Sistem Crowdfunding RaiseDreams v191113
191113
Kerangka Deteksi Objek Darknet dan YOLO
Darknet adalah kerangka jaringan saraf sumber terbuka yang ditulis dalam C, C++, dan CUDA.
YOLO (You Only Look Once) adalah sistem pendeteksi objek canggih dan real-time yang berjalan dalam kerangka Darknet.
Pelajari bagaimana Hank.ai memberdayakan komunitas Darknet/YOLO!
Mengumumkan Darknet V3 "Jazz"
Kunjungi Situs Web Darknet/YOLO
Jelajahi FAQ Darknet/YOLO
Bergabunglah dengan Server Perselisihan Darknet/YOLO
Dokumen
1. Makalah YOLOv7: Tautan ke Makalah
2. Kertas Berskala-YOLOv4: Tautan ke Kertas
3. Makalah YOLOv4: Tautan ke Makalah
4. Makalah YOLOv3: Tautan ke Makalah
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 bersumber terbuka. Anda dapat dengan mudah mengintegrasikan Darknet/YOLO ke dalam proyek dan produk Anda yang sudah ada, termasuk proyek dan produk komersial, tanpa biaya lisensi apa pun.
Darknet V3 (“Jazz”), dirilis pada Oktober 2024, mencapai performa luar biasa, menjalankan video kumpulan data LEGO hingga 1000 FPS pada GPU NVIDIA RTX 3090. Ini berarti Darknet/YOLO memproses setiap frame video, termasuk mengubah ukuran dan memproses, dalam waktu kurang dari 1 milidetik.
Bergabunglah dengan server Darknet/YOLO Discord untuk dukungan dan diskusi: https://discord.gg/zSq8rtW
Versi CPU Darknet/YOLO beroperasi secara efisien di berbagai perangkat, termasuk Raspberry Pi, server cloud & colab, desktop, laptop, dan rig pelatihan kelas atas. Namun, versi GPU Darknet/YOLO memerlukan GPU berkemampuan CUDA dari NVIDIA.
Darknet/YOLO kompatibel dengan sistem operasi Linux, Windows, dan Mac. Lihat petunjuk bangunan di bawah untuk panduan rinci.
Versi Darknet
Alat Darknet asli yang dikembangkan oleh Joseph Redmon antara tahun 2013-2017 tidak memiliki nomor versi. Kami menyebut versi ini sebagai 0.x.
Repositori Darknet populer berikutnya yang dikelola oleh Alexei Bochkovskiy dari 2017-2021 juga tidak memiliki nomor versi. Kami menganggap ini versi 1.x.
Repositori Darknet disponsori oleh Hank.ai dan dikelola oleh Stéphane Charette, mulai tahun 2023, memperkenalkan perintah versi untuk pertama kalinya. Dari tahun 2023 hingga akhir tahun 2024, ia mengembalikan versi 2.x "OAK."
Tim pengembangan berfokus pada meminimalkan gangguan terhadap fungsi yang ada sambil membiasakan diri dengan basis kode.
Perubahan penting yang diterapkan selama periode ini meliputi:
1. Proses Pembuatan Terpadu: Langkah-langkah pembuatan yang ditulis ulang untuk menyederhanakan proses menggunakan CMake untuk Windows dan Linux.
2. Konversi C++: Basis kode dikonversi untuk menggunakan kompiler C++.
3. Peningkatan Grafik: Visualisasi chart.png ditingkatkan selama pelatihan.
4. Perbaikan Bug dan Pengoptimalan: Banyak perbaikan bug dan pengoptimalan terkait kinerja diterapkan, terutama berfokus pada pengurangan waktu pelatihan.
Cabang terakhir dari basis kode ini adalah versi 2.1, terletak di cabang v2.
Fase pengembangan berikutnya dimulai pada pertengahan tahun 2024 dan mencapai puncaknya dengan rilis versi 3.x "JAZZ" pada bulan Oktober 2024. Perintah versi sekarang mengembalikan 3.x.
Anda selalu dapat kembali ke cabang v2 sebelumnya jika Anda perlu menjalankan perintah khusus dari versi tersebut. Harap beri tahu tim pengembangan jika Anda menemukan perintah yang hilang, dan mereka akan menyelidiki untuk menambahkannya kembali.
Perubahan signifikan yang diperkenalkan pada versi 3.x "JAZZ":
1. Penghapusan Perintah: Banyak perintah usang dan tidak didukung telah dihapus.
2. Pengoptimalan Kinerja: Banyak pengoptimalan kinerja diterapkan untuk pelatihan dan inferensi.
3. Modifikasi API: API C lama mengalami modifikasi. Aplikasi yang menggunakan API Darknet asli mungkin memerlukan sedikit penyesuaian. https://darknetcv.ai/api/api.html
4. API C/C++ baru: Darknet V3 memperkenalkan C dan C++ API baru. https://darknetcv.ai/api/api.html
5. Kode Contoh yang Disempurnakan: Aplikasi baru dan kode contoh tersedia di contoh src. https://darknetcv.ai/api/files.html
Anak Timbangan Terlatih MSCOCO
Beberapa versi YOLO populer telah dilatih sebelumnya untuk kenyamanan pada kumpulan data MSCOCO. Kumpulan data ini mencakup 80 kelas, yang tercantum dalam file teks cfg/coco.names.
Selain MSCOCO, berbagai kumpulan data sederhana dan bobot terlatih tersedia untuk pengujian Darknet/YOLO, seperti LEGO Gears dan Rolodex. Lihat FAQ Darknet/YOLO untuk lebih jelasnya.
Anak timbang terlatih MSCOCO dapat diunduh dari berbagai sumber, termasuk 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 disediakan untuk tujuan demonstrasi saja. File .cfg dan .names yang sesuai untuk MSCOCO berada di direktori cfg.
Berikut ini beberapa 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
`
Pengguna didorong untuk melatih jaringan mereka sendiri. MSCOCO terutama berfungsi sebagai alat untuk memverifikasi bahwa semuanya berfungsi dengan benar.
Bangunan
Berbagai metode pembangunan yang digunakan sebelum tahun 2023 telah dikonsolidasikan menjadi solusi terpadu. Darknet memerlukan C++17 atau versi yang lebih baru, OpenCV, dan memanfaatkan CMake untuk menghasilkan file proyek yang diperlukan.
Membangun Darknet/YOLO tidak memerlukan pengetahuan C++. Ibaratnya mengendarai mobil tanpa menjadi mekanik.
Google Kolab
Petunjuk Google Colab mencerminkan petunjuk untuk Linux. Beberapa notebook Jupyter tersedia untuk mendemonstrasikan tugas tertentu, seperti melatih jaringan baru.
Jelajahi notebook di subdirektori colab atau ikuti petunjuk Linux di bawah.
Metode CMake Linux
Tutorial Pembuatan Darknet untuk Linux
1. Prasyarat: Pastikan Anda telah menginstal paket-paket berikut:
' pesta
sudo apt-get install build-essential git libopencv-dev cmake
`
2. Mengkloning Darknet: Mengkloning repositori Darknet:
' pesta
mkdir ~/srccd ~/src
git klon https://github.com/hank-ai/darknet
cd darknet
`
3. Buat Direktori Build: Buat direktori build:
' pesta
mkdir membangun
pembuatan cd
`
4. Konfigurasikan dengan CMake: Jalankan CMake untuk mengonfigurasi build:
' pesta
cmake -DCMAKEBUILDTYPE=Lepaskan ..
`
5. Membangun: Membangun proyek:
' pesta
buat -j4
`
6. Paket: Buat paket Debian:
' pesta
membuat paket
`
7. Instal: Instal paket:
' pesta
sudo dpkg -i darknet-VERSION.deb
`
Opsional: CUDA/cuDNN untuk Akselerasi GPU
1. Instal CUDA: Jika Anda memiliki GPU NVIDIA modern, Anda dapat menginstal CUDA untuk akselerasi GPU. Unduh dan instal CUDA dari https://developer.nvidia.com/cuda-downloads.
2. Instal cuDNN: Unduh dan instal cuDNN dari https://developer.nvidia.com/rdp/cudnn-download atau https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn- ikhtisar-manajer-instalasi-paket.
3. Verifikasi Instalasi CUDA: Pastikan Anda dapat menjalankan nvcc dan nvidia-smi setelah menginstal CUDA. Anda mungkin perlu menyesuaikan variabel PATH Anda.
4. Konfigurasi CMake (jika CUDA diinstal setelah CMake): Jika Anda menginstal CUDA atau CUDA+cuDNN setelah mengonfigurasi CMake, Anda perlu menghapus file CMakeCache.txt di direktori build Darknet untuk memaksa CMake menemukan kembali file yang diperlukan. Kemudian, jalankan kembali CMake dan bangun kembali Darknet.
Pengguna Tingkat Lanjut
Paket RPM: Untuk membuat file instalasi RPM dan bukan file DEB, ubah baris berikut di CM_package.cmake:
`membuat
# SET (CPACK_GENERATOR "DEB")
SET (CPACK_GENERATOR "RPM")
`
Distribusi seperti Centos dan OpenSUSE: Untuk distribusi seperti Centos dan OpenSUSE, ubah baris di CM_package.cmake menjadi:
`membuat
# SET (CPACK_GENERATOR "DEB")
SET (CPACK_GENERATOR "RPM")
`
Paket Instalasi: Untuk menginstal paket setelah dibuat, gunakan manajer paket distribusi Anda. Misalnya, pada sistem berbasis Debian seperti Ubuntu, gunakan sudo dpkg -i darknet-2.0.1-Linux.deb.
File Kunci Terpasang:
/usr/bin/darknet: Darknet utama yang dapat dieksekusi. Konfirmasikan instalasi dengan menjalankan versi darknet di CLI.
/usr/include/darknet.h: Darknet API untuk pengembang C, C++, dan Python.
/usr/include/darknet_version.h: Berisi informasi versi untuk pengembang.
/usr/lib/libdarknet.so: Pustaka yang akan dihubungkan dengan pengembang C, C++, dan Python.
/opt/darknet/cfg/...: Menyimpan semua template .cfg.
Metode Windows CMake
Tutorial Pembuatan untuk Windows (Dengan Asumsi Instalasi Windows 11 22H2 Baru)
1. Instal Prasyarat: Instal komponen yang diperlukan menggunakan winget:
' pesta
dapatkan instal Git.Git
winget instal Kitware.CMake
winget instal nsis.nsis
winget instal Microsoft.VisualStudio.2022.Community
`
2. Instal Dukungan Visual Studio C++: Ubah instalasi Visual Studio untuk menyertakan dukungan C++:
* Buka menu "Windows Start" dan jalankan "Visual Studio Installer".
* Klik "Ubah".
* Pilih "Pengembangan Desktop Dengan C++".
* Klik "Modify" di pojok kanan bawah dan kemudian "Yes".
3. Prompt Perintah Pengembang: Luncurkan "Prompt Perintah Pengembang untuk VS 2022" dari menu "Windows Start". Jangan gunakan PowerShell untuk langkah-langkah ini!
4. Instal Microsoft VCPKG: Instal VCPKG untuk membangun OpenCV:
' 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
`
* Bersabarlah, langkah ini mungkin memerlukan banyak waktu karena perlu mengunduh dan membuat banyak komponen.
5. Opsional: CUDA/cuDNN untuk Akselerasi GPU: Ikuti langkah-langkah yang sama yang diuraikan di bagian Linux.
6. Mengkloning Darknet: Mengkloning repositori Darknet:
' pesta
cd c:src
git klon https://github.com/hank-ai/darknet.git
cd darknet
mkdir membangun
pembuatan cd
`
7. Konfigurasi dengan CMake: Konfigurasikan build menggunakan CMake:
' pesta
cmake -DCMAKEBUILDTYPE=Rilis -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
`
8. Bangun dengan msbuild: Bangun proyek menggunakan msbuild:
' 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
`
Pemecahan masalah: DLL CUDA/cuDNN tidak ada
Jika Anda mengalami kesalahan tentang CUDA atau cuDNN DLL yang hilang (misalnya, 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
`
* Ingatlah untuk menyesuaikan perintah berdasarkan versi CUDA Anda.
Jalankan kembali perintah msbuild.exe setelah menyalin DLL.
Pengguna Tingkat Lanjut
Solusi Visual Studio: CMake menghasilkan file solusi Visual Studio (Darknet.sln). Pengembang perangkat lunak yang lebih suka menggunakan Visual Studio GUI dapat memuat proyek Darknet dalam Visual Studio daripada menggunakan baris perintah.
Verifikasi dan Instalasi
Verifikasi: Jalankan perintah berikut untuk memeriksa apakah Darknet dibuat dengan benar:
' pesta
C:srcDarknetbuildsrc-cliReleasedarknet.exe versi
`
Instalasi: Jalankan wizard instalasi NSIS yang dibuat pada langkah terakhir untuk menginstal Darknet, perpustakaan, menyertakan file, dan DLL yang diperlukan dengan benar. Temukan file darknet-VERSION.exe di direktori build. Misalnya: darknet-2.0.31-win64.exe.
File Kunci Terpasang:
C:Program FilesDarknetbin/darknet.exe: Aplikasi Darknet CLI.
C:Program FilesDarknet/bin: Berisi contoh aplikasi lainnya.
C:Program FilesDarknet: Termasuk file .dll pihak ketiga yang diperlukan (OpenCV), file Darknet .dll, .lib, dan .h, dan file .cfg templat.
Menggunakan Darknet
CLI
Daftar berikut ini tidak mencakup semua perintah yang didukung oleh Darknet.
Selain Darknet CLI, pertimbangkan CLI proyek DarkHelp, yang menawarkan CLI alternatif dengan beberapa fitur lanjutan yang tidak tersedia secara langsung di Darknet. Anda dapat menggunakan kedua CLI secara bersamaan.
Prasyarat Penting:
Untuk sebagian besar perintah, Anda memerlukan file .weights bersama dengan file .names dan .cfg yang sesuai.
Latih jaringan Anda sendiri (sangat disarankan!) atau unduh jaringan terlatih dari internet.
Contoh Kumpulan Data yang telah dilatih sebelumnya:
LEGO Gears: Deteksi objek dalam gambar.
Rolodex: Deteksi teks dalam gambar.
MSCOCO: Deteksi objek kelas 80 standar.
Contoh Perintah:
1. Dapatkan Bantuan:
' pesta
bantuan darknet
`
2. Periksa Versi:
' pesta
versi darknet
`
3. Prediksi Gambar:
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. Pemrosesan Video:
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. Pemrosesan Kamera Web:
V2:
' pesta
demo detektor darknet animal.data animal.cfg animal_best.weights -c 0
`
V3:
' pesta
darknet08display_webcam binatang
`
7. Keluaran 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. Keluaran 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. GPU tertentu:
V2:
' pesta
demo detektor darknet animal.data animal.cfg animal_best.weights -i 1 test.mp4
`
10. Evaluasi Akurasi:
peta:
' pesta
peta detektor darknet Driving.data Driving.cfg Driving_best.weights ...
`
peta@IoU=75:
' pesta
detektor darknet peta animal.data animal.cfg animalbest.weights -iouthresh 0.75
`
11. Perhitungan Jangkar:
DarkMark: Gunakan DarkMark untuk menghitung ulang jangkar untuk kinerja optimal.
Darknet (Metode Lama):
' pesta
detektor darknet calcanchors animal.data -numof_clusters 6 -width 320 -height 256
`
12. Melatih Jaringan Baru:
DarkMark (Disarankan): Gunakan DarkMark untuk anotasi dan pelatihan.
Pengaturan Manual:
1. Pembuatan Direktori: Buat folder untuk proyek Anda (misalnya, ~/nn/animals/).
2. File Konfigurasi: Salin file konfigurasi Darknet sebagai template (misalnya, cfg/yolov4-tiny.cfg).
3. File .names: Buat file teks .names yang mencantumkan kelas Anda (misalnya, ~/nn/animals/animals.names).
4. File .data: Buat file teks .data di folder yang sama dengan file konfigurasi (misalnya, ~/nn/animals/animals.data).
5. Folder Dataset: Buat folder untuk gambar dan anotasi Anda (misalnya, ~/nn/animals/dataset).
6. Anotasi .txt: Hasilkan file .txt untuk setiap gambar, yang berisi koordinat anotasi. Gunakan DarkMark atau alat anotasi lainnya.
7. File train/valid: Buat file animaltrain.txt dan animalvalid.txt yang mencantumkan gambar pelatihan dan validasi Anda.
8. Ubah File .cfg: Sesuaikan file konfigurasi berdasarkan dataset Anda.
* Tetapkan kumpulan=64.
* Sesuaikan subdivisi berdasarkan memori GPU Anda.
Setel max_batches ke 2000 jumlah kelas.
* Tetapkan langkah ke 80% dan 90% dari max_batches.
* Sesuaikan lebar dan tinggi berdasarkan dimensi jaringan.
* Tetapkan kelas=... ke jumlah kelas di file .names Anda.
Sesuaikan filter=... di bagian [konvolusional] sebelum setiap bagian [yolo] menjadi (jumlah kelas + 5) 3.
9. Pelatihan: Mulai pelatihan:
' pesta
cd ~/nn/hewan/
detektor darknet -peta -dont_show melatih hewan.data hewan.cfg
`
* Bobot terbaik akan disimpan sebagai animal_best.weights.
* Lihat file chart.png untuk memantau kemajuan pelatihan.
Alat dan Tautan Lainnya
Sumber Daya Utama:
DarkMark: Untuk mengelola proyek Darknet/YOLO, membuat anotasi gambar, memverifikasi anotasi, dan membuat file pelatihan.
DarkHelp: CLI alternatif yang tangguh untuk Darknet, dengan fitur seperti ubin gambar, pelacakan objek dalam video, dan API C++ tangguh yang cocok untuk aplikasi komersial.
FAQ Darknet/YOLO: Temukan jawaban atas pertanyaan umum dan solusi.
Saluran YouTube Stéphane: Jelajahi tutorial dan contoh video.
Server Perselisihan Darknet/YOLO: Terhubung dengan pengguna Darknet/YOLO lainnya untuk dukungan dan diskusi.
Peta jalan
Terakhir Diperbarui 30-10-2024:
Tugas yang Selesai:
1. Mengganti qsort() dengan std::sort() di bagian pelatihan yang relevan.
2. Menghapus check_mistakes, getchar(), dan system().
3. Mengonversi Darknet untuk menggunakan kompiler C++ (g++ di Linux, VisualStudio di Windows).
4. Memperbaiki versi Windows.
5. Memperbaiki dukungan Python.
6. Membangun perpustakaan Darknet.
7. Mengaktifkan kembali label pada prediksi (kode "abjad").
8. Mengaktifkan kembali kode CUDA/GPU.
9. Mengaktifkan kembali CUDNN.
10. Mengaktifkan kembali separuh CUDNN.
11. Menghapus arsitektur CUDA hard-coded.
12. Peningkatan informasi versi CUDA.
13. Mengaktifkan kembali AVX.
14. Menghapus solusi lama dan Makefile.
15. Menjadikan OpenCV non-opsional.
16. Menghapus ketergantungan pada perpustakaan pthread lama.
17. Menghapus STB.
18. Tulis ulang CMakeLists.txt untuk menggunakan deteksi CUDA baru.
19. Menghapus kode "abjad" lama dan menghapus gambar di data/label.
20. Mengaktifkan pembangunan di luar sumber.
21. Output nomor versi yang ditingkatkan.
22. Optimalisasi kinerja terkait pelatihan (berkelanjutan).
23. Optimalisasi kinerja terkait inferensi (berkelanjutan).
24. Menerapkan pass-by-reference jika memungkinkan.
25. Membersihkan file .hpp.
26. Menulis ulang darknet.h.
27. Menghilangkan casting cv::Mat ke void*, menggunakannya sebagai objek C++ yang tepat.
28. Peningkatan konsistensi dalam penggunaan struktur gambar internal.
29. Memperbaiki build untuk perangkat Jetson berbasis ARM.
30. Memperbaiki API Python di V3.
Tujuan Jangka Pendek:
1. Ganti printf() dengan std::cout (sedang berlangsung).
2. Selidiki dukungan kamera zed lama.
3. Meningkatkan dan menstandarkan penguraian baris perintah (sedang berlangsung).
Tujuan Jangka Menengah:
1. Hapus semua kode char* dan ganti dengan std::string.
2. Hilangkan peringatan kompiler (sedang berlangsung).
3. Tingkatkan penggunaan cv::Mat alih-alih struktur gambar khusus di C (sedang berlangsung).
4. Ganti fungsionalitas daftar lama dengan std::vector atau std::list.
5. Memperbaiki dukungan untuk gambar skala abu-abu 1 saluran.
6. Tambahkan dukungan untuk gambar saluran-N dengan N > 3 (misalnya, gambar dengan kedalaman tambahan atau saluran termal).
7. Pembersihan kode yang sedang berlangsung (sedang berlangsung).
Tujuan Jangka Panjang:
1. Mengatasi masalah CUDA/CUDNN di semua GPU.
2. Menulis ulang kode CUDA+cuDNN.
3. Jelajahi dukungan untuk GPU non-NVIDIA.
4. Terapkan kotak pembatas yang diputar atau penyangga "sudut".
5. Dukungan untuk titik kunci/kerangka.
6. Dukungan untuk peta panas (sedang berlangsung).
7. Segmentasi.
