skemaorg
Release
Selamat datang di Schema.org
Ini adalah repositori proyek Schema.org. Ini berisi semua skema, contoh, dan perangkat lunak yang digunakan untuk mempublikasikan skema.org. Untuk situsnya sendiri, silakan lihat Schema.org.
Catatan: Sebagian besar perangkat lunak pendukung diimpor dari sub modul: 'sdopythonapp'
Permasalahan dan proposal dikelola di sini oleh kolaborator di sekitar proyek, khususnya peserta Grup Komunitas W3C Schema.org. Jika Anda tertarik untuk berpartisipasi, silakan bergabung dengan grup di W3C, perkenalkan diri Anda dan temukan atau ajukan isu di sini yang menarik minat Anda. Jika Anda baru mengenal Git dan GitHub, ada pengenalan berguna tentang GitHub di Wiki W3C.
Ada juga tes integrasi berkelanjutan untuk memeriksa permintaan penarikan yang masuk.
Edisi #1 di GitHub adalah titik masuk untuk perencanaan rilis. Ini harus memberikan gambaran umum tentang pekerjaan yang akan datang, dalam hal tema yang luas, isu-isu spesifik dan pencapaian rilis. Edisi #1 akan tertaut ke titik masuk per rilis, atau menavigasi masalah melalui label atau pencapaian dalam GitHub.
Setiap perubahan pada situs terjadi melalui diskusi di sini. Perubahan substantif dicatat dalam catatan rilis kami. Pratinjau draf catatan rilis baru dapat ditemukan sebagai bagian dari situs pengujian untuk rilis berikutnya. Setiap bulan atau lebih, setelah tinjauan akhir oleh Kelompok Pengarah Schema.org dan komunitas luas, kami membuat rilis resmi.
Mengenai lisensi CC dan sumber terbuka untuk dokumen dan perangkat lunak, lihat entri FAQ kami.
Kami selalu tertarik dengan saran praktis untuk penyempurnaan skema.org, dan koleksi skema kami telah bertambah secara bertahap sejak diluncurkan pada tahun 2011. Kami mencoba memprioritaskan perbaikan dan penyempurnaan sederhana pada skema, contoh, dan dokumentasi yang ada dibandingkan penambahan skema baru. kosa kata, dan kemungkinan besar kami akan menambahkan skema baru ketika ada bukti bahwa beberapa aplikasi yang menggunakan data (sebaiknya berskala besar) akan menggunakan data tersebut. Aplikasi yang digunakan tidak harus berupa mesin pencari; perangkat lunak (misalnya, sumber terbuka, pendekatan yang diperkaya markup pada analisis Web, add-on browser, atau perangkat cloud) merupakan area yang kaya untuk eksplorasi dan kolaborasi. Hal yang penting adalah harus ada ekspektasi yang masuk akal agar konsumen data dapat memanfaatkan perubahan tersebut dengan baik. Tidaklah cukup hanya membenarkan penambahan atas dasar bahwa mesin pencari umumnya mencoba menggunakan data terstruktur berbasis Schema.org. Perubahan yang lebih kecil, dan perubahan yang kompatibel dengan masa lalu, lebih mudah diterapkan.
Catatan: Schema.org tidak berupaya menangkap detail lengkap konten Web; hal ini tentu saja merupakan penyederhanaan dari realitas yang lebih kompleks. Ini berarti bahwa akan ada banyak kasus di mana penambahan lebih banyak detail ke Schema.org mungkin dilakukan. Namun, demi menjaga Schema.org tetap sederhana dan dapat digunakan oleh penerbit dan webmaster, kami sering memilih untuk tidak menambahkan detail tersebut.
Schema.org menggunakan standar Web seperti JSON-LD, Microdata dan RDFa untuk memungkinkan ekstensi independen (misalnya, lihat kosakata GS1).
Kami juga sangat tidak mungkin melakukan reorganisasi terminologi Schema.org dalam skala besar, jika hal tersebut hanya dimotivasi oleh pertimbangan keanggunan, "pemodelan yang tepat", kemurnian ontologis, atau penyatuan konseptual. Meskipun pendiri dan tim proyek sudah familiar dengan - dan menghormati - tradisi di balik keprihatinan tersebut, skala, ruang lingkup dan sifat Schema.org telah mengharuskan kita untuk menukar keanggunan dan konsistensi global dengan gagasan evolusi bertahap dan pragmatis yang agak berantakan. toleransi terhadap gaya yang tidak pada tempatnya dalam ontologi formal. Proposal untuk menyatukan, struktur pengetahuan berbasis logika lintas domain mungkin akan lebih diterima misalnya di komunitas Ontolog.
Terkadang kami memperkenalkan tipe tanpa asosiasi properti khusus, hanya untuk alasan kegunaan markup. Dalam ontologi formal, hal ini sering dianggap sebagai pemodelan yang buruk. Namun, struktur yang setara secara logis dapat mengakibatkan lebih banyak kesalahan dari penerbit/webmaster yang tidak terbiasa dengan konsep formal yang mendasari JSON-LD atau RDF/S.
Schema.org bukanlah sistem tertutup, dan inisiatif lain (misalnya, Wikidata atau GS1) telah mendefinisikan banyak istilah lain yang dapat digabungkan dengan istilah yang kami definisikan di Schema.org. Kami juga melakukan upaya untuk menyelaraskan desain kami dengan standar dan inisiatif eksternal yang relevan, meskipun hal tersebut mengurangi keanggunan global dari Schema.org saja. Misalnya, dalam konteks bibliografi atau warisan budaya, kami mungkin terpengaruh oleh inisiatif seperti MARC, BibFrame, dan FRBR, sedangkan untuk e-commerce kami berkolaborasi dengan Good Relations dan GS1. Istilah-istilah terkait berita Schema.org sangat dipengaruhi oleh penggabungan desain rNews IPTC, serta kolaborasi dengan pemeriksa fakta, Trust Project, dan lainnya. Kosakata kami yang berhubungan dengan TV dan Musik sangat dipengaruhi oleh kerja sama dengan BBC dan European Broadcasting Union, bersama dengan ontologi Musik dan MusicBrainz; skema kami mencerminkan desain sebelumnya. Kami lebih memilih untuk berkolaborasi dengan cara ini, meningkatkan Schema.org secara bertahap dan berupaya menyempurnakan, mengintegrasikan, dan memadukan desain tersebut daripada memproduksi model murni kami sendiri secara terpisah. Hasilnya mungkin kurang elegan secara global, namun membawa pekerjaan kami selaras dengan upaya-upaya serupa di seluruh dunia.
Kami selalu menyambut isu-isu yang melacak isu-isu kegunaan dan keterbacaan, namun mendorong fokus pada situasi konkret (misalnya, bagaimana menggambarkan peristiwa yang berulang) daripada kekhawatiran filosofis global (misalnya, apakah suatu Reservasi atau Tindakan "benar-benar" suatu Peristiwa). Kami memprioritaskan koherensi lokal (memiliki cara yang masuk akal untuk menggambarkan banyak situasi umum) dibandingkan keanggunan global (memiliki teori global yang menganggap segala sesuatu mempunyai tempat yang masuk akal). Hal ini tidak berarti kita tidak pernah melakukan pembersihan, namun hal ini seimbang dengan (dan sering kali tidak sebanding dengan) pertimbangan lain.
Ketika kami menambahkan istilah-istilah, sering kali ke dalam area "Tertunda", kami sangat menganjurkan masukan yang mengambil perspektif global: bagaimana istilah baru berhubungan dengan istilah lain, bagaimana istilah tersebut dapat digunakan bersama dengan pola yang sudah ada, dll. Perubahan yang kami lakukan selama ini fase integrasi ini mencerminkan pertimbangan-pertimbangan tersebut, namun biasanya diungkapkan melalui penulisan ulang yang sederhana, contoh-contoh, atau penyesuaian terhadap dokumentasi tautan tipe/properti, daripada melalui restrukturisasi besar-besaran.
Lihat selengkapnya di "Cara kami bekerja"
Bagi sebagian besar kolaborator, yang perlu Anda ketahui tentang perangkat lunak ini hanyalah cara menjalankannya. Tujuan dari perangkat lunak ini adalah untuk membuat salinan statis situs Schema.org, termasuk potensi perubahan lokal, untuk diperiksa dan dijalankan di belakang server web sederhana pada sistem lokal untuk pengujian. Dengan cara yang sama seperti rilis produksi di-deploy ke server cloud, versi lokal Anda kemudian dapat di-deploy ke mesin virtual menggunakan gcloud untuk memungkinkan kolaborasi dengan orang lain.
Instruksi lengkap tersedia di SOFTWARE_README.md yang menjelaskan cara membuat salinan lokal awal untuk digunakan, kemudian berkembang untuk menguji perubahan apa pun. Pada dasarnya Anda harus memiliki lingkungan seperti Linux (inc Mac) yang dimuat dengan Python versi 3.6 atau lebih tinggi. Anda kemudian dapat membuat uji coba skema.org yang berjalan di mesin Anda sendiri dapat diakses sebagai http://localhost:8080/ atau mempostingnya di appspot.com untuk kolaborasi. Lihat dokumentasi Appengine untuk mengetahui detail perintah gcloud yang relevan.
Informasi lebih rinci tentang perangkat lunak dan penggunaannya tersedia di SOFTWARE_README.md. Lihat juga catatan di wiki: https://github.com/schemaorg/schemaorg/wiki/Contributing
Semua skema dan contoh ada dalam data/ dalam file yang disandikan utf-8.
File skema utama adalah data/schema.ttl (utf-8).
Saat mengembangkan skema, penggunaan data/sdo-somethinghere-schema.ttl dapat bermanfaat.
Formatnya didasarkan pada W3C RDFS dalam format RDF/Turtle.
Contohnya disimpan dalam data/examples.txt (utf-8) dan file .txt lainnya.
Seperti halnya skema, data/examples.txt juga akan dibaca. Mungkin berguna untuk mengembangkan menggunakan file terpisah.
Ketika kosakata akhirnya diintegrasikan ke dalam repositori utama, data skema akan digabungkan ke dalam skema.org. Namun, contoh akan tetap berada di file terpisah, karena ini berfungsi lebih baik dengan mesin perbandingan file git.
Hierarki data/rilis/ dicadangkan untuk snapshot rilis (lihat https://schema.org/version/).
Hirarki ext// dicadangkan untuk ekstensi (lihat https://schema.org/docs/extension.html).
Kami tidak lagi menggunakan cabang github untuk pekerjaan yang sedang berjalan. Cabang utama/ adalah kandidat terbaru kami. Hal ini tidak dijamin berada dalam kondisi yang konsisten secara konseptual, namun harus stabil sebelum kandidat rilis diedarkan untuk ditinjau.
Dokumentasi ini berkaitan dengan basis kode perangkat lunak dan bukan tentang skema.org itu sendiri. Namun, perlu diingat bahwa label, komentar, dan dokumentasi harus menggunakan bahasa Inggris AS (dalam kode dan skema), jika diperlukan pilihan di antara varian bahasa Inggris. Harap bidik bahasa Inggris internasional jika memungkinkan.
Lihat juga: https://twitter.com/schemaorg_dev
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 darknet dan 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, yang berjalan dalam kerangka Darknet.
Baca bagaimana Hank.ai membantu komunitas Darknet/YOLO
Mengumumkan Darknet V3 "Jazz"
Lihat 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 tetap lebih cepat dan akurat dibandingkan kerangka kerja dan versi YOLO lainnya.
Kerangka kerja ini sepenuhnya gratis dan open source. Anda dapat memasukkan Darknet/YOLO ke dalam proyek dan produk yang sudah ada -- termasuk proyek dan produk komersial -- tanpa lisensi atau membayar biaya.
Darknet V3 ("Jazz") yang dirilis pada Oktober 2024 dapat menjalankan video dataset LEGO secara akurat hingga 1000 FPS saat menggunakan GPU NVIDIA RTX 3090, artinya setiap frame video dibaca, diubah ukurannya, dan diproses oleh Darknet/YOLO dalam 1 milidetik atau lebih sedikit.
Silakan bergabung dengan server Darknet/YOLO Discord jika Anda memerlukan bantuan atau ingin berdiskusi Darknet/YOLO: https://discord.gg/zSq8rtW
Versi CPU Darknet/YOLO dapat berjalan di perangkat sederhana seperti Raspberry Pi, server cloud & colab, desktop, laptop, dan rig pelatihan kelas atas. Versi GPU Darknet/YOLO memerlukan GPU berkemampuan CUDA dari NVIDIA.
Darknet/YOLO diketahui bekerja di Linux, Windows, dan Mac. Lihat petunjuk pembuatan di bawah.
Versi Darknet
Alat Darknet asli yang ditulis oleh Joseph Redmon pada tahun 2013-2017 tidak memiliki nomor versi. Kami menganggap versi ini 0.x.
Repo Darknet populer berikutnya yang dikelola oleh Alexei Bochkovskiy antara tahun 2017-2021 juga tidak memiliki nomor versi. Kami menganggap ini versi 1.x.
Repo Darknet yang disponsori oleh Hank.ai dan dikelola oleh Stéphane Charette mulai tahun 2023 adalah yang pertama dengan perintah versi. Dari tahun 2023 hingga akhir tahun 2024, ia mengembalikan versi 2.x "OAK".
Tujuannya adalah untuk mencoba dan memecah sesedikit mungkin fungsi yang ada sambil mengenal basis kode.
Tulis ulang langkah-langkah pembangunan sehingga kami memiliki 1 cara terpadu untuk membangun menggunakan CMake di Windows dan Linux.
Mengonversi basis kode untuk menggunakan kompiler C++.
Chart.png yang ditingkatkan saat berlatih.
Perbaikan bug dan pengoptimalan terkait kinerja, sebagian besar terkait dengan pengurangan waktu yang diperlukan untuk melatih jaringan.
Cabang terakhir dari basis kode ini adalah versi 2.1 di cabang v2.
Fase pengembangan berikutnya dimulai pada pertengahan tahun 2024 dan dirilis pada bulan Oktober 2024. Perintah versi sekarang mengembalikan 3.x "JAZZ".
Anda selalu dapat melakukan checkout pada cabang v2 sebelumnya jika Anda perlu menjalankan salah satu perintah ini. Beri tahu kami agar kami dapat menyelidiki penambahan kembali perintah yang hilang.
Menghapus banyak perintah lama dan tidak terawat.
Banyak pengoptimalan performa, baik saat pelatihan maupun saat inferensi.
API C lama telah dimodifikasi; aplikasi yang menggunakan API Darknet 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 Timbangan Terlatih MSCOCO
Beberapa versi YOLO yang populer telah dilatih sebelumnya untuk kenyamanan pada kumpulan data MSCOCO. Dataset ini memiliki 80 kelas, yang 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. Lihat FAQ Darknet/YOLO untuk detailnya.
Anak timbangan terlatih MSCOCO dapat diunduh dari beberapa lokasi berbeda, dan juga tersedia untuk diunduh dari repo 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 timbang terlatih MSCOCO disediakan hanya untuk tujuan demo. File .cfg dan .names yang sesuai untuk MSCOCO ada 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
Perhatikan bahwa masyarakat diharapkan untuk melatih jaringan mereka sendiri. MSCOCO biasanya digunakan untuk memastikan bahwa semuanya berfungsi dengan benar.
Bangunan
Berbagai metode pembangunan yang tersedia di masa lalu (sebelum tahun 2023) telah digabungkan menjadi satu solusi terpadu. Darknet memerlukan C++17 atau lebih baru, OpenCV, dan menggunakan CMake untuk menghasilkan file proyek yang diperlukan.
Anda tidak perlu mengetahui C++ untuk membangun, menginstal, atau menjalankan Darknet/YOLO, sama seperti Anda tidak perlu menjadi mekanik untuk mengendarai mobil.
Google Kolab
Linux
jendela
Hati-hati jika Anda mengikuti tutorial lama dengan langkah build yang lebih rumit, atau langkah build yang tidak sesuai dengan yang ada di readme ini. Langkah-langkah pembangunan baru seperti yang dijelaskan di bawah dimulai pada Agustus 2023.
Pengembang perangkat lunak didorong untuk mengunjungi https://darknetcv.ai/ untuk mendapatkan informasi tentang internal kerangka deteksi objek Darknet/YOLO.
Google Kolab
Petunjuk Google Colab sama dengan petunjuk Linux. Beberapa notebook Jupyter tersedia yang menunjukkan cara melakukan tugas tertentu, seperti melatih jaringan baru.
Lihat notebook di subdirektori colab, dan/atau ikuti petunjuk Linux di bawah.
Metode CMake Linux
Tutorial pembuatan Darknet untuk Linux
Opsional: Jika Anda memiliki GPU NVIDIA modern, Anda dapat menginstal CUDA atau CUDA+cuDNN pada saat ini. Jika dipasang, Darknet akan menggunakan GPU Anda untuk mempercepat pemrosesan gambar (dan video).
Anda harus menghapus file CMakeCache.txt dari direktori build Darknet Anda untuk memaksa CMake menemukan kembali semua file yang diperlukan.
Ingatlah untuk membangun kembali Darknet.
Darknet dapat berjalan tanpanya, tetapi jika Anda ingin melatih jaringan khusus maka diperlukan CUDA atau CUDA+cuDNN.
Kunjungi https://developer.nvidia.com/cuda-downloads untuk mengunduh dan menginstal CUDA.
Kunjungi https://developer.nvidia.com/rdp/cudnn-download atau https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview untuk mengunduh dan instal cuDNN.
Setelah Anda menginstal CUDA pastikan Anda dapat menjalankan nvcc dan nvidia-smi. Anda mungkin harus mengubah variabel PATH Anda.
Jika Anda menginstal CUDA atau CUDA+cuDNN di lain waktu, atau Anda meningkatkan ke versi perangkat lunak NVIDIA yang lebih baru:
Instruksi ini mengasumsikan (tetapi tidak memerlukan!) sistem yang menjalankan Ubuntu 22.04. Beradaptasi seperlunya jika Anda menggunakan distribusi yang berbeda.
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=Release .. make -j4 package sudo dpkg -i darknet-VERSION.deb
Jika Anda menggunakan CMake versi lama maka Anda perlu memutakhirkan CMake sebelum dapat menjalankan perintah cmake di atas. Upgrade CMake di Ubuntu dapat dilakukan dengan perintah berikut:
sudo apt-get purge cmake sudo snap install cmake --classic
Jika menggunakan bash sebagai shell perintah, Anda sebaiknya memulai ulang shell Anda saat ini. Jika menggunakan ikan, sebaiknya segera mengambil jalur baru.
Pengguna tingkat lanjut:
Jika Anda ingin membuat file instalasi RPM dan bukan file DEB, lihat baris yang relevan di CM_package.cmake. Sebelum menjalankan paket make -j4 Anda harus mengedit dua baris ini:
SET (CPACKGENERATOR "DEB")# SET (CPACKGENERATOR "RPM")
Untuk distro seperti Centos dan OpenSUSE, Anda harus mengganti kedua baris tersebut di CM_package.cmake menjadi:
SET (CPACKGENERATOR "DEB")SET (CPACKGENERATOR "RPM")
Untuk menginstal paket instalasi setelah selesai dibuat, gunakan manajer paket yang biasa untuk distribusi Anda. Misalnya pada sistem berbasis Debian seperti Ubuntu:
sudo dpkg -i darknet-2.0.1-Linux.deb
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 diinstal dengan benar.
/usr/include/darknet.h adalah API Darknet untuk pengembang C, C++, dan Python.
/usr/include/darknet_version.h berisi informasi versi untuk pengembang.
/usr/lib/libdarknet.so adalah perpustakaan yang dapat dihubungkan dengan pengembang C, C++, dan Python.
/opt/darknet/cfg/... adalah tempat semua templat .cfg disimpan.
Anda sekarang sudah selesai! Darknet telah dibangun dan diinstal ke /usr/bin/. Jalankan ini untuk menguji: versi darknet.
Jika Anda tidak memiliki /usr/bin/darknet berarti Anda tidak menginstalnya, Anda hanya membuatnya! Pastikan Anda menginstal file .deb atau .rpm seperti dijelaskan di atas.
Metode Windows CMake
Petunjuk ini mengasumsikan instalasi baru Windows 11 22H2.
Buka jendela prompt perintah cmd.exe normal dan jalankan perintah berikut:
winget install Git.Git winget install Kitware.CMake winget install nsis.nsis winget install Microsoft.VisualStudio.2022.Community
Pada titik ini kita perlu memodifikasi instalasi Visual Studio untuk menyertakan dukungan untuk aplikasi C++:
klik menu "Windows Start" dan jalankan "Visual Studio Installer"
klik Ubah
pilih Pengembangan Desktop Dengan C++
klik Modifikasi di pojok kanan bawah, lalu klik Ya. Setelah semuanya diunduh dan diinstal, klik lagi menu "Windows Start" dan pilih Prompt Perintah Pengembang untuk VS 2022. Jangan gunakan PowerShell untuk langkah-langkah ini, Anda akan menjalankan menjadi masalah!
Pengguna tingkat lanjut:
Daripada menjalankan Prompt Perintah Pengembang, Anda dapat menggunakan prompt perintah normal atau ssh ke perangkat dan menjalankan "Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat" secara manual.
Setelah Anda menjalankan Prompt Perintah Pengembang seperti dijelaskan di atas (bukan PowerShell!), jalankan perintah berikut untuk menginstal Microsoft VCPKG, yang kemudian akan digunakan untuk membangun OpenCV:
cd c:mkdir c:srccd c:src git clone https://github.com/microsoft/vcpkgcd vcpkg bootstrap-vcpkg.bat .vcpkg.exe integrasikan instal .vcpkg.exe integrasikan powershell.vcpkg.exe instal opencv[contrib, dnn,ketik bebas,jpeg,openmp,png,webp,dunia]:x64-windows
Bersabarlah pada langkah terakhir ini karena mungkin membutuhkan waktu lama untuk dijalankan. Perlu mengunduh dan membangun banyak hal.
Pengguna tingkat lanjut:
Perhatikan bahwa ada banyak modul opsional lain yang mungkin ingin Anda tambahkan saat membuat OpenCV. Jalankan .vcpkg.exe pencarian opencv untuk melihat daftar lengkap.
Opsional: Jika Anda memiliki GPU NVIDIA modern, Anda dapat menginstal CUDA atau CUDA+cuDNN pada saat ini. Jika dipasang, Darknet akan menggunakan GPU Anda untuk mempercepat pemrosesan gambar (dan video).
Anda harus menghapus file CMakeCache.txt dari direktori build Darknet Anda untuk memaksa CMake menemukan kembali semua file yang diperlukan.
Ingatlah untuk membangun kembali Darknet.
Darknet dapat berjalan tanpanya, tetapi jika Anda ingin melatih jaringan khusus maka diperlukan CUDA atau CUDA+cuDNN.
Kunjungi https://developer.nvidia.com/cuda-downloads untuk mengunduh dan menginstal CUDA.
Kunjungi https://developer.nvidia.com/rdp/cudnn-download atau https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows untuk mengunduh dan menginstal cuDNN.
Setelah Anda menginstal CUDA pastikan Anda dapat menjalankan nvcc.exe dan nvidia-smi.exe. Anda mungkin harus mengubah variabel PATH Anda.
Setelah Anda mengunduh cuDNN, unzip dan salin direktori bin, include, dan lib ke C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/. Anda mungkin perlu menimpa beberapa file.
Jika Anda menginstal CUDA atau CUDA+cuDNN di lain waktu, atau Anda meningkatkan ke versi perangkat lunak NVIDIA yang lebih baru:
CUDA harus diinstal setelah Visual Studio. Jika Anda memutakhirkan Visual Studio, ingatlah untuk menginstal ulang CUDA.
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:
cd c:src git clone https://github.com/hank-ai/darknet.gitcd darknetmkdir buildcd build cmake -DCMAKEBUILDTYPE=Release -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake .. msbuild. exe /property:Platform=x64;Configuration=Rilis /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj
Jika Anda mendapatkan kesalahan tentang beberapa DLL CUDA atau cuDNN yang hilang seperti culas64_12.dll, salin file CUDA .dll secara manual ke direktori keluaran yang sama dengan Darknet.exe. Misalnya:
salin "C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll" src-cliRelease
(Itu adalah contohnya! Periksa untuk memastikan versi apa yang Anda jalankan, dan jalankan perintah yang sesuai dengan apa yang telah Anda instal.)
Setelah file disalin, jalankan kembali perintah msbuild.exe terakhir untuk menghasilkan paket instalasi NSIS:
msbuild.exe /property:Platform=x64;Configuration=Rilis PACKAGE.vcxproj
Pengguna tingkat lanjut:
Perhatikan bahwa output dari perintah cmake adalah file solusi Visual Studio normal, Darknet.sln. Jika Anda seorang pengembang perangkat lunak yang secara rutin menggunakan Visual Studio GUI alih-alih msbuild.exe untuk membangun proyek, Anda dapat mengabaikan baris perintah dan memuat proyek Darknet di Visual Studio.
Anda sekarang seharusnya memiliki file ini yang dapat Anda jalankan: C:srcDarknetbuildsrc-cliReleasedarknet.exe. Jalankan ini untuk menguji: versi C:srcDarknetbuildsrc-cliReleasedarknet.exe.
Untuk menginstal Darknet dengan benar, perpustakaan, file yang disertakan, dan DLL yang diperlukan, jalankan wizard instalasi NSIS yang dibuat pada langkah terakhir. Lihat file darknet-VERSION.exe di direktori build. Misalnya:
darknet-2.0.31-win64.exe
Menginstal paket instalasi NSIS akan:
Buat direktori bernama Darknet, seperti C:Program FilesDarknet.
Instal aplikasi CLI, darknet.exe dan aplikasi contoh 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.
Anda sekarang sudah selesai! Setelah wizard instalasi selesai, Darknet akan diinstal ke C:Program FilesDarknet. Jalankan ini untuk menguji: C:Program FilesDarknetbindarknet.exe version.
Jika Anda tidak memiliki C:/Program Files/darknet/bin/darknet.exe maka ini berarti Anda tidak menginstalnya, Anda hanya membuatnya! Pastikan Anda menelusuri setiap panel wizard instalasi NSIS pada langkah sebelumnya.
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 tersedia langsung 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 dengan file .names dan .cfg yang sesuai. Anda dapat melatih jaringan Anda sendiri (sangat disarankan!) atau mengunduh jaringan saraf yang telah dilatih dan disediakan oleh seseorang secara gratis di internet. Contoh kumpulan data terlatih meliputi:
LEGO Gears (menemukan objek dalam gambar)
Rolodex (menemukan teks dalam gambar)
MSCOCO (deteksi objek kelas 80 standar)
Perintah yang harus dijalankan meliputi:
Buat daftar beberapa perintah dan opsi yang mungkin untuk dijalankan:
bantuan darknet
Periksa versinya:
versi darknet
Prediksi menggunakan gambar:
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
Bekerja dengan 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 webcam:
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
Berjalan pada GPU tertentu:
V2: demo detektor darknet animal.data animal.cfg animal_best.weights -i 1 test.mp4
Untuk memeriksa keakuratan jaringan saraf:
peta detektor darknet Driving.data Driving.cfg Driving_best.weights ... Nama Id AvgPrecision 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 53 93 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 5 10 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 2 17 451 4643 0,9237 0,0763 0,8844 0,9408 0,9115 0,0885
Untuk memeriksa akurasi mAP@IoU=75:
detektor darknet peta animal.data animal.cfg animalbest.weights -iouthresh 0.75
Menghitung ulang jangkar paling baik dilakukan di DarkMark, karena ini akan berjalan 100 kali berturut-turut dan memilih jangkar terbaik dari semua jangkar yang telah 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)
Pelatihan
Tautan cepat ke bagian yang relevan dari FAQ Darknet/YOLO:
Bagaimana cara mengatur file dan direktori saya?
File konfigurasi mana yang harus saya gunakan?
Perintah apa yang harus saya gunakan saat melatih jaringan saya sendiri?
Cara termudah untuk membuat anotasi dan melatih adalah dengan menggunakan DarkMark untuk membuat semua file Darknet yang diperlukan. Ini jelas merupakan cara yang disarankan untuk melatih jaringan saraf baru.
Jika Anda lebih suka mengatur berbagai file secara manual untuk melatih jaringan khusus:
Buat folder baru tempat file akan disimpan. Untuk contoh ini, jaringan saraf akan dibuat untuk mendeteksi hewan, sehingga direktori berikut dibuat: ~/nn/animals/.
Salin salah satu file konfigurasi Darknet yang ingin Anda gunakan sebagai templat. Misalnya, lihat cfg/yolov4-tiny.cfg. Tempatkan ini di folder yang Anda buat. Untuk contoh ini, kita sekarang memiliki ~/nn/animals/animals.cfg.
Buat file teks animal.names di folder yang sama tempat Anda meletakkan file konfigurasi. Untuk contoh ini, kita sekarang memiliki ~/nn/animals/animals.names.
Edit file animal.names dengan editor teks Anda. Buat daftar kelas yang ingin Anda gunakan. Anda harus memiliki tepat 1 entri per baris, tanpa baris kosong dan tanpa komentar. Untuk contoh ini, file .names akan berisi 4 baris:
anjing kucing burung kuda
Buat file teks animal.data di folder yang sama. Untuk contoh ini, file .data akan berisi:
kelas = 4 kereta = /home/nama pengguna/nn/animals/animalstrain.txt valid = /home/nama pengguna/nn/animals/animalsvalid.txt nama = /home/nama pengguna/nn/animals/animals.names cadangan = /home/ nama pengguna/nn/hewan
Buat folder tempat Anda menyimpan gambar dan anotasi. Misalnya, ini bisa berupa ~/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 dengan tangan karena setiap anotasi harus berisi koordinat yang tepat untuk anotasi tersebut. Lihat DarkMark atau perangkat lunak serupa lainnya untuk membuat anotasi pada gambar Anda. Format anotasi YOLO dijelaskan di FAQ Darknet/YOLO.
Buat file teks "train" dan "valid" yang diberi nama dalam file .data. Kedua file teks ini perlu mencantumkan satu per satu semua gambar yang harus digunakan Darknet untuk melatih dan untuk validasi saat menghitung% peta. Tepat satu gambar per baris. Jalur dan nama file mungkin relatif atau absolut.
Ubah file .cfg Anda dengan editor teks.
Pastikan batch=64.
Perhatikan subdivisinya. Bergantung pada dimensi jaringan dan jumlah memori yang tersedia pada GPU Anda, Anda mungkin perlu menambah subdivisi. Nilai terbaik untuk digunakan adalah 1 jadi mulailah dengan itu. Lihat FAQ Darknet/YOLO jika 1 tidak berhasil untuk Anda.
Catatan maxbatches=.... Nilai yang baik untuk digunakan saat memulai adalah 2000 x jumlah kelas. Misalnya kita punya 4 hewan, jadi 4 * 2000 = 8000. Artinya kita akan menggunakan maxbatches=8000.
Catatan langkah=.... Ini harus diatur ke 80% dan 90% dari maxbatch. Untuk contoh ini kita akan menggunakan langkah=6400,7200 karena maxbatches disetel ke 8000.
Perhatikan lebar=... dan tinggi=.... Ini adalah dimensi jaringan. FAQ Darknet/YOLO menjelaskan cara menghitung ukuran terbaik untuk digunakan.
Cari semua contoh baris class=... dan modifikasi dengan jumlah kelas di file .names Anda. Untuk contoh ini, kami akan menggunakan kelas=4.
Cari semua contoh baris filter=... di bagian [convolutional] sebelum setiap bagian [yolo]. Nilai yang digunakan adalah (numberofclasses + 5) 3. Arti contoh ini, (4 + 5) 3 = 27. Jadi kita akan menggunakan filter=27 pada baris yang sesuai.
Mulai pelatihan! Jalankan perintah berikut:
cd ~/nn/animals/ darknet detector -map -dont_show melatih hewan.data hewan.cfg
Bersabarlah. Bobot terbaik akan disimpan sebagai animal_best.weights. Dan kemajuan pelatihan dapat diamati dengan melihat
