UniGetUI

UniGetUI (sebelumnya WingetUI)

Editor Downcodes memperkenalkan Anda pada UniGetUI, antarmuka GUI intuitif yang dibuat untuk pengguna Windows 10 dan 11, dirancang untuk menyederhanakan penggunaan pengelola paket CLI umum, seperti WinGet, Scoop, Chocolatey, Pip, Npm, .NET Tool, dan PowerShell Gallery .

Fungsi UniGetUI

Dengan UniGetUI Anda dapat dengan mudah mengunduh, menginstal, memperbarui, dan menghapus instalasi perangkat lunak yang dipublikasikan di semua manajer paket yang didukung dan banyak lagi!

Manajer paket didukung oleh UniGetUI

Silakan lihat "Tabel Manajer Paket yang Didukung" untuk lebih jelasnya!

Penafian

Proyek UniGetUI tidak ada hubungannya dengan pengelola paket mana pun yang didukung dan sepenuhnya tidak resmi. Harap dicatat bahwa Downcodes, pengembang UniGetUI, tidak bertanggung jawab atas perangkat lunak yang diunduh. Silakan gunakan dengan hati-hati!

Melihat

Situs web resmi UniGetUI adalah https://www.marticliment.com/unigetui/. Situs web lain mana pun harus dianggap tidak resmi, apa pun yang dikatakannya. Secara khusus, wingetui.com bukanlah situs resmi UniGetUI (sebelumnya WingetUI).

Mendukung pengembang

Dukungan Anda sangat penting untuk kelanjutan pengembangan UniGetUI dan sangat dihargai oleh editor Downcodes. Terima kasih!

Daftar isi

1. Instalasi

Ada beberapa cara untuk menginstal UniGetUI, silakan pilih metode instalasi pilihan Anda!

* Instalasi Microsoft Store (disarankan)

Klik di sini untuk mengunduh penginstal UniGetUI.

* Instal melalui Winget

' pesta

install winget --exact --id MartiCliment.UniGetUI --source winget

`

* Diinstal melalui Scoop

Catatan: Saat ini ada masalah dengan paket Scoop di UniGetUI. Harap jangan menginstal UniGetUI melalui Scoop dulu.

' pesta

# rem Paket scoop UniGetUI saat ini rusak. Harap jangan menginstal UniGetUI melalui scoop untuk saat ini

# rem sendok ember tambahkan tambahan

# rem scoop instal ekstra/wingetui

`

* Diinstal melalui Chocolatey

' pesta

choco install wingetui

`

2. Perbarui UniGetUI

UniGetUI memiliki fungsionalitas pembaruan otomatis bawaan. Namun, Anda juga dapat memperbaruinya sama seperti paket lainnya di UniGetUI (karena UniGetUI tersedia melalui Winget dan Scoop).

3. Fungsi

* Manajer paket yang didukung

Catatan: Semua manajer paket mendukung proses instalasi dasar, pembaruan, dan penghapusan instalasi, serta memeriksa pembaruan, menemukan paket baru, dan mengambil detail dari paket.

|.Manajer Paket |.Dukungan |

|---|---|---|

|.WinGet |.✅ |

|.sendok |.✅ |

|. Coklat |. ✅ |

|.pip |.✅ |

|.Npm |.✅ |

|.Alat .NET |.✅ |

|.Galeri PowerShell |

menjelaskan:

1. Beberapa paket tidak mendukung instalasi ke lokasi atau cakupan khusus dan akan mengabaikan pengaturan ini.

2. Meskipun manajer paket mungkin tidak mendukung versi pra-rilis, beberapa paket mungkin disalin, dan salah satu salinannya adalah versi beta.

3. Beberapa penginstal tidak memiliki GUI dan akan mengabaikan tanda interaktif.

* Terjemahkan UniGetUI ke bahasa lain

Untuk menerjemahkan UniGetUI ke bahasa lain atau memperbarui terjemahan lama, lihat Wiki UniGetUI untuk informasi lebih lanjut.

* Bahasa yang didukung saat ini

*Diperbarui: Sel 29 Okt 00:13:19 2024

4. Kontribusi

UniGetUI tidak akan mungkin terwujud tanpa bantuan kontributor kami yang terkasih. Dari orang yang memperbaiki kesalahan ketik hingga orang yang memperbaiki separuh kode, UniGetUI tidak dapat berbuat apa-apa tanpa kontribusi mereka!

Kontributor:

*…

5. Tangkapan layar

*…

6. Pertanyaan yang Sering Diajukan

* Saya tidak dapat menginstal atau mengupgrade paket Winget tertentu! apa yang harus saya lakukan?

Ini mungkin masalah pada Winget dan bukan pada UniGetUI. Silakan periksa apakah paket dapat diinstal/diupgrade melalui PowerShell atau command prompt menggunakan perintah winget upgrade atau winget install (yang sesuai, misalnya: winget upgrade --id Microsoft.PowerToys). Jika ini tidak berhasil, pertimbangkan untuk meminta bantuan di halaman proyek Winget.

* Nama paket terpotong oleh elipsis - bagaimana cara melihat nama lengkap/ID-nya?

Ini adalah batasan yang diketahui dari Winget. Lihat masalah ini untuk rincian lebih lanjut: microsoft/winget-cli#2603.

* Perangkat lunak antivirus saya memberi tahu saya bahwa UniGetUI adalah virus! /Browser saya memblokir pengunduhan UniGetUI!

Alasan umum mengapa aplikasi (yaitu file yang dapat dieksekusi) diblokir dan/atau terdeteksi sebagai virus - meskipun aplikasi tersebut tidak mengandung kode berbahaya, seperti UniGetUI - adalah karena relatif sedikit orang yang menggunakannya. Ditambah fakta bahwa Anda mungkin mengunduh sesuatu yang baru saja dirilis, dan dalam banyak kasus, memblokir aplikasi yang tidak dikenal adalah tindakan pencegahan yang baik terhadap malware yang sebenarnya. Karena UniGetUI bersifat open source dan aman digunakan, harap masukkan aplikasi tersebut ke dalam daftar putih pengaturan perangkat lunak antivirus/browser Anda.

* Apakah tas Winget/Scoop aman?

UniGetUI, Microsoft dan Scoop tidak bertanggung jawab atas paket yang tersedia untuk diunduh, yang disediakan oleh pihak ketiga dan secara teori dapat rusak. Microsoft telah menerapkan beberapa pemeriksaan pada perangkat lunak yang tersedia di Winget untuk mengurangi risiko pengunduhan malware. Meski begitu, disarankan agar Anda hanya mendownload software dari penerbit terpercaya. Kunjungi wiki untuk informasi lebih lanjut!

7. Parameter baris perintah

Lihat di sini untuk daftar lengkap parameter.

8. Contoh

*…

9. Lisensi

Lisensi Apache-2.0

Kerangka kerja deteksi objek Darknet dan YOLO

!darknet dan logo hank.ai

Darknet adalah kerangka jaringan saraf sumber terbuka yang ditulis dalam C, C++ dan CUDA.

YOLO (You Only Look Once) adalah sistem deteksi objek real-time yang canggih dalam kerangka Darknet.

Baca bagaimana Hank.ai membantu komunitas Darknet/YOLO

Mengumumkan Darknet V3 "Jazz"

Kunjungi situs web Darknet/YOLO

Silakan baca FAQ Darknet/YOLO

Bergabunglah dengan server perselisihan Darknet/YOLO

Dokumen

Kertas YOLOv7

Kertas Berskala-YOLOv4

Kertas YOLOv4

Kertas YOLOv3

Informasi Umum

Kerangka kerja Darknet/YOLO lebih cepat dan akurat dibandingkan kerangka kerja lain dan versi YOLO.

Kerangka kerja ini sepenuhnya gratis dan open source. Anda dapat memasukkan Darknet/YOLO ke dalam proyek dan produk yang sudah ada - termasuk produk komersial - tanpa lisensi atau biaya.

Darknet V3 ("Jazz"), yang dirilis pada Oktober 2024, dapat secara akurat menjalankan video kumpulan data LEGO hingga 1000 FPS saat menggunakan GPU NVIDIA RTX 3090, yang berarti setiap frame video memiliki waktu 1 milidetik atau kurang untuk dibaca, diubah ukurannya, dan diproses oleh Darknet/YOLO.

Jika Anda memerlukan bantuan atau ingin berdiskusi tentang Darknet/YOLO, silakan bergabung dengan server Darknet/YOLO Discord: https://discord.gg/zSq8rtW

Versi CPU Darknet/YOLO dapat berjalan di perangkat sederhana seperti Raspberry Pi, server cloud dan colab, desktop, laptop, dan peralatan pelatihan kelas atas. Versi GPU Darknet/YOLO memerlukan GPU NVIDIA yang kompatibel dengan CUDA.

Darknet/YOLO diketahui berjalan di Linux, Windows, dan Mac. Lihat petunjuk pembuatan di bawah ini.

Versi jaringan gelap

Alat Darknet asli yang ditulis oleh Joseph Redmon pada tahun 2013-2017 tidak memiliki nomor versi. Kami pikir ini adalah versi 0.x.

Repositori Darknet populer berikutnya yang dikelola antara 2017-2021 oleh Alexei Bochkovskiy juga tidak memiliki nomor versi. Kami pikir ini adalah versi 1.x.

Repositori Darknet yang disponsori oleh Hank.ai dan dikelola oleh Stéphane Charette mulai tahun 2023 adalah yang pertama memiliki perintah versi. Dari tahun 2023 hingga akhir tahun 2024, ia kembali ke versi 2.x "OAK".

Tujuannya adalah untuk mengenal basis kode sambil meminimalkan fungsionalitas yang ada.

Menulis ulang langkah-langkah pembangunan sehingga kami memiliki cara terpadu untuk membangun di Windows dan Linux menggunakan CMake.

Konversikan basis kode untuk menggunakan kompiler C++.

Tingkatkan chart.png selama pelatihan.

Perbaikan bug dan optimalisasi terkait kinerja, terutama terkait dengan pengurangan waktu yang diperlukan untuk melatih jaringan.

Cabang terakhir dari basis kode ini adalah versi 2.1 di cabang v2.

Tahap pengembangan selanjutnya dimulai pada pertengahan tahun 2024 dan akan dirilis pada bulan Oktober 2024. Perintah versi sekarang mengembalikan 3.x "JAZZ".

Jika Anda perlu menjalankan salah satu perintah ini, Anda selalu dapat melakukan checkout cabang v2 sebelumnya. Harap beri tahu kami sehingga kami dapat menyelidiki penambahan kembali perintah yang hilang.

Menghapus banyak perintah lama dan tidak terawat.

Banyak pengoptimalan kinerja, baik selama pelatihan maupun inferensi.

C API lama telah dimodifikasi; aplikasi yang menggunakan Darknet API asli memerlukan sedikit modifikasi: https://darknetcv.ai/api/api.html

API Darknet V3 C dan C++ baru: https://darknetcv.ai/api/api.html

Aplikasi baru dan kode contoh dalam contoh src: https://darknetcv.ai/api/files.html

Anak angkat beban MSCOCO yang telah dilatih sebelumnya

Untuk kenyamanan, beberapa versi YOLO yang populer telah dilatih sebelumnya pada kumpulan data MSCOCO. Kumpulan data ini berisi 80 kategori dan dapat dilihat pada file teks cfg/coco.names.

Ada beberapa kumpulan data sederhana dan anak timbangan terlatih lainnya yang tersedia untuk pengujian Darknet/YOLO, seperti LEGO Gears dan Rolodex. Untuk informasi lebih lanjut, lihat FAQ Darknet/YOLO.

Anak timbang terlatih MSCOCO dapat diunduh dari sejumlah lokasi berbeda dan juga dapat diunduh dari repositori ini:

YOLOv2, November 2016

*YOLOv2-kecil

*YOLOv2-penuh

YOLOv3, Mei 2018

* YOLOv3-kecil

*YOLOv3-penuh

YOLOv4, Mei 2020

* YOLOv4-kecil

*YOLOv4-penuh

YOLOv7, Agustus 2022

* YOLOv7-kecil

*YOLOv7-penuh

Anak timbangan MSCOCO yang telah dilatih sebelumnya hanya untuk tujuan demonstrasi. File .cfg dan .names yang sesuai untuk MSCOCO terletak di direktori cfg. Contoh perintah:

' pesta

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

`

Perhatikan bahwa seseorang harus melatih jaringannya sendiri. MSCOCO biasanya digunakan untuk memastikan bahwa semuanya berfungsi dengan baik.

Membangun

Berbagai metode pembangunan yang tersedia di masa lalu (sebelum tahun 2023) telah digabungkan menjadi satu solusi terpadu. Darknet memerlukan C++17 atau lebih tinggi, OpenCV, dan menggunakan CMake untuk menghasilkan file proyek yang diperlukan.

Anda tidak perlu mengetahui C++ untuk membuat, menginstal, atau menjalankan Darknet/YOLO, sama seperti Anda tidak perlu menjadi mekanik untuk mengendarai mobil.

Google Kolab

Petunjuk Google Colab sama dengan petunjuk Linux. Ada beberapa notebook Jupyter yang menunjukkan cara melakukan tugas tertentu, seperti melatih jaringan baru.

Lihat notebook di subdirektori colab, atau ikuti petunjuk Linux di bawah.

Metode CMake Linux

1. Instal dependensi

' pesta

sudo pembaruan apt-get

sudo apt-get install build-essential git libopencv-dev cmake

`

2. Kloning repositori Darknet

' pesta

git klon https://github.com/hank-ai/darknet.git

`

3. Buat direktori build

' pesta

cd darknet

mkdir membangun

pembuatan cd

`

4. Gunakan CMake untuk mengonfigurasi build

' pesta

cmake -DCMAKEBUILDTYPE=Lepaskan ..

`

5. Bangun Jaringan Gelap

' pesta

buat -j4

`

6. Instal Darknet

' pesta

sudo buat instal

`

7. Uji Darknet

' pesta

versi darknet

`

Metode Windows CMake

1. Instal dependensi

' pesta

dapatkan instal Git.Git

winget instal Kitware.CMake

winget instal nsis.nsis

winget instal Microsoft.VisualStudio.2022.Community

`

2. Instal OpenCV

' pesta

CDC:

mkdir C:src

cd C:src

git klon https://github.com/microsoft/vcpkg.git

cd vcpkg.dll

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

`

3. Kloning repositori Darknet

' pesta

cd C:src

git klon https://github.com/hank-ai/darknet.git

`

4. Buat direktori build

' pesta

cd darknet

mkdir membangun

pembuatan cd

`

5. Gunakan CMake untuk mengonfigurasi build

' pesta

cmake -DCMAKEBUILDTYPE=Rilis -DCMAKETOOLCHAINFILE=C:srcvcpkgscriptsbuildsystemsvcpkg.cmake ..

`

6. Bangun Darknet menggunakan Visual Studio

' pesta

msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln

`

7. Buat paket instalasi NSIS

' pesta

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

`

8. Jalankan Darknet

' pesta

C:srcdarknetbuildsrc-cliReleasedarknet.exe versi

`

Menggunakan Darknet

CLI

Berikut ini bukan daftar lengkap semua perintah yang didukung oleh Darknet.

Selain CLI Darknet, perhatikan juga 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.

Untuk sebagian besar perintah yang ditampilkan di bawah, Anda memerlukan file .weights dan file .names dan .cfg yang sesuai. Anda dapat melatih jaringannya sendiri (sangat disarankan!), atau mengunduh jaringan saraf yang telah dilatih orang lain dan tersedia secara gratis di Internet. Contoh kumpulan data pra-pelatihan meliputi:

LEGO Gears (temukan objek dalam gambar)

Rolodex (menemukan teks dalam gambar)

MSCOCO (Deteksi Objek Kelas Standar 80)

Perintah yang harus dijalankan meliputi:

Daftar beberapa kemungkinan perintah dan opsi yang dapat dijalankan:

bantuan darknet

Periksa versi:

versi darknet

Gunakan gambar untuk membuat prediksi:

V2: uji detektor darknet cars.data cars.cfg cars_best.weights image1.jpg

V3: darknet02displayannotatedimages cars.cfg image1.jpg

DarkHelp: DarkHelp mobil.cfg mobil.cfg mobil_best.weights image1.jpg

Koordinat keluaran:

V2: detektor darknet menguji animal.data animal.cfg animalbest.weights -extoutput dog.jpg

V3: darknet01inference_images hewan anjing.jpg

DarkHelp: DarkHelp --json animal.cfg animal.names animal_best.weights dog.jpg

Gunakan video:

V2: demo detektor darknet animal.data animal.cfg animalbest.weights -extoutput test.mp4

V3: darknet03display_videos animal.cfg test.mp4

DarkHelp: DarkHelp animal.cfg animal.names animal_best.weights test.mp4

Membaca dari kamera web:

V2: demo detektor darknet animal.data animal.cfg animal_best.weights -c 0

V3: darknet08display_webcam hewan

Simpan hasil ke video:

V2: demo detektor darknet animal.data animal.cfg animalbest.weights test.mp4 -outfilename res.avi

V3: darknet05processvideoshewan multithread.cfg hewan.nama hewan_terbaik.uji bobot.mp4

DarkHelp: DarkHelp animal.cfg animal.names animal_best.weights test.mp4

JSON:

V2: demo detektor darknet animal.data animal.cfg animalbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput

V3: darknet06imagestojson hewan image1.jpg

DarkHelp: DarkHelp --json animal.names animal.cfg animal_best.weights image1.jpg

Jalankan pada GPU tertentu:

V2: demo detektor darknet animal.data animal.cfg animal_best.weights -i 1 test.mp4

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

`

Periksa akurasi mAP@IoU=75:

detektor darknet peta animal.data animal.cfg animalbest.weights -iouthresh 0.75

Menghitung ulang titik jangkar paling baik dilakukan di DarkMark karena akan 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:

detektor darknet calcanchors animal.data -numof_clusters 6 -width 320 -height 256

Latih jaringan baru:

darknet detector -map -dont_show train animal.data animal.cfg (lihat juga bagian pelatihan di bawah)

kereta

Tautan cepat ke bagian yang relevan dari FAQ Darknet/YOLO:

Bagaimana cara mengatur file dan direktori saya?

Profil mana yang harus saya gunakan?

Perintah mana yang harus Anda gunakan saat melatih jaringan Anda sendiri?

Menggunakan DarkMark untuk membuat semua file Darknet yang diperlukan adalah cara termudah untuk membuat anotasi dan melatih. Ini jelas merupakan cara yang disarankan untuk melatih jaringan saraf baru.

Jika Anda ingin mengatur berbagai file secara manual untuk melatih jaringan khusus:

1. Buat folder baru

Buat folder baru untuk menyimpan file. Misalnya, Anda akan membuat jaringan saraf untuk mendeteksi hewan, jadi buatlah direktori berikut: ~/nn/animals/.

2. Salin file konfigurasi

Copy salah satu file konfigurasi Darknet yang ingin Anda gunakan sebagai template. Misalnya, lihat cfg/yolov4-tiny.cfg. Tempatkan di folder yang Anda buat. Misalnya, sekarang kita punya ~/nn/animals/animals.cfg.

3. Buat file .names

Buat file teks animal.names di folder yang sama tempat Anda meletakkan file konfigurasi. Misalnya, sekarang kita punya ~/nn/animals/animals.names.

4. Edit file .names

Gunakan editor teks untuk mengedit file animal.names. Cantumkan kategori yang ingin Anda gunakan. Harus ada tepat 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 .data

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 kumpulan data

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 komentar .txt sangat spesifik. Anda tidak dapat membuat file ini secara manual karena setiap anotasi harus berisi koordinat anotasi yang tepat. Periksa DarkMark atau perangkat lunak serupa lainnya untuk memberi anotasi pada gambar Anda. Format anotasi YOLO dijelaskan di FAQ Darknet/YOLO.

7. Buat file “train” dan “valid”.

Buat file teks "train" dan "valid" yang diberi nama dalam file .data. Kedua file teks ini perlu mencantumkan semua gambar yang harus digunakan Darknet untuk pelatihan dan validasi saat menghitung mAP%, masing-masing. Tepat satu gambar per baris. Jalur dan nama file bisa bersifat relatif atau absolut.

8. Ubah file .cfg

Gunakan editor teks untuk mengubah file .cfg Anda.

* Pastikan batch=64.

* Perhatikan subdivisi. Tergantung pada ukuran jaringan dan jumlah memori yang tersedia pada GPU, Anda mungkin perlu menambah subdivisi. Nilai optimalnya adalah 1, jadi mulailah dengan 1. Jika 1 tidak berhasil untuk Anda, silakan lihat FAQ Darknet/YOLO.

Catatan maxbatches=…. Nilai yang baik untuk memulai adalah 2000 kali jumlah kategori. Misalnya kita punya 4 ekor hewan, jadi 4 2000 = 8000. Artinya kita akan menggunakan maxbatches=8000.

*Catatan langkah=…. Ini harus disetel ke 80% dan 90% dari maxbatch. Misalnya, karena maxbatches disetel ke 8000, kita akan menggunakan langkah=6400,7200.

* Catatan lebar=... dan tinggi=.... Ini adalah dimensi jaringan. FAQ Darknet/YOLO menjelaskan cara menghitung ukuran optimal untuk digunakan.

Di bagian [konvolusional] sebelum setiap bagian [yolo], temukan semua instance baris class=... dan filter=.... Nilai yang digunakan adalah (numberofclasses + 5) 3. Artinya untuk contoh ini, (4 + 5) * 3 = 27. Jadi kita akan menggunakan filter=27 pada baris yang sesuai.

9. Mulai pelatihan

Jalankan perintah berikut:

' pesta

cd ~/nn/hewan/

detektor darknet -peta -dont_show melatih hewan.data hewan.cfg

`

Bersabarlah. Bobot terbaik akan disimpan sebagai animal_best.weights. Anda dapat mengamati kemajuan pelatihan dengan melihat file chart.png. Lihat FAQ Darknet/YOLO untuk parameter tambahan yang mungkin ingin Anda gunakan saat melatih jaringan baru.

Jika Anda ingin melihat detail selengkapnya selama pelatihan, tambahkan parameter --verbose. Misalnya:

' pesta

detektor darknet -peta -dont_show --verbose melatih hewan.data hewan.cfg

`

Alat dan tautan lainnya

Untuk mengelola proyek Darknet/YOLO Anda, memberi anotasi pada gambar, memvalidasi anotasi Anda, dan menghasilkan file yang diperlukan untuk pelatihan dengan Darknet, lihat DarkMark.

Untuk CLI alternatif yang kuat selain Darknet untuk menggunakan penggabungan gambar, pelacakan objek dalam video, atau menggunakan API C++ yang kuat yang dapat dengan mudah digunakan dalam aplikasi komersial, lihat DarkHelp.

Lihat FAQ Darknet/YOLO untuk mengetahui apakah ini dapat membantu menjawab pertanyaan Anda.

Lihat banyak tutorial dan contoh video di saluran YouTube Stéphane

Jika Anda memiliki pertanyaan dukungan atau ingin mengobrol dengan pengguna Darknet/YOLO lainnya, silakan bergabung dengan server perselisihan Darknet/YOLO.

Peta jalan

Terakhir diperbarui pada 30-10-2024:

Selesai

Mengganti qsort() dengan std::sort() selama pelatihan (beberapa ambiguitas lainnya masih ada)

Hapus check_mistakes, getchar() dan system()

Konversi Darknet untuk menggunakan kompiler C++ (g++ di Linux, Visual Studio di Windows)

Perbaiki versi Windows

Perbaiki dukungan Python

Bangun perpustakaan darknet

Mengaktifkan kembali label dalam prediksi (kode "alfabet")

Aktifkan kembali kode CUDA/GPU

Aktifkan kembali CUDNN

Aktifkan kembali setengah CUDNN

Jangan melakukan hardcode pada arsitektur CUDA

Informasi versi CUDA yang lebih baik

Aktifkan kembali AVX

Hapus solusi lama dan Makefile

Jadikan OpenCV non-opsional

Hapus ketergantungan pada perpustakaan pthread lama

Hapus STB

Tulis ulang CMakeLists.txt untuk menggunakan instrumentasi CUDA baru

Menghapus kode "abjad" lama dan menghapus lebih dari 700 gambar di data/label

Bangun di luar kode sumber

Memiliki keluaran nomor versi yang lebih baik

Optimalisasi kinerja terkait pelatihan (tugas yang sedang berlangsung)

Pengoptimalan kinerja terkait dengan inferensi (tugas yang sedang berlangsung)

Gunakan referensi berdasarkan nilai bila memungkinkan

Bersihkan file .hpp

Tulis ulang darknet.h

Jangan ubah cv::Mat menjadi void, melainkan gunakan sebagai objek C++ yang tepat

Memperbaiki atau mempertahankan penggunaan struktur gambar internal yang konsisten

Perbaiki build untuk perangkat Jetson berbasis ARM

*Perangkat Jetson asli kemungkinan besar tidak akan diperbaiki karena tidak lagi didukung oleh NVIDIA (tidak ada kompiler C++17)

* Perangkat Jetson Orin baru sekarang berjalan

Perbaiki Python API di V3

* Butuh dukungan Python yang lebih baik (apakah pengembang Python bersedia membantu?)

tujuan jangka pendek

Ganti printf() dengan std::cout (sedang dalam proses)

Selidiki dukungan kamera zed lama

Penguraian baris perintah yang lebih baik dan lebih konsisten (sedang dalam proses)

tujuan jangka menengah

Hapus semua kode char dan ganti dengan std::string

Jangan sembunyikan peringatan dan bersihkan peringatan kompiler (sedang dalam proses)

Lebih baik menggunakan cv::Mat daripada struktur gambar khusus di C (sedang dalam proses)

Ganti fungsi daftar lama dengan std::vector atau std::list

Perbaiki dukungan untuk gambar skala abu-abu 1 saluran

Tambahkan dukungan untuk gambar saluran N dengan N > 3 (misalnya gambar dengan kedalaman tambahan atau saluran termal)

Pembersihan kode yang sedang berlangsung (sedang berlangsung)

tujuan jangka panjang

Perbaiki masalah CUDA/CUDNN di semua GPU

Tulis ulang kode CUDA+cuDNN

Selidiki penambahan dukungan untuk GPU non-NVIDIA

Kotak pembatas yang diputar, atau semacam penyangga "sudut".

poin/kerangka kunci

Peta panas (pekerjaan sedang berlangsung)

segmentasi