ダークネットオブジェクト検出フレームワークとYOLO
Downcodes のエディターを使用すると、C、C++、CUDA で書かれたオープンソースのニューラル ネットワーク フレームワークである Darknet と、Darknet フレームワーク上で実行される高度なリアルタイム ターゲット検出システム YOLO (You Only Look Once) について深く理解できます。 。
Darknet/YOLO フレームワークは、他のフレームワークや YOLO バージョンよりも高速かつ正確です。このフレームワークは完全に無料でオープンソースです。 Darknet/YOLO は、ライセンスや料金なしで、商業プロジェクトを含む既存のプロジェクトや製品に統合できます。
2024 年 10 月にリリースされた Darknet V3 (「Jazz」) は、NVIDIA RTX 3090 GPU を使用する場合、LEGO データセット ビデオを最大 1000 FPS で正確に実行できます。つまり、各ビデオ フレームにかかる時間は 1 ミリ秒以下です Darknet/ によって内部的に読み取られ、サイズ変更され、処理されますヨロ。
サポートが必要な場合、または Darknet/YOLO について議論したい場合は、Darknet/YOLO Discord サーバーに参加してください: https://discord.gg/zSq8rtW
Darknet/YOLO の CPU バージョンは、Raspberry Pi、クラウドおよびコラボレーション サーバー、デスクトップ、ラップトップ、ハイエンド トレーニング機器などのシンプルなデバイス上で実行できます。 Darknet/YOLO の GPU バージョンには、NVIDIA の CUDA 対応 GPU が必要です。
Darknet/YOLO は、Linux、Windows、Mac 上で動作することが知られています。以下の構築手順を参照してください。
2013 年から 2017 年に Joseph Redmon によって作成されたオリジナルの Darknet ツールにはバージョン番号がありませんでした。これはバージョン 0.x だと思います。
Alexey Bochkovskiy が 2017 年から 2021 年まで保守していた次に人気のある Darknet ライブラリにもバージョン番号がありませんでした。これはバージョン 1.x であると考えられます。
2023 年から、Hank.ai がスポンサーとなり、Stéphane Charette が管理する Darknet ライブラリが、バージョン コマンドを備えた最初のライブラリになります。 2023 年から 2024 年末までは、バージョン 2.x「OAK」に戻ります。
目標は、既存の機能への中断を最小限に抑えながら、コード ベースに慣れることです。
Windows と Linux 上で CMake を使用してビルドするための 1 つの統一された方法が得られるように、ビルド ステップを書き直します。
C++ コンパイラを使用するようにコード ベースを変換します。
強化されたトレーニング中の Chart.png。
バグ修正とパフォーマンス関連の最適化。主にネットワークのトレーニングに必要な時間の短縮に関連します。
このコードベースの最後のブランチは、v2 ブランチのバージョン 2.1 です。
開発の次の段階は 2024 年半ばに始まり、2024 年 10 月にリリースされます。 version コマンドは 3.x "JAZZ" を返すようになりました。
これらのコマンドのいずれかを実行する必要がある場合は、いつでも以前の v2 ブランチをチェックアウトできます。不足しているコマンドを再度追加するよう調査いたしますので、お知らせください。
多くの古いコマンドやメンテナンスされていないコマンドが削除されました。
トレーニングと推論中に、多くのパフォーマンスの最適化が行われました。
レガシー C API への変更。オリジナルの Darknet API を使用するアプリケーションには若干の変更が必要です: https://darknetcv.ai/api/api.html
新しい Darknet V3 C および C++ API: https://darknetcv.ai/api/api.html
src-examples の新しいアプリケーションとサンプルコード: https://darknetcv.ai/api/files.html
便宜上、YOLO のいくつかの一般的なバージョンが MSCOCO データセットで事前トレーニングされています。このデータセットには 80 のカテゴリがあり、テキスト ファイル cfg/coco.names で確認できます。
Darknet/YOLO のテストに利用できる、LEGO Gears や Rolodex などのより単純なデータセットと事前トレーニングされた重みが他にもいくつかあります。詳細については、ダークネット/YOLO FAQ を参照してください。
MSCOCO の事前トレーニングされた重みは、さまざまな場所からダウンロードできます。また、次のリポジトリからもダウンロードできます。
YOLOv2、2016 年 11 月
*YOLOv2-tiny
*YOLOv2-フル
YOLOv3、2018 年 5 月
* YOLOv3-tiny
*YOLOv3-フル
YOLOv4、2020 年 5 月
* YOLOv4-tiny
*YOLOv4-フル
YOLOv7、2022 年 8 月
* YOLOv7-tiny
*YOLOv7-フル
MSCOCO の事前トレーニング済み重みはデモンストレーションのみを目的としています。 MSCOCO に対応する .cfg および .names ファイルは、cfg ディレクトリにあります。コマンド例:
`
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
`
独自のネットワークをトレーニングする必要があることに注意してください。 MSCOCO は通常、すべてが適切に動作していることを確認するために使用されます。
過去 (2023 年以前) に提供されていたさまざまなビルド方法が、統合されたソリューションに統合されました。 Darknet には C++17 以降、OpenCV が必要で、CMake を使用して必要なプロジェクト ファイルを生成します。
車を運転するのに整備士である必要がないのと同じように、Darknet/YOLO を構築、インストール、実行するのに C++ の知識は必要ありません。
Google Colab の手順は Linux の手順と同じです。新しいネットワークのトレーニングなど、特定のタスクを実行する方法を示す多数の Jupyter ノートブックが提供されています。
colab サブディレクトリにあるノートブックをチェックアウトするか、以下の Linux の手順に従ってください。
Linux でのダークネット構築チュートリアル
オプション: 最新の NVIDIA GPU を使用している場合は、この時点で CUDA または CUDA+cuDNN をインストールできます。インストールされている場合、Darknet は GPU を使用して画像 (およびビデオ) 処理を高速化します。
CMake に必要なファイルをすべて再検索させるには、Darknet ビルド ディレクトリから CMakeCache.txt ファイルを削除する必要があります。
ダークネットを再構築することを忘れないでください。
ダークネットはこれなしでも実行できますが、カスタム ネットワークをトレーニングしたい場合は、CUDA または CUDA+cuDNN が必要です。
https://developer.nvidia.com/cuda-downloads にアクセスして、CUDA をダウンロードしてインストールします。
https://developer.nvidia.com/rdp/cudnn-download または https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview にアクセスしてダウンロードしてくださいそしてcuDNNをインストールします。
CUDA をインストールした後、nvcc と nvidia-smi が実行できることを確認します。 PATH 変数の変更が必要になる場合があります。
CUDA または CUDA+cuDNN を後でインストールする場合、または NVIDIA ソフトウェアの新しいバージョンにアップグレードする場合:
これらの手順は、Ubuntu 22.04 を実行しているシステムを前提としています (ただし、必須ではありません)。別のディストリビューションを使用している場合は、必要に応じて調整してください。
`
sudo apt-get install build-essential git libopencv-dev cmake
mkdir ~/srccd ~/src
git clone https://github.com/hank-ai/darknetcd ダークネット
mkdir ビルドcd ビルド
cmake -DCMAKEBUILDTYPE=リリース ..
-j4 パッケージを作成する
sudo dpkg -i darknet-VERSION.deb
`
古いバージョンの CMake を使用している場合は、上記の cmake コマンドを実行する前に CMake をアップグレードする必要があります。 CMake は、次のコマンドを使用して Ubuntu でアップグレードできます。
`
sudo apt-get purge cmakesudo snap install cmake --classic
`
コマンド シェルとして bash を使用している場合は、この時点でシェルを再起動する必要があります。魚を使用する場合は、すぐに新しいパスを選択する必要があります。
上級ユーザー:
DEB ファイルではなく RPM インストール ファイルをビルドする場合は、CM_package.cmake の関連する行を参照してください。 make -j4 package を実行する前に、次の 2 行を編集する必要があります。
`
SET (CPACKGENERATOR "DEB")# SET (CPACKGENERATOR "RPM")
`
Centos や OpenSUSE などのディストリビューションの場合、CM_package.cmake のこれら 2 行を次のように切り替える必要があります。
`
SET (CPACKGENERATOR "DEB")SET (CPACKGENERATOR "RPM")
`
インストール パッケージが構築されたら、ディストリビューションの共通パッケージ マネージャーを使用してインストールできます。たとえば、Ubuntu などの Debian ベースのシステムでは次のようになります。
`
sudo dpkg -i darknet-2.0.1-Linux.deb
`
.deb パッケージをインストールすると、次のファイルがコピーされます。
/usr/bin/darknet は、一般的に使用される Darknet 実行可能ファイルです。 CLI からダークネット バージョンを実行して、正しくインストールされていることを確認します。
/usr/include/darknet.h は、C、C++、Python 開発者向けの Darknet API です。
/usr/include/darknet_version.h には、開発者のバージョン情報が含まれています。
/usr/lib/libdarknet.so は、C、C++、Python 開発者がリンクするためのライブラリです。
/opt/darknet/cfg/... には、すべての .cfg テンプレートが保存されます。
これで完了です。 Darknet は /usr/bin/ に構築され、インストールされます。次のコマンドを実行してテストします: ダークネット バージョン。
/usr/bin/darknet がない場合は、インストールしたのではなく、ビルドしただけであることを意味します。上記のとおり、必ず .deb または .rpm ファイルをインストールしてください。
これらの手順は、Windows 11 22H2 のクリーン インストールを前提としています。
通常の cmd.exe コマンド プロンプト ウィンドウを開き、次のコマンドを実行します。
`
winget インストール Git.Git
winget インストール Kitware.CMake
winget インストール nsis.nsis
winget インストール Microsoft.VisualStudio.2022.Community
`
この時点で、Visual Studio のインストールを変更して C++ アプリケーションのサポートを含める必要があります。
1. 「Windows スタート」メニューをクリックし、「Visual Studio インストーラー」を実行します。
2. 「編集」をクリックします。
3. C++ を使用したデスクトップ開発を選択します。
4. 右下隅の「編集」をクリックし、「はい」をクリックします。
すべてをダウンロードしてインストールしたら、[Windows スタート] メニューを再度クリックし、VS 2022 の開発者コマンド プロンプトを選択します。これらの手順では PowerShell を使用しないでください。問題が発生する可能性があります。
上級ユーザー:
開発者コマンド プロンプトを実行する代わりに、通常のコマンド プロンプトまたは SSH を使用してデバイスに接続し、「Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat」を手動で実行することもできます。
上記の開発者コマンド プロンプト (PowerShell ではありません!) を実行した後、次のコマンドを実行して Microsoft VCPKG をインストールします。これは、OpenCV のビルドに使用されます。
`
CDC：
mkdir c:srccd c:src
git clone https://github.com/microsoft/vcpkgcd vcpkg
bootstrap-vcpkg.bat .vcpkg.exe 統合
.vcpkg.exe をインストール powershell.vcpkg.exe を統合 opencv をインストール [contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows
`
この最後のステップの実行には時間がかかる場合があるため、しばらくお待ちください。多くのものをダウンロードして構築する必要があります。
上級ユーザー:
OpenCV を構築するときに追加できるオプションのモジュールが他にもたくさんあることに注意してください。 .vcpkg.exe search opencv を実行して、完全なリストを表示します。
オプション: 最新の NVIDIA GPU を使用している場合は、この時点で CUDA または CUDA+cuDNN をインストールできます。インストールされている場合、Darknet は GPU を使用して画像 (およびビデオ) 処理を高速化します。
CMake に必要なファイルをすべて再検索させるには、Darknet ビルド ディレクトリから CMakeCache.txt ファイルを削除する必要があります。
ダークネットを再構築することを忘れないでください。
ダークネットはこれなしでも実行できますが、カスタム ネットワークをトレーニングしたい場合は、CUDA または CUDA+cuDNN が必要です。
https://developer.nvidia.com/cuda-downloads にアクセスして、CUDA をダウンロードしてインストールします。
https://developer.nvidia.com/rdp/cudnn-download または https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows にアクセスして、cuDNN をダウンロードしてインストールします。
CUDA をインストールした後、nvcc.exe および nvidia-smi.exe を実行できることを確認します。 PATH 変数の変更が必要になる場合があります。
cuDNN をダウンロードした後、解凍し、bin、include、lib ディレクトリを C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[バージョン]/ にコピーします。一部のファイルを上書きする必要がある場合があります。
CUDA または CUDA+cuDNN を後でインストールする場合、または NVIDIA ソフトウェアの新しいバージョンにアップグレードする場合:
CUDA は Visual Studio の後にインストールする必要があります。 Visual Studio をアップグレードする場合は、必ず CUDA を再インストールしてください。
これまでの手順がすべて正常に完了したら、Darknet のクローンを作成して構築する必要があります。このステップでは、OpenCV やその他の依存関係を見つけられるように、vcpkg の場所を CMake に伝える必要もあります。
`
cd c:src
git clone https://github.com/hank-ai/darknet.gitcd ダークネット
mkdir ビルドcd ビルド
cmake -DCMAKEBUILDTYPE=リリース -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedsummary darknet.sln
msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj
`
CUDA または cuDNN DLL (cublas64_12.dll など) が見つからないことに関するエラーが表示された場合は、CUDA .dll ファイルを Darknet.exe と同じ出力ディレクトリに手動でコピーします。例えば：
`
「C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll」をコピー src-cliRelease
`
(これは例です。実行しているバージョンを確認し、インストールしたものに適したコマンドを実行してください。)
ファイルをコピーした後、最後の msbuild.exe コマンドを再実行して NSIS インストール パッケージを生成します。
`
msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj
`
上級ユーザー:
cmake コマンドの出力は、通常の Visual Studio ソリューション ファイル Darknet.sln であることに注意してください。プロジェクトのビルドに msbuild.exe ではなく Visual Studio GUI を頻繁に使用するソフトウェア開発者の場合は、コマンド ラインを無視して Visual Studio に Darknet プロジェクトをロードできます。
これで、実行できるファイル C:srcDarknetbuildsrc-cli releasearknet.exe が完成しました。次のコマンドを実行してテストします: C:srcDarknetbuildsrc-cli releasearknet.exe のバージョン。
Darknet、ライブラリ、インクルード ファイル、および必要な DLL を適切にインストールするには、最後の手順で構築された NSIS インストール ウィザードを実行します。ビルド ディレクトリ内の darknet-VERSION.exe ファイルを確認してください。例えば：
`
darknet-2.0.31-win64.exe
`
NSIS インストール パッケージをインストールすると、次のことが行われます。
Darknet という名前のディレクトリを作成します (例: C:Program FilesDarknet)。
CLI アプリケーション、darknet.exe、およびその他のサンプル アプリケーションをインストールします。
OpenCV などの必要なサードパーティの .dll ファイルをインストールします。
別のアプリケーションから darknet.dll を使用するには、必要な Darknet .dll、.lib、および .h ファイルをインストールします。
テンプレート .cfg ファイルをインストールします。
これで完了です。インストール ウィザードが完了すると、Darknet が C:Program FilesDarknet にインストールされます。次のコマンドを実行してテストします: C:Program FilesDarknetbindarknet.exe のバージョン。
C:/Program Files/darknet/bin/darknet.exe がない場合は、インストールしたのではなく、ビルドしただけであることを意味します。前のステップで NSIS インストール ウィザードの各パネルを完了していることを確認してください。
以下は、Darknet でサポートされるすべてのコマンドの完全なリストではありません。
Darknet CLI に加えて、DarkHelp プロジェクト CLI にも注目してください。これは Darknet/YOLO とは異なる CLI を提供します。 DarkHelp CLI には、Darknet では直接利用できないいくつかの高度な機能もあります。 Darknet CLI と DarkHelp CLI は両方とも使用できますが、相互に排他的ではありません。
以下に示すほとんどのコマンドでは、.weights ファイルと、対応する .names ファイルおよび .cfg ファイルが必要です。自分でネットワークをトレーニングすることも (強くお勧めします!)、他の人がトレーニングしてインターネット上で自由に利用できるネットワークをダウンロードすることもできます。事前トレーニング データセットの例は次のとおりです。
レゴ ギア (画像内のオブジェクトを見つけます)
Rolodex (画像内のテキストを検索)
MSCOCO (標準 80 カテゴリ ターゲット検出)
実行できるコマンドは次のとおりです。
実行できるいくつかのコマンドとオプションをリストします。
`
ダークネットのヘルプ
`
バージョンを確認します:
`
ダークネットバージョン
`
画像を使用して予測を行う:
`
V2: ダークネット ディテクタ テストcars.datacars.cfgcars_best.weights image1.jpg
V3: darknet02displayannotatedimagescars.cfg image1.jpg
DarkHelp: DarkHelp 車.cfg 車.cfg 車_ベスト.ウェイト image1.jpg
`
出力座標:
`
V2: ダークネット検出器テスト Animals.data Animals.cfg Animalsbest.weights -extoutput Dog.jpg
V3: darknet01inference_images 動物 犬.jpg
DarkHelp: DarkHelp --json Animals.cfg Animals.names Animals_best.weights Dog.jpg
`
ビデオを使用する:
`
V2: ダークネット検出器のデモ Animals.data Animals.cfg Animalsbest.weights -extoutput test.mp4
V3: darknet03display_videos Animals.cfg test.mp4
DarkHelp: DarkHelp Animals.cfg Animals.names Animals_best.weights test.mp4
`
ウェブカメラからの読み取り:
`
V2: ダークネット検出器のデモ Animals.data Animals.cfg Animals_best.weights -c 0
V3: darknet08display_webcam 動物
`
結果をビデオに保存:
`
V2: ダークネット ディテクタ デモ Animals.data Animals.cfg Animalsbest.weights test.mp4 -outfilename res.avi
V3: darknet05processvideosmultithreaded Animals.cfg Animals.name Animals_best.weights test.mp4
DarkHelp: DarkHelp Animals.cfg Animals.names Animals_best.weights test.mp4
`
JSON:
`
V2: ダークネット検出器デモ Animals.data Animals.cfg Animalsbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput
V3: darknet06imagestojson 動物 image1.jpg
DarkHelp: DarkHelp --json Animals.names Animals.cfg Animals_best.weights image1.jpg
`
特定の GPU で実行します。
`
V2: ダークネット検出器のデモ Animals.data Animals.cfg Animals_best.weights -i 1 test.mp4
`
ニューラル ネットワークの精度を確認します。
`
ダークネット検出器マップ Driving.data Driving.cfg Driving_best.weights ...
ID 名 AvgPrecision TP FN FP TN Accuracy ErrorRate Precision Recall Specificity FalsePosRate
-- ---- ------------ ------ ------ ------ ------ -------- --------- --------- ------ ---------- ----------
0 車両 91.2495 32648 3903 5826 65129 0.9095 0.0905 0.8486 0.8932 0.9179 0.0821
オートバイ 1 台 80.4499 2936 513 569 5393 0.8850 0.1150 0.8377 0.8513 0.9046 0.0954
2 自転車 89.0912 570 124 104 3548 0.9475 0.0525 0.8457 0.8213 0.9715 0.0285
3人 76.7937 7072 1727 2574 27523 0.8894 0.1106 0.7332 0.8037 0.9145 0.0855
4 多くの車両 64.3089 1068 509 733 11288 0.9087 0.0913 0.5930 0.6772 0.9390 0.0610
5 青信号 86.8118 1969 239 510 4116 0.8904 0.1096 0.7943 0.8918 0.8898 0.1102
6 黄信号 82.0390 126 38 30 1239 0.9525 0.0475 0.8077 0.7683 0.9764 0.0236
7 赤信号 94.1033 3449 217 451 4643 0.9237 0.0763 0.8844 0.9408 0.9115 0.0885
`
mAP@IoU=75 の精度を確認します。
`
ダークネット検出器マップ Animals.data Animals.cfg Animalsbest.weights -iouthresh 0.75
`
アンカー ポイントの再計算は、DarkMark で 100 回連続して実行され、計算されたすべてのアンカー ポイントから最適なアンカー ポイントが選択されるため、これを使用するのが最適です。ただし、古いバージョンを Darknet で実行したい場合は、次のコマンドを使用します。
`
ダークネット検出器 calcanchors 動物.データ -numof_clusters 6 -幅 320 -高さ 256
`
新しいネットワークをトレーニングします。
`
darknet detecter -map -dont_show train Animals.data Animals.cfg (以下のトレーニングセクションも参照)
`
ダークネット/YOLO FAQ の関連セクションへのクイック リンク:
ファイルとディレクトリをどのように設定すればよいですか?
どのプロファイルを使用すればよいですか?
独自のネットワークをトレーニングする場合はどのコマンドを使用すればよいですか?
DarkMark でアノテーションを付けてトレーニングする最も簡単な方法は、必要な Darknet ファイルをすべて作成することです。これは間違いなく、新しいニューラル ネットワークをトレーニングする場合に推奨される方法です。
カスタム ネットワークをトレーニングするためにさまざまなファイルを手動でセットアップする場合は、次の手順を実行します。
1. これらのファイルを保存する新しいフォルダーを作成します。この例では、動物を検出するニューラル ネットワークを作成するため、~/nn/animals/ というディレクトリが作成されます。
2. テンプレートとして使用する Darknet 構成ファイルの 1 つをコピーします。たとえば、cfg/yolov4-tiny.cfg を参照してください。作成したフォルダーに置きます。この例では、~/nn/animals/animals.cfg が作成されました。
3. 構成ファイルを配置したのと同じフォルダーに、animals.names テキスト ファイルを作成します。この例では、~/nn/animals/animals.names が作成されました。
4. テキスト エディタを使用して、animals.names ファイルを編集します。使用するカテゴリをリストします。 1 行に 1 つのエントリが必要です。空白行やコメントは必要ありません。この例では、.names ファイルにはちょうど 4 行が含まれます。
`
犬
猫
鳥
馬
`
5. 同じフォルダーにanimals.dataテキストファイルを作成します。この例では、.data ファイルには次のものが含まれます。
`
クラス = 4
train = /home/ユーザー名/nn/animals/animals_train.txt
有効 = /home/ユーザー名/nn/animals/animals_valid.txt
名前 = /home/ユーザー名/nn/animals/animals.names
バックアップ = /home/ユーザー名/nn/animals
`
6. 画像と注釈を保存するフォルダーを作成します。たとえば、これは ~/nn/animals/dataset のようになります。各画像には、その画像の注釈を説明する対応する .txt ファイルが必要です。 .txt コメント ファイルの形式は非常に特殊です。各注釈には注釈の正確な座標が含まれている必要があるため、これらのファイルを手動で作成することはできません。画像に注釈を付けるには、DarkMark または他の同様のソフトウェアを参照してください。 YOLO アノテーション形式については、Darknet/YOLO FAQ で説明されています。
7. .data ファイル内に名前を付けた「train」および「valid」テキスト ファイルを作成します。これら 2 つのテキスト ファイルには、ダークネットが mAP% を計算するためにトレーニングと検証に使用する必要があるすべての画像を個別にリストする必要があります。 1 行に 1 つの画像が存在します。パスとファイル名は相対パスまたは絶対パスにすることができます。
8. テキスト エディタを使用して .cfg ファイルを変更します。
* バッチ=64 であることを確認してください。
※細分化に注意してください。ネットワークのサイズと GPU で利用可能なメモリの量に応じて、サブディビジョンを増やす必要がある場合があります。最適な値は 1 なので、1 から始めます。 1 を使用できない場合は、Darknet/YOLO FAQ を参照してください。
最初の maxbatches=.... の最適値はクラス数の 2000 倍であることに注意してください。この例では動物が 4 匹いるので、4 2000 = 8000 となります。これは、maxbatches=8000 を使用することを意味します。
* ステップ =.... これは最大バッチの 80% と 90% に設定する必要があることに注意してください。この例では、maxbatches が 8000 に設定されているため、steps=6400,7200 を使用します。
* width=... および height=.... に注意してください。これらはネットワークの寸法です。 Darknet/YOLO FAQ では、使用する最適なサイズを計算する方法について説明しています。
* [convolutional] セクションでclasses=... 行を検索し、各 [yolo] セクションの前でそれを変更して、.names ファイルのクラスの数を含めます。この例では、classes=4 を使用します。
各 [yolo] セクションの前の [convolutional] セクションで filters=... 行を検索します。使用する値は (カテゴリの数 + 5) 3 です。これは、この例では (4 + 5) * 3 = 27 であることを意味します。したがって、適切な行で filters=27 を使用します。
9. トレーニングを始めましょう！次のコマンドを実行します。
`
cd ~/nn/動物/
ダークネット ディテクタ -map -dont_show train Animals.data Animals.cfg
`
我慢して。最適な重みは、animals_best.weights として保存されます。また、chart.png ファイルを表示することで、トレーニングの進行状況を観察できます。新しいネットワークをトレーニングするときに使用する追加パラメータについては、Darknet/YOLO FAQ を参照してください。
トレーニング中に詳細を確認したい場合は、--verbose パラメーターを追加します。例えば：
`
ダークネット ディテクタ -map -dont_show --verbose train Animals.data Animals.cfg
`
Darknet/YOLO プロジェクトの管理、画像に注釈を付け、注釈を検証し、Darknet でのトレーニングに必要なファイルを生成するには、DarkMark を参照してください。
強力な Darknet 代替 CLI を入手するには、画像タイルを使用するか、ビデオ内でオブジェクト トラッキングを実行するか、商用アプリケーションで簡単に使用できる強力な C++ API を使用します。「DarkHelp」を参照してください。
Darknet/YOLO FAQ をチェックして、質問の回答に役立つかどうかを確認してください。
Stephane の YouTube チャンネルで多くのチュートリアルとサンプルビデオをご覧ください。
サポートに関する質問がある場合、または他の Darknet/YOLO ユーザーとチャットしたい場合は、Darknet/YOLO Discord サーバーに参加してください。
最終更新日: 2024-10-30
トレーニング中に使用される qsort() を std::sort() に置き換えました (その他のあまり知られていないものはまだ存在します)
check_missing、getchar()、system() を取り除く
C++ コンパイラを使用するように Darknet を変換します (Linux では g++、Windows では Visual Studio)
Windows ビルドを修正する
Python サポートを修正
ダークネットライブラリを構築する
予測ラベル (「アルファベット」コード) を再度有効にします
CUDA/GPU コードを再度有効にする
CUDNNを再度有効にする
CUDNN 半分を再度有効にする
CUDA アーキテクチャをハードコードしないでください
CUDA バージョン情報の改善
AVXを再度有効にする
古いソリューションと Makefile を削除します
OpenCVを非オプションにする
古い pthread ライブラリへの依存関係を削除する
STBの削除
新しい CUDA 検出を使用するように CMakeLists.txt を書き換えます
古い「アルファベット」コードを削除し、データ/ラベル内の 700 以上の画像を削除しました
外部ソースをビルドする
バージョン番号の出力を改善する
トレーニング関連のパフォーマンスの最適化 (継続的なタスク)
推論に関連するパフォーマンスの最適化 (進行中のタスク)
可能な限り値による参照を使用する
.hpp ファイルをクリーンアップする
darknet.hを書き換える
cv::Mat を void にキャストしないでください。代わりに、適切な C++ オブジェクトとして使用してください。
一貫して使用される内部イメージ構造を修正または維持する
ARM ベースの Jetson デバイスのビルドを修正
* NVIDIA はオリジナルの Jetson デバイスをサポートしなくなったため、修正される可能性は低いです (C++17 コンパイラはありません)
* 新しい Jetson Orin デバイスが実行中
V3 で Python API を修正
* より優れた Python サポートが必要です (協力してくれる Python 開発者はいますか?)
printf() を std::cout に置き換えます (作業中)
古い ZED カメラのサポートを検討中
コマンドライン解析の改善と一貫性の向上 (作業中)
すべての文字コードを削除し、std::string に置き換えます。
警告を非表示にせず、コンパイラ警告をクリーンアップします (作業中)
C のカスタム イメージ構造の代わりに cv::Mat を使用する方が良い (作業中)
古いリスト関数を std::vector または std::list に置き換えます。
1 チャンネルのグレースケール画像のサポートを修正
N > 3 の N チャネル画像のサポートを追加します (例: 余分な深さまたは熱チャネルを持つ画像)
進行中のコードのクリーンアップ (進行中)
すべての GPU の CUDA/CUDNN の問題を修正
CUDA+cuDNNコードを書き直す
非 NVIDIA GPU のサポートの追加を検討してください
回転された境界ボックス、またはある種の「角度」サポート
キーポイント・骨格
ヒートマップ (作業中)
セグメンテーション
