur discord Darknet/YOLO

Papiers

Papier YOLOv7
Papier à l'échelle-YOLOv4
Papier YOLOv4
Papier YOLOv3

Informations générales

Le framework Darknet/YOLO continue d'être à la fois plus rapide et plus précis que les autres frameworks et versions de YOLO.

Ce framework est à la fois entièrement gratuit et open source . Vous pouvez intégrer Darknet/YOLO dans des projets et produits existants, y compris commerciaux, sans licence ni paiement de frais.

Darknet V3 (« Jazz ») sorti en octobre 2024 peut exécuter avec précision les vidéos de l'ensemble de données LEGO jusqu'à 1 000 FPS lors de l'utilisation d'un GPU NVIDIA RTX 3090, ce qui signifie que chaque image vidéo est lue, redimensionnée et traitée par Darknet/YOLO en 1 milliseconde ou moins.

Veuillez rejoindre le serveur Discord Darknet/YOLO si vous avez besoin d'aide ou si vous souhaitez discuter de Darknet/YOLO : https://discord.gg/zSq8rtW

La version CPU de Darknet/YOLO peut fonctionner sur des appareils simples tels que le Raspberry Pi, les serveurs cloud et Colab, les ordinateurs de bureau, les ordinateurs portables et les plates-formes de formation haut de gamme. La version GPU de Darknet/YOLO nécessite un GPU compatible CUDA de NVIDIA.

Darknet/YOLO est connu pour fonctionner sous Linux, Windows et Mac. Voir les instructions de construction ci-dessous.

Version Darknet

L'outil Darknet original écrit par Joseph Redmon en 2013-2017 n'avait pas de numéro de version. Nous considérons cette version 0.x.
Le prochain dépôt Darknet populaire maintenu par Alexey Bochkovskiy entre 2017 et 2021 n'avait pas non plus de numéro de version. Nous considérons cette version 1.x.
Le repo Darknet sponsorisé par Hank.ai et maintenu par Stéphane Charette à partir de 2023 a été le premier doté d'une commande version . De 2023 à fin 2024, il a renvoyé la version 2.x « OAK ».

L'objectif était d'essayer de briser le moins possible les fonctionnalités existantes tout en se familiarisant avec la base de code.
Réécriture des étapes de construction afin que nous disposions d'une manière unifiée de créer à l'aide de CMake sous Windows et Linux.
Conversion de la base de code pour utiliser le compilateur C++.
Chart.png amélioré pendant l'entraînement.
Corrections de bugs et optimisations liées aux performances, principalement liées à la réduction du temps nécessaire à la formation d'un réseau.
La dernière branche de cette base de code est la version 2.1 dans la branche v2 .

La phase suivante de développement a commencé mi-2024 et a été publiée en octobre 2024. La commande version renvoie désormais 3.x « JAZZ ».

Vous pouvez toujours effectuer une extraction de la branche v2 précédente si vous devez exécuter l'une de ces commandes. Faites-le-nous savoir afin que nous puissions étudier la réintégration des commandes manquantes.
Suppression de nombreuses commandes anciennes et non maintenues.
De nombreuses optimisations de performances, aussi bien lors de l'entraînement que lors de l'inférence.
L'API C héritée a été modifiée ; les applications qui utilisent l'API Darknet d'origine nécessiteront des modifications mineures : https://darknetcv.ai/api/api.html
Nouvelle API Darknet V3 C et C++ : https://darknetcv.ai/api/api.html
Nouvelles applications et exemples de code dans src-examples : https://darknetcv.ai/api/files.html

Poids pré-entraînés MSCOCO

Plusieurs versions populaires de YOLO ont été pré-entraînées pour plus de commodité sur l'ensemble de données MSCOCO. Cet ensemble de données contient 80 classes, visibles dans le fichier texte cfg/coco.names .

Il existe plusieurs autres ensembles de données plus simples et poids pré-entraînés disponibles pour tester Darknet/YOLO, tels que LEGO Gears et Rolodex. Consultez la FAQ Darknet/YOLO pour plus de détails.

Les poids pré-entraînés MSCOCO peuvent être téléchargés à partir de plusieurs emplacements différents et sont également disponibles en téléchargement à partir de ce dépôt :

YOLOv2, novembre 2016

YOLOv2-minuscule
YOLOv2-complet

YOLOv3, mai 2018

YOLOv3-minuscule
YOLOv3-complet

YOLOv4, mai 2020

YOLOv4-minuscule
YOLOv4-complet

YOLOv7, août 2022

YOLOv7-minuscule
YOLOv7-complet

Les poids pré-entraînés MSCOCO sont fournis à des fins de démonstration uniquement. Les fichiers .cfg et .names correspondants pour MSCOCO se trouvent dans le répertoire cfg. Exemples de commandes :

 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.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi

Notez que les gens sont censés former leurs propres réseaux. MSCOCO est normalement utilisé pour confirmer que tout fonctionne correctement.

Bâtiment

Les différentes méthodes de construction disponibles dans le passé (avant 2023) ont été fusionnées en une seule solution unifiée. Darknet nécessite C++ 17 ou version ultérieure, OpenCV et utilise CMake pour générer les fichiers de projet nécessaires.

Vous n'avez pas besoin de connaître le C++ pour créer, installer ou exécuter Darknet/YOLO, de la même manière que vous n'avez pas besoin d'être mécanicien pour conduire une voiture.

Google Colab
Linux
Fenêtres

Méfiez-vous si vous suivez d'anciens didacticiels avec des étapes de construction plus compliquées, ou si vous construisez des étapes qui ne correspondent pas à ce qui est contenu dans ce fichier Lisez-moi. Les nouvelles étapes de construction décrites ci-dessous ont commencé en août 2023.

Les développeurs de logiciels sont encouragés à visiter https://darknetcv.ai/ pour obtenir des informations sur les composants internes du framework de détection d'objets Darknet/YOLO.

Google Colab

Les instructions de Google Colab sont les mêmes que celles de Linux. Plusieurs notebooks Jupyter sont disponibles montrant comment effectuer certaines tâches, comme la formation d'un nouveau réseau.

Consultez les notebooks dans le sous-répertoire colab et/ou suivez les instructions Linux ci-dessous.

Méthode Linux CMake

Tutoriel de construction Darknet pour Linux

Facultatif : si vous disposez d'un GPU NVIDIA moderne, vous pouvez installer soit CUDA, soit CUDA+cuDNN à ce stade. S'il est installé, Darknet utilisera votre GPU pour accélérer le traitement des images (et des vidéos).

Vous devez supprimer le fichier CMakeCache.txt de votre répertoire build Darknet pour forcer CMake à retrouver tous les fichiers nécessaires.
N'oubliez pas de reconstruire Darknet.
Darknet peut fonctionner sans lui, mais si vous souhaitez former un réseau personnalisé, CUDA ou CUDA+cuDNN est requis .
Visitez https://developer.nvidia.com/cuda-downloads pour télécharger et installer CUDA.
Visitez https://developer.nvidia.com/rdp/cudnn-download ou https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview pour télécharger et installez cuDNN.
Une fois que vous avez installé CUDA, assurez-vous de pouvoir exécuter nvcc et nvidia-smi . Vous devrez peut-être modifier votre variable PATH .
Si vous installez CUDA ou CUDA+cuDNN ultérieurement, ou si vous effectuez une mise à niveau vers une version plus récente du logiciel NVIDIA :

Ces instructions supposent (mais ne nécessitent pas !) un système exécutant Ubuntu 22.04. Adaptez-le si nécessaire si vous utilisez une distribution différente.

 sudo apt-get install build-essential git libopencv-dev cmake
mkdir ~/srccd ~/src
git clone https://github.com/hank-ai/darknetcd darknet
mkdir buildcd construire
cmake -DCMAKE_BUILD_TYPE=Libérer ..
créer le paquet -j4
sudo dpkg -i darknet-<INSERT-VERSION-YOU-BUILT-HERE>.deb

Si vous utilisez une ancienne version de CMake , vous devrez mettre à niveau CMake avant de pouvoir exécuter la commande cmake ci-dessus. La mise à niveau de CMake sur Ubuntu peut être effectuée avec les commandes suivantes :

 sudo apt-get purge cmake
sudo snap install cmake --classic

Si vous utilisez bash comme shell de commande, vous souhaiterez redémarrer votre shell à ce stade. Si vous utilisez fish , il doit immédiatement suivre le nouveau chemin.

Utilisateurs avancés :
Si vous souhaitez créer un fichier d'installation RPM au lieu d'un fichier DEB, consultez les lignes pertinentes dans CM_package.cmake . Avant d'exécuter make -j4 package vous devrez modifier ces deux lignes :

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

Pour les distributions telles que Centos et OpenSUSE, vous devrez changer ces deux lignes dans CM_package.cmake pour qu'elles soient :

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

Pour installer le package d'installation une fois sa construction terminée, utilisez le gestionnaire de packages habituel de votre distribution. Par exemple, sur les systèmes basés sur Debian tels qu'Ubuntu :

 sudo dpkg -i darknet-2.0.1-Linux.deb

L'installation du package .deb copiera les fichiers suivants :

/usr/bin/darknet est l'exécutable Darknet habituel. Exécutez darknet version à partir de la CLI pour confirmer qu'elle est correctement installée.
/usr/include/darknet.h est l'API Darknet pour les développeurs C, C++ et Python.
/usr/include/darknet_version.h contient des informations de version pour les développeurs.
/usr/lib/libdarknet.so est la bibliothèque avec laquelle établir des liens pour les développeurs C, C++ et Python.
/opt/darknet/cfg/... est l'endroit où tous les modèles .cfg sont stockés.

Vous avez maintenant terminé ! Darknet a été construit et installé dans /usr/bin/ . Exécutez ceci pour tester : darknet version .

Si vous n'avez pas /usr/bin/darknet alors cela signifie que vous ne l'avez pas installé, vous l'avez seulement construit ! Assurez-vous d'installer le fichier .deb ou .rpm comme décrit ci-dessus.

Méthode Windows CMake

Ces instructions supposent une toute nouvelle installation de Windows 11 22H2.

Ouvrez une fenêtre d'invite de commande cmd.exe normale et exécutez les commandes suivantes :

 Winget installe Git.Git
Winget installe Kitware.CMake
Winget installe nsis.nsis
Winget installe Microsoft.VisualStudio.2022.Community

À ce stade, nous devons modifier l'installation de Visual Studio pour inclure la prise en charge des applications C++ :

cliquez sur le menu "Démarrer de Windows" et exécutez "Visual Studio Installer"
cliquez sur Modify
sélectionnez Desktop Development With C++
cliquez sur Modify dans le coin inférieur droit, puis cliquez sur Yes Une fois que tout est téléchargé et installé, cliquez à nouveau sur le menu « Démarrer de Windows » et sélectionnez Developer Command Prompt for VS 2022 . N'utilisez pas PowerShell pour ces étapes, vous rencontrerez des problèmes !

Utilisateurs avancés :
Au lieu d'exécuter l' Developer Command Prompt , vous pouvez utiliser une invite de commande normale ou ssh sur l'appareil et exécuter manuellement "Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat" .

Beaucoup de gens font la même erreur et pensent pouvoir sauter l’étape précédente. Ne sautez pas cette étape ! N'utilisez pas d'invite de commande normale ni PowerShell ! Relisez les étapes ci-dessus pour voir quel type de fenêtre vous devez utiliser. Chaque fois que vous souhaitez utiliser Visual Studio à partir de l'invite de commande pour compiler du code C++, vous devez utiliser l'invite de commande du développeur Visual Studio comme décrit ci-dessus.

Une fois l' invite de commande du développeur exécutée comme décrit ci-dessus, exécutez les commandes suivantes pour installer Microsoft VCPKG, qui sera ensuite utilisé pour créer OpenCV :

 cd c:mkdir c:srccd c:src
clone git https://github.com/microsoft/vcpkgcd vcpkg
bootstrap-vcpkg.bat
.vcpkg.exe installation intégrée
.vcpkg.exe intègre PowerShell.vcpkg.exe installe opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows

Soyez patient lors de cette dernière étape car son exécution peut prendre beaucoup de temps. Il doit télécharger et construire beaucoup de choses.

Utilisateurs avancés :
Notez qu'il existe de nombreux autres modules facultatifs que vous souhaiterez peut-être ajouter lors de la création d'OpenCV. Exécutez .vcpkg.exe search opencv pour voir la liste complète.

Facultatif : si vous disposez d'un GPU NVIDIA moderne, vous pouvez installer soit CUDA, soit CUDA+cuDNN à ce stade. S'il est installé, Darknet utilisera votre GPU pour accélérer le traitement des images (et des vidéos).

Vous devez supprimer le fichier CMakeCache.txt de votre répertoire build Darknet pour forcer CMake à retrouver tous les fichiers nécessaires.
N'oubliez pas de reconstruire Darknet.
Darknet peut fonctionner sans lui, mais si vous souhaitez former un réseau personnalisé, CUDA ou CUDA+cuDNN est requis .
Visitez https://developer.nvidia.com/cuda-downloads pour télécharger et installer CUDA.
Visitez https://developer.nvidia.com/rdp/cudnn-download ou https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows pour télécharger et installer cuDNN.
Une fois que vous avez installé CUDA, assurez-vous de pouvoir exécuter nvcc.exe et nvidia-smi.exe . Vous devrez peut-être modifier votre variable PATH .
Une fois que vous avez téléchargé cuDNN, décompressez et copiez les répertoires bin, include et lib dans C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/ . Vous devrez peut-être écraser certains fichiers.
Si vous installez CUDA ou CUDA+cuDNN ultérieurement, ou si vous effectuez une mise à niveau vers une version plus récente du logiciel NVIDIA :
CUDA doit être installé après Visual Studio. Si vous mettez à niveau Visual Studio, n'oubliez pas de réinstaller CUDA.

Une fois toutes les étapes précédentes terminées avec succès, vous devez cloner Darknet et le construire. Au cours de cette étape, nous devons également indiquer à CMake où se trouve vcpkg afin qu'il puisse trouver OpenCV et d'autres dépendances :

 cdc:src
git clone https://github.com/hank-ai/darknet.gitcd darknetmkdir buildcd build
cmake -DCMAKE_BUILD_TYPE=Version -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=Release PACKAGE.vcxproj

Si vous obtenez une erreur concernant certaines DLL CUDA ou cuDNN manquantes telles que cublas64_12.dll , copiez manuellement les fichiers CUDA .dll dans le même répertoire de sortie que Darknet.exe . Par exemple:

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

(C'est un exemple ! Vérifiez la version que vous utilisez et exécutez la commande appropriée à ce que vous avez installé.)

Une fois les fichiers copiés, réexécutez la dernière commande msbuild.exe pour générer le package d'installation NSIS :

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

Utilisateurs avancés :
Notez que la sortie de la commande cmake est un fichier de solution Visual Studio normal, Darknet.sln . Si vous êtes un développeur de logiciels qui utilise régulièrement l'interface graphique de Visual Studio au lieu de msbuild.exe pour créer des projets, vous pouvez ignorer la ligne de commande et charger le projet Darknet dans Visual Studio.

Vous devriez maintenant avoir ce fichier que vous pouvez exécuter : C:srcDarknetbuildsrc-cliReleasedarknet.exe . Exécutez ceci pour tester : C:srcDarknetbuildsrc-cliReleasedarknet.exe --version .

Pour installer correctement Darknet, les bibliothèques, les fichiers d'inclusion et les DLL nécessaires, exécutez l'assistant d'installation NSIS créé à la dernière étape. Voir le fichier darknet-<INSERT-VERSION-YOU-BUILT-HERE>-win64.exe dans le répertoire build . Par exemple:

 darknet-<INSERT-VERSION-YOU-BUILT-HERE>-win64.exe

L'installation du package d'installation NSIS :

Créez un répertoire appelé Darknet , tel que C:Program FilesDarknet .
Installez l'application CLI, darknet.exe et d'autres exemples d'applications.
Installez les fichiers .dll tiers requis, tels que ceux d'OpenCV.
Installez les fichiers Darknet .dll , .lib et .h nécessaires pour utiliser darknet.dll à partir d'une autre application.
Installez les fichiers modèles .cfg .

Vous avez maintenant terminé ! Une fois l'assistant d'installation terminé, Darknet aura été installé dans C:Program FilesDarknet . Exécutez ceci pour tester : C:Program FilesDarknetbindarknet.exe version .

Si vous n'avez pas C:/Program Files/darknet/bin/darknet.exe , cela signifie que vous ne l'avez pas installé, vous l'avez seulement construit ! Assurez-vous de parcourir chaque panneau de l'assistant d'installation NSIS à l'étape précédente.

Utiliser le Darknet

CLI

Ce qui suit n'est pas la liste complète de toutes les commandes prises en charge par Darknet.

En plus de la CLI Darknet, notez également la CLI du projet DarkHelp qui fournit une CLI alternative à Darknet/YOLO. La CLI DarkHelp possède également plusieurs fonctionnalités avancées qui ne sont pas disponibles directement dans Darknet. Vous pouvez utiliser à la fois la CLI Darknet et la CLI DarkHelp ensemble, elles ne s'excluent pas mutuellement.

Pour la plupart des commandes présentées ci-dessous, vous aurez besoin du fichier .weights avec les fichiers .names et .cfg correspondants. Vous pouvez soit former votre propre réseau (fortement recommandé !), soit télécharger un réseau neuronal que quelqu'un a déjà formé et mis à disposition gratuitement sur Internet. Voici des exemples d'ensembles de données pré-entraînés :

LEGO Gears (trouver des objets dans une image)
Rolodex (trouver du texte dans une image)
MSCOCO (détection d'objets standard de classe 80)

Les commandes à exécuter incluent :

Répertoriez quelques commandes et options possibles à exécuter :

darknet help

Vérifiez la version :

darknet version

Prédire à l'aide d'une image :

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

Coordonnées de sortie :

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

Travailler avec des vidéos :

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

Lecture depuis une webcam :

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

Enregistrez les résultats dans une vidéo :

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

Exécuté sur un GPU spécifique :

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

Pour vérifier l'exactitude du réseau neuronal :

 Carte du détecteur Darknet Driving.data Driving.cfg Driving_best.weights
...
  Id Nom AvgPrecision TP FN FP TN Précision ErrorRate Précision Rappel Spécificité FalsePosRate
  -- ---- ------------ ------ ------ ------ ------ -------- --------- --------- ------ ----------- ------------
   0 véhicule 91,2495 32648 3903 5826 65129 0,9095 0,0905 0,8486 0,8932 0,9179 0,0821
   1 moto 80.4499 2936 513 569 5393 0,8850 0,1150 0,8377 0,8513 0,9046 0,0954
   2 vélos 89,0912 570 124 104 3548 0,9475 0,0525 0,8457 0,8213 0,9715 0,0285
   3 personnes 76,7937 7072 1727 2574 27523 0,8894 0,1106 0,7332 0,8037 0,9145 0,0855
   4 nombreux véhicules 64,3089 1068 509 733 11288 0,9087 0,0913 0,5930 0,6772 0,9390 0,0610
   5 feu vert 86,8118 1969 239 510 4116 0,8904 0,1096 0,7943 0,8918 0,8898 0,1102
   6 lumière jaune 82,0390 126 38 30 1239 0,9525 0,0475 0,8077 0,7683 0,9764 0,0236
   7 feu rouge 94.1033 3449 217 451 4643 0.9237 0.0763 0.8844 0.9408 0.9115 0.0885

Pour vérifier l'exactitude mAP@IoU=75 :

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

Il est préférable de recalculer les ancres dans DarkMark, car il s'exécutera 100 fois consécutives et sélectionnera les meilleures ancres parmi toutes celles qui ont été calculées. Mais si vous souhaitez exécuter l’ancienne version dans Darknet :

 détecteur darknet calc_anchors animaux.data -num_of_clusters 6 -largeur 320 -hauteur 256

Former un nouveau réseau :

darknet detector -map -dont_show train animals.data animals.cfg (voir également la section formation ci-dessous)

Entraînement

Liens rapides vers les sections pertinentes de la FAQ Darknet/YOLO :

Comment dois-je configurer mes fichiers et répertoires ?
Quel fichier de configuration dois-je utiliser ?
Quelle commande dois-je utiliser lors de la formation de mon propre réseau ?

Le moyen le plus simple d’annoter et de s’entraîner consiste à utiliser DarkMark pour créer tous les fichiers Darknet nécessaires. C'est certainement la méthode recommandée pour former un nouveau réseau neuronal.

Si vous préférez configurer manuellement les différents fichiers pour entraîner un réseau personnalisé :

Créez un nouveau dossier dans lequel les fichiers seront stockés. Pour cet exemple, un réseau de neurones sera créé pour détecter les animaux, donc le répertoire suivant est créé : ~/nn/animals/ .
Copiez l'un des fichiers de configuration Darknet que vous souhaitez utiliser comme modèle. Par exemple, consultez cfg/yolov4-tiny.cfg . Placez-le dans le dossier que vous avez créé. Pour cet exemple, nous avons maintenant ~/nn/animals/animals.cfg .
Créez un fichier texte animals.names dans le même dossier où vous avez placé le fichier de configuration. Pour cet exemple, nous avons maintenant ~/nn/animals/animals.names .
Modifiez le fichier animals.names avec votre éditeur de texte. Listez les classes que vous souhaitez utiliser. Vous devez avoir exactement 1 entrée par ligne, sans lignes vides ni commentaires. Pour cet exemple, le fichier .names contiendra exactement 4 lignes :

 chien
chat
oiseau
cheval

Créez un fichier texte animals.data dans le même dossier. Pour cet exemple, le fichier .data contiendra :

 cours = 4
train = /home/username/nn/animals/animals_train.txt
valide = /home/username/nn/animals/animals_valid.txt
noms = /home/username/nn/animaux/animaux.names
sauvegarde = /home/nom d'utilisateur/nn/animaux

Créez un dossier dans lequel vous stockerez vos images et annotations. Par exemple, cela pourrait être ~/nn/animals/dataset . Chaque image aura besoin d'un fichier .txt correspondant qui décrit les annotations pour cette image. Le format des fichiers d'annotations .txt est très spécifique. Vous ne pouvez pas créer ces fichiers manuellement puisque chaque annotation doit contenir les coordonnées exactes de l'annotation. Consultez DarkMark ou un autre logiciel similaire pour annoter vos images. Le format d'annotation YOLO est décrit dans la FAQ Darknet/YOLO.
Créez les fichiers texte « train » et « valide » nommés dans le fichier .data . Ces deux fichiers texte doivent répertorier individuellement toutes les images que Darknet doit utiliser pour l'entraînement et pour la validation lors du calcul du mAP%. Exactement une image par ligne. Le chemin et les noms de fichiers peuvent être relatifs ou absolus.
Modifiez votre fichier .cfg avec un éditeur de texte.

Assurez-vous que batch=64 .
Notez les subdivisions. En fonction des dimensions du réseau et de la quantité de mémoire disponible sur votre GPU, vous devrez peut-être augmenter les subdivisions. La meilleure valeur à utiliser est 1 , alors commencez par cela. Consultez la FAQ Darknet/YOLO si 1 ne fonctionne pas pour vous.
Notez max_batches=... . Une bonne valeur à utiliser au début est de 2000 x le nombre de classes. Pour cet exemple, nous avons 4 animaux, donc 4 * 2000 = 8000. Cela signifie que nous utiliserons max_batches=8000 .
Notez steps=... . Cela doit être défini sur 80 % et 90 % de max_batches . Pour cet exemple, nous utiliserions steps=6400,7200 puisque max_batches a été défini sur 8000.
Notez width=... et height=... . Ce sont les dimensions du réseau. La FAQ Darknet/YOLO explique comment calculer la meilleure taille à utiliser.
Recherchez toutes les instances de la ligne classes=... et modifiez-la avec le nombre de classes dans votre fichier .names . Pour cet exemple, nous utiliserions classes=4 .
Recherchez toutes les instances de la ligne filters=... dans la section [convolutional] avant chaque section [yolo] . La valeur à utiliser est (number_of_classes + 5) * 3. Cela signifie pour cet exemple, (4 + 5) * 3 = 27. Nous utiliserions donc filters=27 sur les lignes appropriées.

Commencez à vous entraîner ! Exécutez les commandes suivantes :

 cd ~/nn/animaux/
détecteur darknet -map -dont_show train animaux.data animaux.cfg

Sois patient. Les meilleurs poids seront enregistrés sous le nom animals_best.weights . Et la progression de la formation peut être observée en visualisant le fichier chart.png . Consultez la FAQ Darknet/YOLO pour connaître les paramètres supplémentaires que vous souhaiterez peut-être utiliser lors de la formation d'un nouveau réseau.

Si vous souhaitez voir plus de détails pendant l'entraînement, ajoutez le paramètre --verbose . Par exemple:

 détecteur darknet -map -dont_show --verbose train animaux.data animaux.cfg

Autres outils et liens

Pour gérer vos projets Darknet/YOLO, annoter des images, vérifier vos annotations et générer les fichiers nécessaires pour vous entraîner avec Darknet, voir DarkMark.
Pour une CLI alternative robuste à Darknet, pour utiliser la mosaïque d'images, pour le suivi d'objets dans vos vidéos ou pour une API C++ robuste qui peut facilement être utilisée dans des applications commerciales, consultez DarkHelp.
Vérifiez si la FAQ Darknet/YOLO peut vous aider à répondre à vos questions.
Voir les nombreux tutoriels et exemples de vidéos sur la chaîne YouTube de Stéphane
Si vous avez une question d'assistance ou souhaitez discuter avec d'autres utilisateurs de Darknet/YOLO, rejoignez le serveur Discord Darknet/YOLO.

Feuille de route

Dernière mise à jour le 02/11/2024 :

Complété

Objectifs à court terme

remplacez printf() par std::cout (en cours)
examinez l'ancien support de caméra Zed
analyse de ligne de commande meilleure et plus cohérente (en cours)

Objectifs à moyen terme

supprimez tout le code char* et remplacez-le par std::string
ne cachez pas les avertissements et nettoyez les avertissements du compilateur (en cours)
meilleure utilisation de cv::Mat au lieu de la structure image personnalisée en C (en cours)
remplacez l'ancienne fonctionnalité list par std::vector ou std::list
correction de la prise en charge des images en niveaux de gris à 1 canal
ajouter la prise en charge des images à canal N où N > 3 (par exemple, images avec une profondeur supplémentaire ou un canal thermique)
nettoyage du code en cours (en cours)