UniGetUI
UniGetUI
UniGetUI (anciennement WingetUI)
L'éditeur de Downcodes vous présente UniGetUI, une interface graphique intuitive créée pour les utilisateurs de Windows 10 et 11, conçue pour simplifier l'utilisation des gestionnaires de packages CLI courants, tels que WinGet, Scoop, Chocolatey, Pip, Npm, .NET Tool et PowerShell Gallery. .
Fonctions UniGetUI
Avec UniGetUI, vous pouvez facilement télécharger, installer, mettre à jour et désinstaller les logiciels publiés sur tous les gestionnaires de packages pris en charge et bien plus encore !
Gestionnaires de packages pris en charge par UniGetUI
Veuillez consulter le « Tableau des gestionnaires de packages pris en charge » pour plus de détails !
Clause de non-responsabilité
Le projet UniGetUI n'a aucun lien avec les gestionnaires de packages pris en charge et n'est absolument pas officiel. Veuillez noter que Downcodes, le développeur d'UniGetUI, n'est pas responsable des logiciels téléchargés. A utiliser avec prudence !
Avis
Le site officiel d'UniGetUI est https://www.marticliment.com/unigetui/. Tout autre site Web doit être considéré comme non officiel, quoi qu’il en dise. En particulier, wingetui.com n'est pas le site officiel d'UniGetUI (anciennement WingetUI).
Soutenir les développeurs
Votre soutien est vital pour le développement continu d'UniGetUI et est profondément apprécié par les éditeurs de Downcodes. Merci!
Table des matières
1.Installation
Il existe plusieurs façons d'installer UniGetUI, veuillez choisir votre méthode d'installation préférée !
* Installation du Microsoft Store (recommandé)
Cliquez ici pour télécharger le programme d'installation d'UniGetUI.
* Installer via Winget
`bash
Winget install --exact --id MartiCliment.UniGetUI --source Winget
`
* Installé via Scoop
Remarque : Il existe actuellement un problème avec le package Scoop d'UniGetUI. Veuillez ne pas encore installer UniGetUI via Scoop.
`bash
# rem Le package scoop UniGetUI actuel est cassé. Veuillez ne pas installer UniGetUI via scoop pour le moment.
# rem scoop bucket ajouter des extras
# rem scoop installer les extras/wingetui
`
* Installé via Chocolatey
`bash
choco installer wingetui
`
2. Mettre à jour UniGetUI
UniGetUI dispose d'une fonctionnalité de mise à jour automatique intégrée. Cependant, vous pouvez également le mettre à jour comme n'importe quel autre package dans UniGetUI (puisque UniGetUI est disponible via Winget et Scoop).
3. Fonction
* Gestionnaires de paquets pris en charge
Remarque : tous les gestionnaires de packages prennent en charge les processus d'installation, de mise à jour et de désinstallation de base, ainsi que la vérification des mises à jour, la recherche de nouveaux packages et la récupération des détails des packages.
| Gestionnaire de packages | Description du support |
|---|---|---|
|Gagner |
|
| Chocolaté ✅ |
|
|
| Outil .NET ✅ |
| Galerie PowerShell |
illustrer:
1. Certains packages ne prennent pas en charge l'installation dans des emplacements ou des étendues personnalisés et ignoreront ce paramètre.
2. Bien que le gestionnaire de packages ne prenne pas en charge les versions préliminaires, certains packages peuvent être copiés et l'une des copies en est une version bêta.
3. Certains installateurs n'ont pas d'interface graphique et ignoreront l'indicateur interactif.
* Traduire UniGetUI dans d'autres langues
Pour traduire UniGetUI dans d'autres langues ou mettre à jour d'anciennes traductions, consultez le wiki UniGetUI pour plus d'informations.
* Langues actuellement prises en charge
*Mise à jour : mar 29 octobre 2024 00:13:19
4. Cotisation
UniGetUI ne serait pas possible sans l'aide de nos chers contributeurs. De la personne qui a corrigé la faute de frappe à la personne qui a amélioré la moitié du code, UniGetUI ne pourrait pas se passer de leurs contributions !
Contributeurs :
*…
5. Capture d'écran
*…
6. Questions fréquemment posées
* Je ne parviens pas à installer ou à mettre à niveau un package Winget spécifique ! que dois-je faire?
Cela peut être un problème avec Winget plutôt qu'UniGetUI. Veuillez vérifier si le package peut être installé/mis à niveau via PowerShell ou une invite de commande à l'aide de la commande Winget Upgrade ou Winget Install (le cas échéant, par exemple : Winget Upgrade --id Microsoft.PowerToys). Si cela ne fonctionne pas, pensez à demander de l'aide sur la page du projet Winget.
* Le nom du package est tronqué par des points de suspension - comment afficher son nom/ID complet ?
Il s'agit d'une limitation connue de Winget. Consultez ce problème pour plus de détails : microsoft/winget-cli#2603.
* Mon logiciel antivirus me dit qu'UniGetUI est un virus ! /Mon navigateur bloque le téléchargement d'UniGetUI !
Une raison courante pour laquelle les applications (c'est-à-dire les fichiers exécutables) sont bloquées et/ou détectées comme virus - même si elles ne contiennent pas de code malveillant, tel que UniGetUI - est que relativement peu de personnes les utilisent. Ajoutez à cela le fait que vous téléchargez probablement quelque chose qui a été récemment publié et, dans de nombreux cas, bloquer les applications inconnues est une bonne précaution contre les vrais logiciels malveillants. Étant donné qu'UniGetUI est open source et sûr à utiliser, veuillez ajouter l'application à la liste blanche dans les paramètres de votre logiciel antivirus/navigateur.
* Les sacs Winget/Scoop sont-ils sûrs ?
UniGetUI, Microsoft et Scoop ne sont pas responsables des packages disponibles en téléchargement, qui sont fournis par des tiers et pourraient théoriquement être cassés. Microsoft a mis en œuvre certaines vérifications sur les logiciels disponibles sur Winget pour réduire le risque de téléchargement de logiciels malveillants. Néanmoins, il est recommandé de télécharger uniquement des logiciels provenant d’éditeurs de confiance. Consultez le wiki pour plus d'informations !
7. Paramètres de ligne de commande
Voir ici pour une liste complète des paramètres.
8. Exemple
*…
9. Licence
Licence Apache-2.0
Cadre de détection d'objets Darknet et YOLO
Logo !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 dans le framework Darknet.
Découvrez comment Hank.ai aide la communauté Darknet/YOLO
Annonce du Darknet V3 "Jazz"
Consultez 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 est plus rapide et plus précis que les autres frameworks et versions YOLO.
Le framework est entièrement gratuit et open source. Vous pouvez intégrer Darknet/YOLO dans des projets et produits existants – y compris des produits commerciaux – sans licence ni frais.
Darknet V3 (« Jazz »), sorti en octobre 2024, peut exécuter avec précision des vidéos d'ensembles 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 prend 1 milliseconde ou moins pour être lue, redimensionnée et traitée. par Darknet/YOLO.
Si vous avez besoin d'aide ou souhaitez discuter de Darknet/YOLO, veuillez rejoindre le serveur Discord Darknet/YOLO : https://discord.gg/zSq8rtW
La version CPU de Darknet/YOLO peut fonctionner sur des appareils simples tels que le Raspberry Pi, des serveurs cloud et Colab, des ordinateurs de bureau, des ordinateurs portables et des équipements de formation haut de gamme. La version GPU de Darknet/YOLO nécessite le GPU compatible CUDA de NVIDIA.
Darknet/YOLO est connu pour fonctionner sous Linux, Windows et Mac. Consultez les instructions de construction ci-dessous.
Version Darknet
Les outils Darknet originaux écrits par Joseph Redmon en 2013-2017 n'avaient pas de numéro de version. Nous pensons qu'il s'agit de la version 0.x.
Le prochain référentiel Darknet populaire maintenu entre 2017 et 2021 par Alexey Bochkovskiy n'a pas non plus de numéro de version. Nous pensons qu'il s'agit de la version 1.x.
Le référentiel Darknet sponsorisé par Hank.ai et maintenu par Stéphane Charette à partir de 2023 est le premier à disposer d'une commande de version. De 2023 à fin 2024, il revient à la version 2.x « OAK ».
Le but est de se familiariser avec la base de code tout en brisant le moins de fonctionnalités existantes possible.
Réécriture des étapes de construction afin que nous disposions d'une manière unifiée de créer sous Windows et Linux à l'aide de CMake.
Convertissez la base de code pour utiliser un compilateur C++.
Améliorez chart.png pendant la formation.
Corrections de bugs et optimisations liées aux performances, principalement liées à la réduction du temps nécessaire à la formation du réseau.
La dernière branche de cette base de code est la version 2.1 dans la branche v2.
La prochaine phase de développement commence mi-2024 et sortira en octobre 2024. La commande version renvoie désormais 3.x "JAZZ".
Si vous devez exécuter l'une de ces commandes, vous pouvez toujours extraire la branche v2 précédente. Veuillez nous le faire savoir afin que nous puissions étudier l'ajout de commandes manquantes.
Suppression de nombreuses commandes anciennes et non maintenues.
De nombreuses optimisations de performances, tant lors de la formation que de l'inférence.
L'ancienne API C a été modifiée ; les applications utilisant l'API Darknet d'origine nécessitent 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
Pour plus de commodité, plusieurs versions populaires de YOLO sont pré-entraînées sur l'ensemble de données MSCOCO. Cet ensemble de données contient 80 catégories et peut être consulté 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. Pour plus d’informations, consultez la FAQ Darknet/YOLO.
Les poids pré-entraînés MSCOCO peuvent être téléchargés à partir d'un certain nombre d'emplacements différents et peuvent également être téléchargés à partir de ce référentiel :
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 uniquement destinés à des fins de démonstration. Les fichiers .cfg et .names correspondants pour MSCOCO se trouvent dans le répertoire cfg. Exemple de commande :
`bash
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 vidéo1. avi
`
Notez qu’il faut former son propre réseau. MSCOCO est généralement utilisé pour confirmer que tout fonctionne correctement.
Construire
Les différentes méthodes de construction disponibles dans le passé (avant 2023) ont été fusionnées en une solution unifiée. Darknet nécessite C++ 17 ou supérieur, OpenCV et l'utilisation de CMake pour générer les fichiers de projet nécessaires.
Vous n'avez pas plus besoin de connaître le C++ pour créer, installer ou exécuter Darknet/YOLO que vous n'avez besoin d'être mécanicien pour conduire une voiture.
Google Colab
Les instructions de Google Colab sont les mêmes que celles de Linux. Il existe plusieurs notebooks Jupyter montrant comment effectuer certaines tâches, telles que la formation d'un nouveau réseau.
Consultez le notebook dans le sous-répertoire colab ou suivez les instructions Linux ci-dessous.
Méthode Linux CMake
1. Installer les dépendances
`bash
sudo apt-get mise à jour
sudo apt-get install build-essential git libopencv-dev cmake
`
2. Clonez le référentiel Darknet
`bash
clone git https://github.com/hank-ai/darknet.git
`
3. Créez un répertoire de construction
`bash
cd darknet
mkdir construire
construction de CD
`
4. Utilisez CMake pour configurer la build
`bash
cmake -DCMAKEBUILDTYPE=Version ..
`
5. Créez le Darknet
`bash
faire -j4
`
6. Installez le Darknet
`bash
sudo make install
`
7. Testez le Darknet
`bash
version darknet
`
Méthodes Windows CMake
1. Installer les dépendances
`bash
Winget installe Git.Git
Winget installe Kitware.CMake
Winget installe nsis.nsis
Winget installe Microsoft.VisualStudio.2022.Community
`
2. Installez OpenCV
`bash
CDC:
mkdir C:src
CD C:src
clone git https://github.com/microsoft/vcpkg.git
cdvcpkg
bootstrap-vcpkg.bat
.vcpkg.exe installation intégrée
.vcpkg.exe intègre PowerShell
.vcpkg.exe installer opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows
`
3. Clonez le référentiel Darknet
`bash
CD C:src
clone git https://github.com/hank-ai/darknet.git
`
4. Créez un répertoire de construction
`bash
cd darknet
mkdir construire
construction de CD
`
5. Utilisez CMake pour configurer la build
`bash
cmake -DCMAKEBUILDTYPE=Version -DCMAKETOOLCHAINFILE=C:srcvcpkgscriptsbuildsystemsvcpkg.cmake ..
`
6. Créez Darknet à l'aide de Visual Studio
`bash
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
`
7. Créer un package d'installation NSIS
`bash
msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj
`
8. Exécutez Darknet
`bash
Version C:srcdarknetbuildsrc-cliReleasedarknet.exe
`
Utiliser le Darknet
CLI
Ce qui suit n'est pas une 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. DarkHelp CLI possède également plusieurs fonctionnalités avancées introuvables dans Darknet. Vous pouvez utiliser Darknet CLI et DarkHelp CLI ensemble, ils ne s'excluent pas mutuellement.
Pour la plupart des commandes présentées ci-dessous, vous aurez besoin du fichier .weights et des fichiers .names et .cfg correspondants. Vous pouvez entraîner le réseau vous-même (fortement recommandé !) ou télécharger des réseaux de neurones que d'autres ont formés et sont disponibles gratuitement sur Internet. Voici des exemples d'ensembles de données de pré-formation :
LEGO Gears (trouver des objets dans les images)
Rolodex (trouver du texte dans l'image)
MSCOCO (détection d'objets standard de classe 80)
Les commandes à exécuter incluent :
Répertoriez quelques commandes et options possibles qui peuvent être exécutées :
aide sur le darknet
Vérifier la version :
version darknet
Utilisez des images pour faire des prédictions :
V2 : test du détecteur darknet cars.data cars.cfg cars_best.weights image1.jpg
V3 : darknet02displayannotatedimages cars.cfg image1.jpg
DarkHelp : DarkHelp cars.cfg cars.cfg cars_best.weights image1.jpg
Coordonnées de sortie :
V2 : test du détecteur darknet animal.data animaux.cfg animauxbest.weights -extoutput dog.jpg
V3 : darknet01inference_images animaux chien.jpg
DarkHelp : DarkHelp --json animaux.cfg animaux.names animaux_best.weights dog.jpg
Utiliser la vidéo :
V2 : démo du détecteur darknet animaux.data animaux.cfg animauxbest.weights -extoutput test.mp4
V3 : darknet03display_videos animaux.cfg test.mp4
DarkHelp : DarkHelp animaux.cfg animaux.names animaux_best.weights test.mp4
Lecture depuis la webcam :
V2 : démo du détecteur darknet animaux.data animaux.cfg animaux_best.weights -c 0
V3 : animaux darknet08display_webcam
Enregistrer les résultats dans une vidéo :
V2 : démo du détecteur darknet animaux.data animaux.cfg animauxbest.weights test.mp4 -outfilename res.avi
V3 : darknet05processvideosmultithreaded animaux.cfg animaux.noms animaux_best.weights test.mp4
DarkHelp : DarkHelp animaux.cfg animaux.names animaux_best.weights test.mp4
JSON :
V2 : démo du détecteur darknet animal.data animaux.cfg animauxbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput
V3 : darknet06imagestojson animaux image1.jpg
DarkHelp : DarkHelp --json animaux.names animaux.cfg animaux_best.weights image1.jpg
Exécuter sur un GPU spécifique :
V2 : démo du détecteur darknet animaux.data animaux.cfg animaux_best.weights -i 1 test.mp4
Vérifiez l'exactitude du réseau neuronal :
`bash
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
`
Vérifier la précision mAP@IoU=75 :
carte du détecteur darknet animaux.data animaux.cfg animauxbest.weights -iouthresh 0,75
Il est préférable de recalculer les points d'ancrage dans DarkMark, car il s'exécutera 100 fois de suite et sélectionnera le meilleur point d'ancrage parmi tous les points d'ancrage calculés. Cependant, si vous souhaitez exécuter une ancienne version dans Darknet :
détecteur darknet calcanchors animaux.data -numof_clusters 6 -largeur 320 -hauteur 256
Former un nouveau réseau :
darknet detector -map -dont_show train cats.data cats.cfg (voir aussi la section formation ci-dessous)
former
Liens rapides vers les sections pertinentes de la FAQ Darknet/YOLO :
Comment dois-je configurer mes fichiers et répertoires ?
Quel profil dois-je utiliser ?
Quelle commande devez-vous utiliser lors de la formation de votre propre réseau ?
Utiliser DarkMark pour créer tous les fichiers Darknet nécessaires est le moyen le plus simple d'annoter et de former. C'est certainement la méthode recommandée pour former de nouveaux réseaux de neurones.
Si vous souhaitez paramétrer manuellement les différents fichiers pour entraîner un réseau personnalisé :
1. Créez un nouveau dossier
Créez un nouveau dossier pour stocker les fichiers. Par exemple, vous allez créer un réseau de neurones pour détecter les animaux, créez donc le répertoire suivant : ~/nn/animals/.
2. Copiez le fichier de configuration
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. Par exemple, nous avons maintenant ~/nn/animals/animals.cfg.
3. Créez un fichier .names
Créez un fichier texte animaux.names dans le même dossier où vous placez le fichier de configuration. Par exemple, nous avons maintenant ~/nn/animals/animals.names.
4. Modifiez le fichier .names
Utilisez un éditeur de texte pour modifier le fichier animaux.names. Répertoriez les catégories que vous souhaitez utiliser. Il doit y avoir exactement une entrée par ligne, aucune ligne vide et aucun commentaire. Par exemple, le fichier .names contiendra exactement 4 lignes :
`
chien
chat
oiseau
cheval
`
5. Créez un fichier .data
Créez un fichier texte animaux.data dans le même dossier. Par exemple, un fichier .data contiendrait :
`
cours=4
train=/home/username/nn/animals/animals_train.txt
valid=/home/username/nn/animals/animals_valid.txt
noms=/home/username/nn/animaux/animaux.names
sauvegarde=/home/nom d'utilisateur/nn/animaux
`
6. Créez un dossier d'ensemble de données
Créez un dossier pour stocker vos images et annotations. Par exemple, cela pourrait être ~/nn/animals/dataset. Chaque image nécessite un fichier .txt correspondant qui décrit les annotations de cette image. Le format des fichiers de commentaires .txt est très spécifique. Vous ne pouvez pas créer ces fichiers manuellement car chaque annotation doit contenir les coordonnées précises de l'annotation. Découvrez DarkMark ou un autre logiciel similaire pour annoter vos images. Le format d'annotation YOLO est décrit dans la FAQ Darknet/YOLO.
7. Créer des fichiers « train » et « valide »
Créez des fichiers texte « train » et « valides » nommés dans le fichier .data. Ces deux fichiers texte doivent répertorier toutes les images que Darknet doit utiliser pour la formation et la validation lors du calcul de mAP%, respectivement. Exactement une image par ligne. Les chemins et les noms de fichiers peuvent être relatifs ou absolus.
8. Modifiez le fichier .cfg
Utilisez un éditeur de texte pour modifier votre fichier .cfg.
* Assurez-vous que lot = 64.
* Faites attention aux subdivisions. En fonction de la taille du réseau et de la quantité de mémoire disponible sur le GPU, vous devrez peut-être augmenter les subdivisions. La valeur optimale est 1, alors commencez par 1. Si 1 ne fonctionne pas pour vous, veuillez consulter la FAQ Darknet/YOLO.
Notez que maxbatches =…. Une bonne valeur pour commencer est 2 000 fois le nombre de catégories. Par exemple, nous avons 4 animaux, donc 4 2000 = 8000. Cela signifie que nous utiliserons maxbatches=8000.
* Notez les étapes =…. Cela doit être défini sur 80 % et 90 % des lots maximum. Par exemple, puisque maxbatches est défini sur 8000, nous utiliserons steps=6400,7200.
* Notez largeur=... et hauteur=.... Ce sont des dimensions de réseau. La FAQ Darknet/YOLO explique comment calculer la taille optimale à utiliser.
Dans la section [convolutionnelle] avant chaque section [yolo], recherchez toutes les instances des lignes classes=... et filters=.... La valeur à utiliser est (nombre de classes + 5) 3. Cela signifie que pour cet exemple, (4 + 5) * 3 = 27. Nous utiliserons donc filters=27 sur la ligne correspondante.
9. Commencez la formation
Exécutez la commande suivante :
`bash
cd ~/nn/animaux/
détecteur darknet -map -dont_show train animaux.data animaux.cfg
`
Sois patient. Les meilleurs poids seront enregistrés sous le nom animaux_best.weights. Vous pouvez observer la progression de la formation en consultant 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:
`bash
détecteur darknet -map -dont_show --verbose train animaux.data animaux.cfg
`
Autres outils et liens
Pour gérer votre projet Darknet/YOLO, annoter des images, valider vos annotations et générer les fichiers nécessaires à la formation avec Darknet, consultez DarkMark.
Pour une puissante alternative CLI à Darknet pour utiliser l'assemblage d'images, le suivi d'objets dans la vidéo ou l'utilisation d'une puissante API C++ qui peut être facilement utilisée dans des applications commerciales, consultez DarkHelp.
Consultez la FAQ Darknet/YOLO pour voir si elle peut vous aider à répondre à votre question.
Découvrez les nombreux tutoriels et exemples de vidéos sur la chaîne YouTube de Stéphane
Si vous avez des questions d'assistance ou souhaitez discuter avec d'autres utilisateurs de Darknet/YOLO, veuillez rejoindre le serveur Discord Darknet/YOLO.
Feuille de route
Dernière mise à jour le 2024-10-30 :
Complété
Remplacement de qsort() par std::sort() pendant la formation (certaines autres ambiguïtés existent toujours)
Supprimez check_mistakes, getchar() et system()
Convertir Darknet pour utiliser un compilateur C++ (g++ sous Linux, Visual Studio sous Windows)
Réparer la version de Windows
Correction de la prise en charge de Python
Créer une bibliothèque darknet
Réactiver les labels dans les prédictions (code "alphabet")
Réactiver le code CUDA/GPU
Réactiver CUDNN
Réactiver la moitié CUDNN
Ne codez pas en dur l'architecture CUDA
Meilleures informations sur la version CUDA
Réactiver AVX
Supprimer l'ancienne solution et Makefile
Rendre OpenCV non facultatif
Supprimer la dépendance à l'ancienne bibliothèque pthread
Supprimer le STB
Réécrivez CMakeLists.txt pour utiliser la nouvelle instrumentation CUDA
Suppression de l'ancien code "alphabet" et suppression de plus de 700 images dans les données/étiquettes
Construire en dehors du code source
Avoir une meilleure sortie du numéro de version
Optimisations des performances liées à la formation (tâches en cours)
Optimisations des performances liées à l'inférence (tâches en cours)
Utilisez des références par valeur autant que possible
Nettoyer les fichiers .hpp
Réécrire darknet.h
Ne convertissez pas cv::Mat en void, utilisez-le plutôt comme un objet C++ approprié
Corriger ou maintenir une utilisation cohérente des structures d'image internes
Correction de la version pour les appareils Jetson basés sur ARM
*Il est peu probable que les appareils Jetson d'origine soient réparés car ils ne sont plus pris en charge par NVIDIA (pas de compilateur C++17)
* Le nouvel appareil Jetson Orin est désormais en cours d'exécution
Correction de l'API Python dans la V3
* Besoin d'un meilleur support Python (y a-t-il des développeurs Python prêts à vous aider ?)
objectifs à court terme
Remplacez printf() par std::cout (travail en cours)
Enquêter sur l'ancien support de la caméra Zed
Analyse de ligne de commande meilleure et plus cohérente (travail en cours)
objectifs à moyen terme
Supprimez tous les codes de caractères et remplacez-les par std :: string
Ne cachez pas les avertissements et nettoyez les avertissements du compilateur (travail en cours)
Mieux vaut utiliser cv::Mat au lieu de structures d'images personnalisées en C (travail en cours)
Remplacez les anciennes fonctions de liste par std :: vector ou std :: list
Correction de la prise en charge des images en niveaux de gris à 1 canal
Ajoutez la prise en charge des images à canal N où N > 3 (par exemple, images avec une profondeur supplémentaire ou des canaux thermiques)
Nettoyage du code en cours (en cours)
objectifs à long terme
Résoudre les problèmes CUDA/CUDNN sur tous les GPU
Réécrire le code CUDA+cuDNN
Étudiez l’ajout de la prise en charge des GPU non NVIDIA
Boîte englobante pivotée, ou une sorte de support "d'angle"
points clés/squelette
Carte thermique (travail en cours)
segmentation
