marmite
0.1.7
Marmite
Marmite [Penurunan harga membuat situs] adalah generator situs statis yang sangat sederhana.
Editor Downcodes berkata: "Marmite adalah generator situs web statis yang sangat sederhana. Saya sering menggunakan SSG lain, tetapi selalu merasa terlalu rumit untuk menyiapkannya dari awal. Hanya direktori file penurunan harga dan menjalankan perintah dapat menghasilkan situs web, Kedengarannya seperti ini sangat nyaman."
Cara menggunakan
Marmite melakukan satu hal sederhana:
Konversikan file penurunan harga ke HTML
Itu juga dapat menangani pembuatan atau penyalinan file statis atau file media ke direktori keluaran.
Memasang
Instal menggunakan kargo:
' pesta
pemasangan kargo marmite
`
Atau unduh binari yang telah dikompilasi dari halaman rilis.
menggunakan
Sangat mudah digunakan!
' pesta
$ folder marmite dengan file markdown jalur yang dihasilkan situs
`
Situs web akan dibuat di direktori pathtogenerated_site/.
CLI
' pesta
❯ marmite --membantu
Marmite adalah generator situs statis termudah.
Penggunaan: marmite [PILIHAN]
Argumen:
Pilihan:
--serve Sajikan situs dengan server HTTP bawaan
--watch Mendeteksi perubahan dan membangun kembali situs secara otomatis
--mengikat
Alamat untuk mengikat server [default: localhost:8000]
--konfigurasi
Jalur ke file konfigurasi khusus [default: marmite.yaml]
--debug Cetak pesan debug
--init-templates Inisialisasi templat dalam proyek
--start-theme Menginisialisasi tema dengan templat dan aset statis
-h, --help Cetak bantuan
-V, --version Versi cetak
`
Mulailah
Baca tutorial untuk mempelajari cara memulai Marmite https://rochacbruno.github.io/marmite/getting-started.html dan luangkan beberapa menit untuk membuat blog Anda.
dokumen
Baca selengkapnya tentang cara menyesuaikan templat, menambahkan komentar, dan lainnya di https://rochacbruno.github.io/marmite/.
Meringkaskan
Marmite sangat sederhana.
Jika kesederhanaan ini tidak sesuai dengan kebutuhan Anda, ada generator situs web statis hebat lainnya yang tersedia. Berikut beberapa yang saya rekomendasikan:
Jekyll
Hugo
Gatsby
Berikutnya.js
Kerangka kerja deteksi objek Darknet dan YOLO
Ringkasan
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 canggih yang berjalan dalam kerangka Darknet.
Tautan penting:
Bagaimana Hank.ai membantu komunitas Darknet/YOLO
Situs web Darknet/YOLO
Pertanyaan Umum Darknet/YOLO
Server Perselisihan Darknet/YOLO
kertas
kertas YOLOv7
Kertas berskala-YOLOv4
kertas YOLOv4
kertas YOLOv3
Informasi umum
Kerangka kerja Darknet/YOLO secara konsisten mengungguli kerangka kerja lain dan versi YOLO dalam hal kecepatan dan akurasi.
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.
Darknet V3 ("Jazz"), dirilis pada Oktober 2024, dapat menjalankan video kumpulan data LEGO secara akurat hingga 1000 FPS saat menggunakan GPU NVIDIA RTX 3090, artinya Darknet/YOLO membaca dalam 1 milidetik atau kurang. Ambil, ubah ukuran, dan proses setiap frame video .
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 berjalan di Linux, Windows dan Mac. Lihat petunjuk pembuatan di bawah.
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 oleh Alexei Bochkovskiy dari 2017-2021 juga tidak memiliki nomor versi. Kami yakin 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 sesedikit mungkin memecah fungsionalitas yang ada sambil membiasakan diri dengan basis kode.
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++.
Chart.png yang ditingkatkan 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 berikutnya dimulai pada pertengahan tahun 2024, dengan rilis pada bulan Oktober 2024. Perintah versi sekarang mengembalikan 3.x "JAZZ".
Jika Anda perlu menjalankan salah satu perintah ini, Anda selalu dapat memeriksa cabang v2 sebelumnya. Beri tahu kami agar kami dapat menyelidiki penambahan perintah yang hilang.
Menghapus banyak perintah lama dan tidak terawat.
Banyak pengoptimalan kinerja, termasuk pengoptimalan selama pelatihan dan inferensi.
API C lama yang 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 angkat beban MSCOCO yang telah dilatih sebelumnya
Untuk kenyamanan, beberapa versi YOLO populer telah dilatih sebelumnya menggunakan 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 timbangan MSCOCO yang telah dilatih sebelumnya dapat diunduh dari beberapa lokasi berbeda atau dari repositori ini:
YOLOv2 (November 2016)
- yolov2-tiny.weights
- yolov2-penuh.bobot
YOLOv3 (Mei 2018)
- yolov3-tiny.weights
- yolov3-penuh.bobot
YOLOv4 (Mei 2020)
- yolov4-tiny.weights
- yolov4-penuh.bobot
YOLOv7 (Agustus 2022)
- yolov7-tiny.weights
- yolov7-penuh.bobot
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.nama yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
DarkHelp coco.nama yolov4-tiny.cfg yolov4-tiny.weights video1.avi
`
Perhatikan bahwa seseorang harus melatih jaringannya sendiri. MSCOCO sering digunakan untuk memastikan bahwa semuanya baik-baik saja.
Membangun
Berbagai metode konstruksi dari masa lalu (pra-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 membangun, menginstal, atau menjalankan Darknet/YOLO, sama seperti Anda tidak perlu menjadi mekanik untuk mengendarai mobil.
Google Kolab
Petunjuk Google Colab sama dengan petunjuk Linux. Sejumlah notebook Jupyter disediakan 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 perangkat lunak yang diperlukan:
' pesta
sudo apt-get install build-essential git libopencv-dev cmake
`
2. Kloning repositori Darknet:
' pesta
git klon https://github.com/hank-ai/darknet
`
3. Buat direktori build:
' pesta
cd darknet
mkdir membangun
pembuatan cd
`
4. Gunakan CMake untuk menghasilkan file build:
' pesta
cmake -DCMAKEBUILDTYPE=Lepaskan ..
`
5. Bangun Jaringan Gelap:
' pesta
buat -j4
`
6. Instal Darknet (opsional):
' pesta
membuat paket
sudo dpkg -i darknet-VERSION.deb
`
Melihat:
Jika Anda memiliki GPU NVIDIA yang terinstal di sistem Anda, Anda dapat menginstal CUDA atau CUDA+cuDNN untuk mempercepat pemrosesan gambar (dan video).
Jika Anda menginstal CUDA atau CUDA+cuDNN atau mengupgrade perangkat lunak NVIDIA, Anda perlu menghapus file CMakeCache.txt di direktori build dan membangun kembali Darknet.
Anda dapat menggunakan perintah versi darknet untuk memeriksa apakah Darknet telah berhasil diinstal.
Metode Windows CMake
1. Instal perangkat lunak yang diperlukan:
' pesta
dapatkan instal Git.Git
winget instal Kitware.CMake
winget instal nsis.nsis
winget instal Microsoft.VisualStudio.2022.Community
`
2. Ubah instalasi Visual Studio:
- Buka menu Start Windows dan jalankan Visual Studio Installer.
- Klik "Edit".
- Pilih "Pengembangan desktop menggunakan C++".
- Klik "Edit" di pojok kanan bawah, lalu klik "Ya".
3. Instal Microsoft VCPKG:
' pesta
CDC:
mkdir c:src
cd c:src
git clone https://github.com/microsoft/vcpkg
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
`
4. Kloning repositori Darknet:
' pesta
cd c:src
git klon https://github.com/hank-ai/darknet.git
cd darknet
mkdir membangun
pembuatan cd
`
5. Gunakan CMake untuk menghasilkan file build:
' pesta
cmake -DCMAKEBUILDTYPE=Rilis -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
`
6. Bangun Jaringan Gelap:
' pesta
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
msbuild.exe /property:Platform=x64;Configuration=Rilis PACKAGE.vcxproj
`
7. Instal Darknet:
- Jalankan file darknet-VERSION.exe di direktori build untuk memulai wizard instalasi NSIS.
Melihat:
Jika Anda memiliki GPU NVIDIA yang terinstal di sistem Anda, Anda dapat menginstal CUDA atau CUDA+cuDNN untuk mempercepat pemrosesan gambar (dan video).
Jika Anda menginstal CUDA atau CUDA+cuDNN atau mengupgrade perangkat lunak NVIDIA, Anda perlu menghapus file CMakeCache.txt di direktori build dan membangun kembali Darknet.
Anda dapat menggunakan perintah versi darknet.exe untuk memeriksa apakah Darknet telah berhasil diinstal.
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 di Darknet. Anda dapat menggunakan Darknet CLI dan DarkHelp CLI secara bersamaan, keduanya tidak eksklusif.
Untuk sebagian besar perintah yang ditampilkan di bawah, Anda perlu menggunakan file .weights yang sesuai dengan file .names dan .cfg. Anda dapat melatih jaringan Anda sendiri (sangat disarankan!) atau mengunduh jaringan saraf yang telah dilatih dan diposting orang lain secara gratis di Internet. Contoh kumpulan data pra-pelatihan meliputi:
LEGO Gears (temukan objek dalam gambar)
Rolodex (menemukan teks dalam gambar)
MSCOCO (deteksi objek standar 80 kategori)
Perintah yang harus dijalankan meliputi:
bantuan darknet: Menampilkan informasi bantuan.
versi darknet: Periksa versi.
tes detektor darknet cars.data cars.cfg cars_best.weights image1.jpg: Gunakan gambar untuk prediksi (V2).
darknet02displayannotatedimages cars.cfg image1.jpg: Prediksi menggunakan gambar (V3).
DarkHelp cars.cfg cars.cfg cars_best.weights image1.jpg: Prediksi menggunakan gambar (DarkHelp).
detektor darknet menguji animal.data animal.cfg animalbest.weights -extoutput dog.jpg: Koordinat keluaran (V2).
darknet01inference_images animal dog.jpg: Koordinat keluaran (V3).
DarkHelp --json animal.cfg animal.names animal_best.weights dog.jpg: Koordinat keluaran (DarkHelp).
demo detektor darknet animal.data animal.cfg animalbest.weights -extoutput test.mp4: Memproses video (V2).
darknet03display_videos animal.cfg test.mp4: Memproses video (V3).
DarkHelp animal.cfg animal.names animal_best.weights test.mp4: Memproses video (DarkHelp).
demo detektor darknet animal.data animal.cfg animal_best.weights -c 0: Membaca dari webcam (V2).
darknet08display_webcam animal: Membaca dari webcam (V3).
demo detektor darknet animal.data animal.cfg animalbest.weights test.mp4 -outfilename res.avi: Simpan hasil ke video (V2).
darknet05processvideosmultithreaded animal.cfg animal.names animal_best.weights test.mp4: Simpan hasil ke video (V3).
DarkHelp animal.cfg animal.names animal_best.weights test.mp4: Menyimpan hasil ke video (DarkHelp).
demo detektor darknet animal.data animal.cfg animalbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput: Gunakan format JSON (V2).
darknet06imagestojson animal image1.jpg: Gunakan format JSON (V3).
DarkHelp --json animal.names animal.cfg animal_best.weights image1.jpg: Gunakan format JSON (DarkHelp).
demo detektor darknet animal.data animal.cfg animal_best.weights -i 1 test.mp4: Jalankan pada GPU tertentu.
peta detektor darknet Driving.data Driving.cfg Driving_best.weights ...: Periksa keakuratan jaringan saraf.
detektor darknet peta animal.data animal.cfg animalbest.weights -iouthresh 0,75: Periksa keakuratan mAP@IoU=75.
detektor darknet calcanchors animal.data -numof_clusters 6 -width 320 -height 256: Menghitung ulang titik jangkar.
detektor darknet -map -dont_show train animal.data animal.cfg: Latih jaringan baru.
kereta
Bagaimana cara mengatur file dan direktori saya?
Profil mana yang harus saya gunakan?
Perintah apa yang harus saya gunakan saat melatih jaringan saya sendiri?
Menggunakan anotasi dan pelatihan DarkMark adalah metode paling sederhana, yang 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, ikuti langkah-langkah berikut:
1. Buat folder baru untuk menyimpan file. Misalnya, Anda akan membuat jaringan saraf untuk mendeteksi hewan, sehingga direktori berikut akan dibuat: ~/nn/animals/.
2. Salin file konfigurasi Darknet yang ingin Anda gunakan sebagai template. Lihat, misalnya, cfg/yolov4-tiny.cfg. Tempatkan di folder yang Anda buat. Untuk contoh ini, kita sekarang memiliki ~/nn/animals/animals.cfg.
3. Buat file teks animal.names di folder yang sama tempat Anda meletakkan file konfigurasi. Untuk contoh ini, kita sekarang memiliki ~/nn/animals/animals.names.
4. Gunakan editor teks untuk mengedit file animal.names. Cantumkan kategori yang ingin Anda gunakan. Setiap baris harus memiliki tepat satu item, tidak boleh ada baris kosong atau komentar. Untuk contoh ini, file .names akan berisi 4 baris berikut:
`
anjing
kucing
burung
kuda
`
5. Buat file teks animal.data di folder yang sama. Untuk contoh ini, 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 bisa berupa ~/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. Silakan merujuk ke DarkMark atau perangkat lunak serupa lainnya untuk memberi 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 masing-masing harus mencantumkan semua gambar yang harus digunakan Darknet untuk pelatihan dan validasi (saat menghitung peta%). Satu gambar per baris. Jalur dan nama file bisa bersifat relatif atau absolut.
8. Gunakan editor teks untuk memodifikasi file .cfg Anda.
- Pastikan batch=64.
- Perhatikan subdivisi. Bergantung pada dimensi jaringan dan jumlah memori yang tersedia pada GPU, Anda mungkin perlu menambah subdivisi. Nilai optimalnya adalah 1, jadi mulailah dengan itu. Jika 1 tidak berhasil untuk Anda, silakan lihat FAQ Darknet/YOLO.
- Catatan maxbatches=…. Nilai yang baik untuk memulai adalah jumlah kategori dikalikan dengan 2000. Misalnya kita punya 4 hewan, jadi 4 * 2000 = 8000. Artinya kita akan menggunakan maxbatches=8000.
- Catatan langkah=…. Ini harus disetel ke 80% dan 90% dari maxbatch. Untuk contoh ini, 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.
- Cari semua baris class=... dan modifikasi dengan jumlah kelas di file .names Anda. Untuk contoh ini kita akan menggunakan kelas=4.
- Temukan semua baris filter=... di bagian [konvolusional] sebelum setiap bagian [yolo]. Nilai yang digunakan adalah (jumlah kategori + 5) 3. Artinya untuk contoh ini, (4 + 5) 3 = 27. Oleh karena itu, kami 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
`
Harap tunggu. 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 berlatih dengan Darknet, lihat DarkMark.
Untuk CLI alternatif yang kuat selain Darknet untuk bekerja dengan ubin gambar, pelacakan objek dalam video, atau API C++ yang kuat yang dapat dengan mudah digunakan dalam aplikasi komersial, lihat DarkHelp.
Silakan lihat FAQ Darknet/YOLO untuk melihat 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 Darknet/YOLO Discord.
peta jalan
Terakhir diperbarui: 30-10-2024
Selesai
Mengganti qsort() dengan std::sort() selama pelatihan (beberapa pengganti tidak jelas 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 pada 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 kode sumber luar
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 konversi cv::Mat menjadi void*, melainkan gunakan sebagai objek C++ yang benar
Memperbaiki atau mempertahankan struktur gambar internal yang digunakan secara konsisten
Perbaiki build untuk perangkat Jetson arsitektur ARM
- Perangkat Jetson asli kemungkinan besar tidak akan diperbaiki karena tidak lagi didukung oleh NVIDIA (tidak ada kompiler C++17)
- Perangkat Jetson Orin baru berjalan
Perbaiki Python API di V3
- Butuh dukungan Python yang lebih baik (apakah pengembang Python bersedia membantu mengatasi masalah ini?)
tujuan jangka pendek
Ganti printf() dengan std::cout (sedang dalam proses)
Lihat 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)
Penggunaan cv::Mat yang lebih baik 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 saluran tunggal
Tambahkan dukungan untuk gambar saluran N dengan N > 3 (misalnya gambar dengan kedalaman ekstra atau saluran termal)
Pembersihan kode yang sedang berlangsung (sedang berlangsung)
tujuan jangka panjang
Perbaiki masalah CUDA/CUDNN yang terkait dengan semua GPU
Tulis ulang kode CUDA+cuDNN
Pertimbangkan untuk menambahkan dukungan untuk GPU non-NVIDIA
Kotak pembatas yang diputar, atau semacam penyangga "sudut".
poin/kerangka kunci
Peta panas (pekerjaan sedang berlangsung)
segmentasi
