utusan
1.32.1
Proksi edge/menengah/layanan cloud-native berkinerja tinggi
Envoy dihosting oleh Cloud Native Computing Foundation (CNCF). Jika Anda adalah perusahaan yang ingin membantu membentuk evolusi teknologi yang dikemas dalam container, terjadwal secara dinamis, dan berorientasi pada layanan mikro, pertimbangkan untuk bergabung dengan CNCF terlibat dan bagaimana Utusan berperan, baca pengumuman CNCF.
Dokumentasi
Catatan dari Downcodes Editor: Envoy memiliki dokumentasi lengkap, Anda dapat merujuk ke sumber berikut:
Dokumentasi resmi
Repositori GitHub
Terkait
Catatan editor Downcode: Envoy terkait erat dengan teknologi berikut:
Teknologi kontainer: Docker, Kubernetes
Jaring layanan: Istio, Linkerd
Arsitektur layanan mikro: gRPC, RESTful API
Kontak
Catatan dari editor Downcodes: Anda dapat menghubungi komunitas Utusan melalui saluran berikut:
milis
Saluran kendur
Berkontribusi
Catatan dari editor Downcodes: Jika Anda ingin menyumbangkan kode ke proyek Envoy, silakan lihat langkah-langkah berikut:
1. Biasakan diri Anda dengan basis kode: Baca kode sumber Envoy untuk memahami struktur dan desainnya.
2. Pilih tugas: Pilih tugas yang Anda minati di repositori GitHub.
3. Kirim kode: Ikuti spesifikasi gaya pengkodean Envoy dan kirimkan kode Anda.
Pertemuan Komunitas
Catatan Editor Downcode: Komunitas Utusan bertemu dua kali sebulan pada hari Selasa pukul 9 pagi Waktu Pasifik.
Google Kalender
notulen rapat
Catatan dari editor Downcodes: Setiap anggota komunitas dapat mengangkat suatu masalah dengan menambahkan masalah ke notulen rapat. Pengelola akan mengonfirmasi topik dalam waktu 24 jam, atau jika rapat tidak memiliki topik yang dikonfirmasi, rapat akan dibatalkan dalam waktu 24 jam sebelum waktu rapat.
Keamanan
Catatan dari editor Downcodes: Proyek Envoy sangat mementingkan masalah keamanan.
Audit Keamanan
Catatan dari editor Downcodes: Proyek Envoy telah menjalani beberapa audit keamanan pihak ketiga.
Melaporkan kerentanan keamanan
Catatan dari Downcodes Editor: Jika Anda menemukan kerentanan keamanan di proyek Envoy, kirimkan laporan kerentanan ke [email protected]. Kami akan mengirimkan email konfirmasi untuk mengonfirmasi laporan Anda, dan kami akan mengirimkan email tambahan setelah kami menentukan apakah masalahnya ada.
Catatan dari Downcodes Editor: Untuk informasi lebih lanjut, silakan lihat proses rilis aman kami secara lengkap.
Rilis
Catatan dari Downcodes Editor: Untuk detail tentang rilis versi Envoy, silakan lihat proses rilis kami.
Contoh
`
Lisensi Apache-2.0
Daftar isi
Kerangka Deteksi Objek Darknet dan YOLO
Dokumen
Informasi Umum
Versi Darknet
Anak Timbangan Terlatih MSCOCO
Bangunan
Google Kolab
Metode CMake Linux
Metode Windows CMake
Menggunakan Darknet
CLI
Pelatihan
Alat dan Tautan Lainnya
Peta jalan
Tujuan jangka pendek
Tujuan jangka menengah
Tujuan jangka panjang
Kerangka Deteksi Objek Darknet dan YOLO
!Logo Jaringan Gelap
!Logo Hank.ai
Catatan editor downcode: Darknet adalah kerangka jaringan saraf sumber terbuka yang ditulis dalam C, C++ dan CUDA.
Catatan editor Downcode: YOLO (You Only Look Once) adalah sistem deteksi target real-time canggih yang berjalan dalam kerangka Darknet.
Catatan dari Downcodes Editor: Pelajari lebih lanjut tentang bagaimana Hank.ai membantu komunitas Darknet/YOLO.
Catatan editor downcode: situs web Darknet/YOLO
Catatan Editor Downcode: FAQ Darknet/YOLO
Catatan Editor Downcode: Darknet/YOLO Discord Server
Dokumen
Catatan dari editor Downcodes: Berikut beberapa makalah tentang YOLO:
1. YOLOv7: Tautan kertas
2. Scaled-YOLOv4: Tautan kertas
3. YOLOv4: Tautan kertas
4. YOLOv3: Tautan kertas
Informasi Umum
Catatan editor downcode: Kerangka kerja Darknet/YOLO lebih cepat dan akurat dibandingkan kerangka kerja lain dan versi YOLO.
Catatan dari editor Downcodes: Kerangka kerja ini sepenuhnya gratis dan open source. Anda dapat mengintegrasikan Darknet/YOLO ke dalam proyek dan produk yang sudah ada, termasuk produk komersial, tanpa lisensi atau biaya.
Catatan Editor Downcode: Darknet V3 ("Jazz") yang dirilis pada Oktober 2024 dapat menjalankan video kumpulan data LEGO secara akurat hingga 1000 FPS, yang berarti setiap frame video dalam 1 milidetik saat menggunakan GPU NVIDIA RTX 3090 atau dibaca, diubah ukurannya, dan diproses oleh Darknet/YOLO dalam waktu lebih singkat.
Catatan dari editor Downcodes: Jika Anda memerlukan bantuan atau ingin berdiskusi tentang Darknet/YOLO, silakan bergabung dengan server Darknet/YOLO Discord: https://discord.gg/zSq8rtW
Catatan dari editor Downcodes: Versi CPU Darknet/YOLO dapat berjalan di perangkat sederhana seperti Raspberry Pi, server cloud dan server Colab, desktop, laptop, dan peralatan pelatihan kelas atas. Versi GPU Darknet/YOLO memerlukan GPU dengan dukungan NVIDIA CUDA.
Catatan dari editor Downcodes: Darknet/YOLO diketahui berjalan di Linux, Windows dan Mac. Lihat petunjuk pembuatan di bawah.
Versi Darknet
Catatan editor Downcode: Alat Darknet asli yang ditulis oleh Joseph Redmon pada 2013-2017 tidak memiliki nomor versi. Kami menganggap versi ini sebagai 0.x.
Catatan editor Downcode: Repositori Darknet populer berikutnya yang dikelola oleh Alexei Bochkovskiy dari 2017 hingga 2021 juga tidak memiliki nomor versi. Kami yakin versi ini adalah 1.x.
Catatan editor Downcode: Repositori Darknet disponsori oleh Hank.ai dan dikelola oleh Stéphane Charette mulai tahun 2023 adalah repositori pertama dengan perintah versi. Dari tahun 2023 hingga akhir tahun 2024, ia kembali ke versi 2.x "OAK".
Catatan dari editor Downcodes: Tujuannya adalah untuk meminimalkan gangguan fungsi yang ada sambil membiasakan diri dengan basis kode.
Catatan editor downcode: Menulis ulang langkah-langkah pembuatan sehingga kami memiliki cara terpadu untuk membangun di Windows dan Linux menggunakan CMake.
Catatan editor downcode: Konversikan basis kode untuk menggunakan kompiler C++.
Catatan editor downcode: chart.png ditingkatkan selama pelatihan.
Catatan dari editor Downcodes: Perbaikan bug dan pengoptimalan terkait kinerja terutama terkait dengan memperpendek waktu yang diperlukan untuk melatih jaringan.
Catatan dari editor Downcodes: Cabang terakhir dari basis kode ini adalah versi 2.1 di cabang v2.
Catatan Editor Downcodes: Tahap pengembangan selanjutnya dimulai pada pertengahan tahun 2024 dan akan dirilis pada bulan Oktober 2024. Perintah versi sekarang mengembalikan 3.x "JAZZ".
Catatan dari Downcodes Editor: Jika Anda perlu menjalankan salah satu perintah ini, Anda selalu dapat memeriksa cabang v2 sebelumnya. Harap beri tahu kami sehingga kami dapat menyelidiki penambahan kembali perintah yang hilang.
Catatan editor downcode: Menghapus banyak perintah lama dan tidak terawat.
Catatan editor downcode: Banyak pengoptimalan kinerja, termasuk pengoptimalan selama pelatihan dan inferensi.
Catatan editor downcode: C API lama telah dimodifikasi; aplikasi yang menggunakan Darknet API asli memerlukan beberapa modifikasi kecil: https://darknetcv.ai/api/api.html
Catatan dari editor Downcode: Darknet V3 C dan C++ API baru: https://darknetcv.ai/api/api.html
Catatan editor downcode: Aplikasi baru dan contoh kode dalam contoh src: https://darknetcv.ai/api/files.html
Anak Timbangan Terlatih MSCOCO
Catatan Editor Downcode: Untuk kenyamanan, beberapa versi YOLO populer telah dilatih sebelumnya agar sesuai dengan kumpulan data MSCOCO. Kumpulan data ini memiliki 80 kategori dan dapat dilihat pada file teks cfg/coco.names.
Catatan Editor Downcode: Ada beberapa kumpulan data sederhana dan bobot terlatih lainnya yang dapat digunakan untuk menguji Darknet/YOLO, seperti LEGO Gears dan Rolodex. Untuk informasi lebih lanjut, lihat FAQ Darknet/YOLO.
Catatan dari editor Downcodes: Anak timbangan terlatih MSCOCO dapat diunduh dari beberapa lokasi berbeda, atau dari repositori ini:
1.YOLOv2, November 2016:
*YOLOv2-kecil
*YOLOv2-penuh
2. YOLOv3, Mei 2018:
* YOLOv3-kecil
*YOLOv3-penuh
3. YOLOv4, Mei 2020:
* YOLOv4-kecil
*YOLOv4-penuh
4. YOLOv7, Agustus 2022:
* YOLOv7-kecil
*YOLOv7-penuh
Catatan dari editor Downcodes: Anak angkat beban MSCOCO yang telah dilatih sebelumnya hanya untuk tujuan demonstrasi. File .cfg dan .names yang sesuai untuk MSCOCO terletak di direktori cfg. Contoh perintah:
`
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
`
Catatan Editor Downcode: Harap dicatat bahwa orang harus melatih jaringan mereka sendiri. MSCOCO sering digunakan untuk memastikan bahwa semuanya berfungsi dengan baik.
Bangunan
Catatan Editor Downcode: Berbagai metode pembangunan dari masa lalu (sebelum 2023) telah digabungkan menjadi solusi terpadu. Darknet memerlukan C++17 atau lebih tinggi, OpenCV, dan menggunakan CMake untuk menghasilkan file proyek yang diperlukan.
Catatan Editor Downcode: Anda tidak perlu mengetahui C++ untuk membuat, menginstal, atau menjalankan Darknet/YOLO, sama seperti Anda tidak perlu menjadi mekanik untuk mengendarai mobil.
Google Kolab
Catatan dari editor Downcodes: Petunjuk untuk Google Colab sama dengan petunjuk untuk Linux. Ada beberapa notebook Jupyter yang tersedia yang memperlihatkan cara melakukan tugas tertentu, seperti melatih jaringan baru.
Catatan Editor Downcode: Lihat notebook di subdirektori colab, atau ikuti petunjuk Linux di bawah.
Metode CMake Linux
Catatan editor downcode: Tutorial pembuatan Linux Darknet
Catatan Editor Downcode: Opsional: Jika Anda memiliki GPU NVIDIA modern, Anda dapat menginstal CUDA atau CUDA+cuDNN saat ini. Jika dipasang, Darknet akan menggunakan GPU Anda untuk mempercepat pemrosesan gambar (dan video).
Catatan Editor Downcode: Anda harus menghapus file CMakeCache.txt dari direktori build Darknet untuk memaksa CMake menemukan kembali semua file yang diperlukan.
Catatan dari editor Downcodes: Harap ingat untuk membangun kembali Darknet.
Catatan editor downcode: Darknet dapat berjalan, tetapi jika Anda ingin melatih jaringan khusus, Anda memerlukan CUDA atau CUDA+cuDNN.
Catatan dari editor Downcodes: Kunjungi https://developer.nvidia.com/cuda-downloads untuk mengunduh dan menginstal CUDA.
Catatan dari editor Downcode: Kunjungi https://developer.nvidia.com/rdp/cudnn-download atau https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager- ikhtisar instalasi Unduh dan instal cuDNN.
Catatan dari editor Downcodes: Setelah menginstal CUDA, pastikan Anda dapat menjalankan nvcc dan nvidia-smi. Anda mungkin perlu mengubah variabel PATH.
Catatan dari editor Downcodes: Jika Anda menginstal CUDA atau CUDA+cuDNN nanti, atau meningkatkan ke versi perangkat lunak NVIDIA yang lebih baru:
Catatan dari Downcodes Editor: Petunjuk ini mengasumsikan (tetapi tidak memerlukan!) sistem yang menjalankan Ubuntu 22.04. Jika Anda menggunakan distribusi lain, sesuaikan sesuai kebutuhan.
' pesta
sudo apt-get install build-essential git libopencv-dev cmake
mkdir ~/srccd ~/src
git clone https://github.com/hank-ai/darknetcd darknet
mkdir buildcd build
cmake -DCMAKEBUILDTYPE=Lepaskan ..
buat paket -j4
sudo dpkg -i darknet-VERSION.deb
`
Catatan dari editor Downcodes: Jika Anda menggunakan CMake versi lama, Anda perlu memutakhirkan CMake sebelum menjalankan perintah cmake di atas. Upgrade CMake di Ubuntu dapat dilakukan dengan perintah berikut:
' pesta
sudo apt-get purge cmakesudo snap install cmake --classic
`
Catatan Editor Downcode: Jika Anda menggunakan bash sebagai shell perintah, Anda perlu me-restart shell Anda di sini. Jika Anda menggunakan ikan, ia harus segera mengambil jalur baru.
Catatan editor downcode: Pengguna tingkat lanjut:
Catatan editor Downcode: Jika Anda ingin membuat file instalasi RPM dan bukan file DEB, silakan lihat baris yang relevan di CM_package.cmake. Sebelum menjalankan paket make -j4 Anda perlu mengedit dua baris ini:
`
SET (CPACKGENERATOR "DEB")# SET (CPACKGENERATOR "RPM")
`
Catatan dari editor Downcodes: Untuk distribusi seperti Centos dan OpenSUSE, Anda perlu mengubah dua baris ini di CM_package.cmake menjadi:
`
SET (CPACKGENERATOR "DEB")SET (CPACKGENERATOR "RPM")
`
Catatan Editor Downcode: Untuk menginstal paket instalasi, setelah selesai dibuat, gunakan manajer paket distribusi Anda yang biasa. Misalnya pada sistem berbasis Debian seperti Ubuntu:
' pesta
sudo dpkg -i darknet-2.0.1-Linux.deb
`
Catatan dari editor Downcodes: Menginstal paket .deb akan menyalin file berikut:
/usr/bin/darknet adalah Darknet biasa yang dapat dieksekusi. Jalankan versi darknet dari CLI untuk mengonfirmasi bahwa versi tersebut telah diinstal dengan benar.
/usr/include/darknet.h adalah API Darknet, yang digunakan oleh pengembang C, C++, dan Python.
/usr/include/darknet_version.h berisi informasi versi pengembang.
/usr/lib/libdarknet.so adalah perpustakaan untuk ditautkan oleh pengembang C, C++ dan Python.
/opt/darknet/cfg/... adalah tempat semua templat .cfg disimpan.
Catatan dari Downcodes Editor: Anda sekarang sudah selesai! Darknet dibangun dan diinstal ke /usr/bin/. Jalankan perintah berikut untuk menguji: versi darknet.
Catatan editor downcode: Jika Anda tidak memiliki /usr/bin/darknet, berarti Anda tidak menginstalnya, Anda baru saja membuatnya! Pastikan Anda mengikuti langkah-langkah di atas untuk menginstal file .deb atau .rpm.
Metode Windows CMake
Catatan Editor Downcode: Petunjuk ini mengasumsikan instalasi baru Windows 11 22H2.
Catatan dari editor Downcodes: Buka jendela prompt perintah cmd.exe normal dan jalankan perintah berikut:
' pesta
dapatkan instal Git.Git
winget instal Kitware.CMake
winget instal nsis.nsis
winget instal Microsoft.VisualStudio.2022.Community
`
Catatan dari editor Downcodes: Pada titik ini, kita perlu memodifikasi instalasi Visual Studio untuk menyertakan dukungan untuk aplikasi C++:
1. Klik menu "Windows Start" dan jalankan "Visual Studio Setup".
2. Klik Sunting.
3. Pilih pengembangan desktop menggunakan C++.
4. Klik Edit di pojok kanan bawah, lalu klik Ya.
Catatan Editor Downcode: Setelah semuanya diunduh dan diinstal, klik lagi menu Start Windows dan pilih Prompt Perintah Pengembang untuk VS 2022. Jangan gunakan PowerShell untuk melakukan langkah-langkah ini atau masalah mungkin terjadi!
Catatan editor downcode: Pengguna tingkat lanjut:
Catatan Editor Downcode: Selain menjalankan prompt perintah pengembang, Anda juga dapat masuk ke perangkat menggunakan prompt perintah normal atau ssh dan secara manual menjalankan "Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat".
Catatan Editor Downcode: Setelah Anda menjalankan command prompt pengembang di atas (bukan PowerShell!), jalankan perintah berikut untuk menginstal Microsoft VCPKG, yang akan digunakan untuk membangun OpenCV:
' pesta
cd c:mkdir c:srccd c:src
git clone https://github.com/microsoft/vcpkgcd vcpkg
bootstrap-vcpkg.bat .vcpkg.exe mengintegrasikan instalasi
.vcpkg.exe mengintegrasikan PowerShell
.vcpkg.exe instal opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows
`
Catatan Editor Downcode: Harap bersabar dengan langkah terakhir ini karena mungkin memerlukan waktu lama untuk dijalankan. Ini memerlukan pengunduhan dan pembuatan banyak hal.
Catatan editor downcode: Pengguna tingkat lanjut:
Catatan Editor Downcode: Harap diperhatikan bahwa saat membuat OpenCV, Anda mungkin perlu menambahkan banyak modul opsional lainnya. Jalankan .vcpkg.exe search opencv untuk melihat daftar lengkapnya.
Catatan Editor Downcode: Opsional: Jika Anda memiliki GPU NVIDIA modern, Anda dapat menginstal CUDA atau CUDA+cuDNN saat ini. Jika dipasang, Darknet akan menggunakan GPU Anda untuk mempercepat pemrosesan gambar (dan video).
Catatan Editor Downcode: Anda harus menghapus file CMakeCache.txt dari direktori build Darknet untuk memaksa CMake menemukan kembali semua file yang diperlukan.
Catatan dari editor Downcodes: Harap ingat untuk membangun kembali Darknet.
Catatan editor downcode: Darknet dapat berjalan, tetapi jika Anda ingin melatih jaringan khusus, Anda memerlukan CUDA atau CUDA+cuDNN.
Catatan dari editor Downcodes: Kunjungi https://developer.nvidia.com/cuda-downloads untuk mengunduh dan menginstal CUDA.
Catatan dari editor Downcode: Kunjungi https://developer.nvidia.com/rdp/cudnn-download atau https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows untuk mengunduh dan instal cuDNN.
Catatan dari Downcodes Editor: Setelah menginstal CUDA, pastikan Anda dapat menjalankan nvcc.exe dan nvidia-smi.exe. Anda mungkin perlu mengubah variabel PATH.
Catatan dari editor Downcodes: Setelah mengunduh cuDNN, unzip dan salin direktori bin, sertakan dan lib ke C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/. Anda mungkin perlu menimpa beberapa file.
Catatan dari editor Downcodes: Jika Anda menginstal CUDA atau CUDA+cuDNN nanti, atau meningkatkan ke versi perangkat lunak NVIDIA yang lebih baru:
Catatan dari editor Downcodes: CUDA harus diinstal setelah Visual Studio. Jika Anda memutakhirkan Visual Studio, ingatlah untuk menginstal ulang CUDA.
Catatan Editor Downcode: Setelah semua langkah sebelumnya berhasil diselesaikan, Anda perlu mengkloning Darknet dan membangunnya. Pada langkah ini kita juga perlu memberi tahu CMake di mana vcpkg berada sehingga dapat menemukan OpenCV dan dependensi lainnya:
' pesta
cd c:src
git clone https://github.com/hank-ai/darknet.gitcd darknet
mkdir buildcd build
cmake -DCMAKEBUILDTYPE=Rilis -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;Configuration=Rilis PACKAGE.vcxproj
`
Catatan Editor Downcode: Jika Anda menerima kesalahan tentang CUDA atau cuDNN DLL yang hilang (seperti culas64_12.dll), salin file CUDA .dll secara manual ke direktori keluaran yang sama dengan Darknet.exe. Misalnya:
' pesta
salin "C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll" src-cliRelease
`
Catatan Editor Downcode: (Ini adalah contohnya! Silakan periksa untuk memastikan versi apa yang Anda jalankan dan jalankan perintah yang sesuai untuk apa yang telah Anda instal.)
Catatan dari Downcodes Editor: Setelah file disalin, jalankan kembali perintah msbuild.exe terakhir untuk menghasilkan paket instalasi NSIS:
' pesta
msbuild.exe /property:Platform=x64;Configuration=Rilis PACKAGE.vcxproj
`
Catatan editor downcode: Pengguna tingkat lanjut:
Catatan dari editor Downcodes: Harap dicatat bahwa output dari perintah cmake adalah file solusi Visual Studio normal, Darknet.sln. Jika Anda adalah pengembang perangkat lunak yang sering menggunakan Visual Studio GUI alih-alih msbuild.exe untuk membangun proyek, Anda dapat mengabaikan baris perintah dan memuat proyek Darknet di Visual Studio.
Catatan dari editor Downcodes: Anda sekarang harus memiliki file berikut untuk dijalankan: C:srcDarknetbuildsrc-cliReleasedarknet.exe. Jalankan perintah berikut untuk menguji: Versi C:srcDarknetbuildsrc-cliReleasedarknet.exe.
Catatan Editor Downcode: Untuk menginstal Darknet, pustaka, menyertakan file, dan DLL yang diperlukan dengan benar, jalankan wizard instalasi NSIS yang dibuat pada langkah terakhir. Lihat file darknet-VERSION.exe di direktori build. Misalnya:
' pesta
darknet-2.0.31-win64.exe
`
Catatan dari editor Downcodes: Menginstal paket instalasi NSIS akan:
Buat direktori bernama Darknet, misalnya C:Program FilesDarknet.
Instal aplikasi CLI, darknet.exe dan contoh aplikasi lainnya.
Instal file .dll pihak ketiga yang diperlukan, seperti file dari OpenCV.
Instal file Darknet .dll, .lib, dan .h yang diperlukan untuk menggunakan darknet.dll dari aplikasi lain.
Instal file templat .cfg.
Catatan dari Downcodes Editor: Anda sekarang sudah selesai! Setelah wizard instalasi selesai, Darknet akan diinstal di C:Program FilesDarknet. Jalankan perintah berikut untuk menguji: C:Program FilesDarknetbindarknet.exe version.
Catatan editor downcode: Jika Anda tidak memiliki C:/Program Files/darknet/bin/darknet.exe, berarti Anda tidak menginstalnya, Anda baru saja membuatnya! Pastikan Anda mengikuti setiap panel wizard instalasi NSIS pada langkah sebelumnya.
Menggunakan Darknet
CLI
Catatan dari editor Downcodes: Berikut ini bukan daftar lengkap semua perintah yang didukung oleh Darknet.
Catatan dari editor Downcodes: Selain Darknet CLI, harap perhatikan CLI proyek DarkHelp, yang menyediakan CLI alternatif untuk Darknet/YOLO. DarkHelp CLI juga memiliki beberapa fitur lanjutan yang tidak ditemukan di Darknet. Anda dapat menggunakan Darknet CLI dan DarkHelp CLI secara bersamaan, keduanya tidak eksklusif.
Catatan Editor Downcode: Untuk sebagian besar perintah yang ditunjukkan di bawah ini, Anda memerlukan file .weights dengan file .names dan .cfg yang sesuai. Anda dapat melatih jaringan Anda sendiri (sangat disarankan!), atau mengunduh jaringan saraf dari Internet yang telah dilatih orang lain dan tersedia secara gratis. Contoh kumpulan data pra-pelatihan meliputi:
LEGO Gears (temukan objek dalam gambar)
Rolodex (menemukan teks dalam gambar)
MSCOCO (deteksi target standar 80 kategori)
Catatan dari Downcodes Editor: Perintah yang harus dijalankan meliputi:
1. Sebutkan beberapa perintah dan opsi yang mungkin dijalankan:
' pesta
bantuan darknet
`
2. Periksa versi:
' pesta
versi darknet
`
3. Gunakan gambar untuk prediksi:
*V2:
' pesta
tes detektor darknet cars.data cars.cfg cars_best.weights image1.jpg
`
* V3:
' pesta
darknet02displayannotatedimages mobil.cfg image1.jpg
`
*Bantuan Gelap:
' pesta
DarkHelp mobil.cfg mobil.cfg mobil_best.weights image1.jpg
`
4. Koordinat keluaran:
*V2:
' pesta
detektor darknet menguji animal.data animal.cfg animalbest.weights -extoutput dog.jpg
`
* V3:
' pesta
darknet01inference_images hewan anjing.jpg
`
*Bantuan Gelap:
' pesta
DarkHelp --json animal.cfg animal.names animal_best.weights dog.jpg
`
5. Video proses:
*V2:
' pesta
demo detektor darknet animal.data animal.cfg animalbest.weights -extoutput test.mp4
`
* V3:
' pesta
darknet03display_videos animal.cfg test.mp4
`
*Bantuan Gelap:
' pesta
DarkHelp animal.cfg animal.names animal_best.weights test.mp4
`
6. Membaca dari webcam:
*V2:
' pesta
demo detektor darknet animal.data animal.cfg animal_best.weights -c 0
`
* V3:
' pesta
darknet08display_webcam binatang
`
7. Simpan hasil ke video:
*V2:
' pesta
demo detektor darknet animal.data animal.cfg animalbest.weights test.mp4 -outfilename res.avi
`
* V3:
' pesta
darknet05prosesvideoshewan multithread.cfg hewan.nama hewan_terbaik.tes bobot.mp4
`
*Bantuan Gelap:
' pesta
DarkHelp animal.cfg animal.names animal_best.weights test.mp4
`
8.Json:
*V2:
' pesta
demo detektor darknet hewan.data hewan.cfg hewanbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput
`
* V3:
' pesta
darknet06imagestojson hewan image1.jpg
`
*Bantuan Gelap:
' pesta
DarkHelp --json animal.names animal.cfg animal_best.weights image1.jpg
`
9. Jalankan pada GPU tertentu:
*V2:
' pesta
demo detektor darknet animal.data animal.cfg animal_best.weights -i 1 test.mp4
`
10. Periksa keakuratan jaringan saraf:
' pesta
peta detektor darknet Driving.data Driving.cfg Driving_best.weights ...
Nama Id Rata-rata Presisi TP FN FP TN Akurasi ErrorRate Precision Recall Spesifisitas FalsePosRate
-- ---- ------------ ------ ------ ------ ------ -------- --------- --------- ------ ---------- ----------
0 kendaraan 91,2495 32648 3903 5826 65129 0,9095 0,0905 0,8486 0,8932 0,9179 0,0821
1 sepeda motor 80,4499 2936 513 569 5393 0,8850 0,1150 0,8377 0,8513 0,9046 0,0954
2 sepeda 89,0912 570 124 104 3548 0,9475 0,0525 0,8457 0,8213 0,9715 0,0285
3 orang 76,7937 7072 1727 2574 27523 0,8894 0,1106 0,7332 0,8037 0,9145 0,0855
4 banyak kendaraan 64,3089 1068 509 733 11288 0,9087 0,0913 0,5930 0,6772 0,9390 0,0610
5 lampu hijau 86,8118 1969 239 510 4116 0,8904 0,1096 0,7943 0,8918 0,8898 0,1102
6 lampu kuning 82,0390 126 38 30 1239 0,9525 0,0475 0,8077 0,7683 0,9764 0,0236
7 lampu merah 94,1033 3449 217 451 4643 0,9237 0,0763 0,8844 0,9408 0,9115 0,0885
`
11. Periksa keakuratan mAP@IoU=75:
' pesta
detektor darknet peta animal.data animal.cfg animalbest.weights -iouthresh 0.75
`
12. Menghitung ulang titik jangkar paling baik dilakukan di DarkMark karena berjalan 100 kali berturut-turut dan memilih titik jangkar terbaik dari semua titik jangkar yang dihitung. Namun jika Anda ingin menjalankan versi lama di Darknet:
' pesta
detektor darknet calcanchors animal.data -numof_clusters 6 -width 320 -height 256
`
13. Latih jaringan baru:
' pesta
detektor darknet -peta -dont_show melatih hewan.data hewan.cfg
`
(Lihat juga bagian pelatihan di bawah)
Pelatihan
Catatan dari Downcodes Editor: Tautan cepat ke bagian yang relevan dari FAQ Darknet/YOLO:
Bagaimana cara mengatur file dan direktori saya?
Profil mana yang harus saya gunakan?
Perintah apa yang harus saya gunakan saat melatih jaringan saya sendiri?
Catatan Editor Downcode: Menggunakan DarkMark untuk membuat semua file Darknet yang diperlukan adalah cara termudah untuk memberi label dan melatih. Ini jelas merupakan cara yang disarankan untuk melatih jaringan saraf baru.
Catatan dari editor Downcodes: Jika Anda ingin mengatur berbagai file secara manual untuk melatih jaringan khusus:
1. Buat folder baru untuk menyimpan file. Misalnya, jaringan saraf akan dibuat untuk mendeteksi hewan, sehingga direktori berikut akan dibuat: ~/nn/animals/.
2. Salin file konfigurasi Darknet yang ingin Anda gunakan sebagai template. Misalnya, lihat cfg/yolov4-tiny.cfg. Tempatkan di folder yang Anda buat. Misalnya, kita sekarang memiliki ~/nn/animals/animals.cfg.
3. Buat file teks animal.names di folder yang sama tempat Anda meletakkan file konfigurasi. Misalnya, kita sekarang memiliki ~/nn/animals/animals.names.
4. Gunakan editor teks untuk mengedit file animal.names. Cantumkan kategori yang ingin Anda gunakan. Anda hanya memerlukan satu entri per baris, tidak ada baris kosong dan tidak ada komentar. Misalnya, file .names akan berisi 4 baris:
`
anjing
kucing
burung
kuda
`
5. Buat file teks animal.data di folder yang sama. Misalnya, file .data akan berisi:
`
kelas=4
kereta=/home/nama pengguna/nn/animals/animals_train.txt
valid=/home/nama pengguna/nn/animals/animals_valid.txt
nama=/home/nama pengguna/nn/animals/animals.names
backup=/home/nama pengguna/nn/animals
`
6. Buat folder untuk menyimpan gambar dan anotasi Anda. Misalnya, ini mungkin ~/nn/animals/dataset. Setiap gambar memerlukan file .txt terkait yang menjelaskan anotasi untuk gambar tersebut. Format file anotasi .txt sangat spesifik. Anda tidak dapat membuat file ini secara manual karena setiap label harus berisi koordinat label yang tepat. Lihat DarkMark atau perangkat lunak serupa lainnya untuk membuat anotasi pada gambar Anda. Format anotasi YOLO dijelaskan di FAQ Darknet/YOLO.
7. Buat file teks "train" dan "valid" yang diberi nama dalam file .data. Kedua file teks ini perlu mencantumkan semua gambar yang digunakan oleh Darknet untuk menghitung mAP% selama pelatihan dan validasi. Tepat satu gambar per baris. Jalur dan nama file bisa bersifat relatif atau absolut.
8. Gunakan editor teks untuk memodifikasi file .cfg Anda.
9. Pastikan batch=64.
10. Perhatikan subdivisinya. Tergantung pada ukuran jaringan dan jumlah memori yang tersedia pada GPU, Anda mungkin perlu menambah subdivisi. Nilai terbaik untuk digunakan adalah 1, jadi mulailah dengan itu. Jika 1 tidak berhasil untuk Anda, silakan lihat FAQ Darknet/YOLO.
11. Catatan maxbatches=..... Nilai yang baik untuk digunakan di awal adalah 2000 kali jumlah kelas. Misalnya kita punya 4 hewan, jadi 4 * 2000 = 8000. Artinya kita akan menggunakan maxbatches=8000.
12. Catatan langkah=…. Ini harus disetel ke 80% dan 90% dari maxbatch. Misalnya, karena maxbatches disetel ke 8000, kita akan menggunakan langkah=6400,7200.
13. Perhatikan lebar=... dan tinggi=..... Ini adalah dimensi jaringan. FAQ Darknet/YOLO menjelaskan cara menghitung ukuran optimal untuk digunakan.
14. Cari semua instance yang berisi baris class=... dan modifikasi dengan jumlah kelas di file .names. Misalnya, kita akan menggunakan kelas=4.
15. Di bagian [konvolusional] sebelum setiap bagian [yolo].
