UniGetUI
UniGetUI
UniGetUI(이전 WingetUI)
다운코드 편집기는 WinGet, Scoop, Chocolatey, Pip, Npm, .NET 도구 및 PowerShell 갤러리와 같은 일반적인 CLI 패키지 관리자의 사용을 단순화하도록 설계된 Windows 10 및 11 사용자를 위해 만들어진 직관적인 GUI 인터페이스인 UniGetUI를 소개합니다. .
UniGetUI 기능
UniGetUI를 사용하면 지원되는 모든 패키지 관리자에 게시된 소프트웨어 등을 쉽게 다운로드, 설치, 업데이트 및 제거할 수 있습니다!
UniGetUI가 지원하는 패키지 관리자
자세한 내용은 "지원되는 패키지 관리자 표"를 확인하세요!
부인 성명
UniGetUI 프로젝트는 지원되는 패키지 관리자와 아무런 관련이 없으며 완전히 비공식적입니다. UniGetUI의 개발자인 Downcodes는 다운로드한 소프트웨어에 대해 책임을 지지 않습니다. 주의해서 사용해주세요!
알아채다
UniGetUI의 공식 웹사이트는 https://www.marticliment.com/unigetui/입니다. 다른 모든 웹사이트는 그들이 뭐라고 말하든 비공식적인 것으로 간주되어야 합니다. 특히, Wingetui.com은 UniGetUI(이전 WingetUI)의 공식 웹사이트가 아닙니다.
개발자 지원
귀하의 지원은 UniGetUI의 지속적인 개발에 매우 중요하며 Downcodes 편집자들에게 깊은 감사를 드립니다. 감사해요!
목차
1. 설치
UniGetUI를 설치하는 방법은 여러 가지가 있습니다. 원하는 설치 방법을 선택하십시오!
* 마이크로소프트 스토어 설치(권장)
UniGetUI 설치 프로그램을 다운로드하려면 여기를 클릭하세요.
* Winget을 통해 설치
`배쉬
Winget install --exact --id MartiCliment.UniGetUI --source Winget
`
* Scoop을 통해 설치됨
참고: 현재 UniGetUI의 Scoop 패키지에 문제가 있습니다. 아직 Scoop을 통해 UniGetUI를 설치하지 마세요.
`배쉬
# rem 현재 UniGetUI Scop 패키지가 손상되었습니다. 당분간은 Scoop을 통해 UniGetUI를 설치하지 마세요.
# rem 스쿠프 버킷 추가 항목 추가
# rem Scoop 설치 extras/wingetui
`
* Chocolatey를 통해 설치됨
`배쉬
초코 Wingetui 설치
`
2. UniGetUI 업데이트
UniGetUI에는 자동 업데이트 기능이 내장되어 있습니다. 그러나 UniGetUI의 다른 패키지와 마찬가지로 업데이트할 수도 있습니다(UniGetUI는 Winget 및 Scoop을 통해 사용할 수 있으므로).
3. 기능
* 지원되는 패키지 관리자
참고: 모든 패키지 관리자는 기본 설치, 업데이트 및 제거 프로세스는 물론 업데이트 확인, 새 패키지 찾기, 패키지에서 세부 정보 검색을 지원합니다.
| 패키지 관리자 지원 |
|---|---|---|
|윈겟 |
|
✅ |
핍 |
|
.NET 도구 |
| 파워셸 갤러리 |
설명하다:
1. 일부 패키지는 사용자 정의 위치 또는 범위에 대한 설치를 지원하지 않으며 이 설정을 무시합니다.
2. 패키지 관리자가 시험판 버전을 지원하지 않더라도 일부 패키지는 복사될 수 있으며 복사본 중 하나는 베타 버전입니다.
3. 일부 설치 프로그램에는 GUI가 없으며 대화형 플래그를 무시합니다.
* UniGetUI를 다른 언어로 번역
UniGetUI를 다른 언어로 번역하거나 이전 번역을 업데이트하려면 UniGetUI Wiki에서 자세한 내용을 참조하세요.
* 현재 지원되는 언어
*업데이트 날짜: 2024년 10월 29일 화요일 00:13:19
4. 기여
UniGetUI는 소중한 기여자들의 도움 없이는 불가능합니다. 오타를 수정한 사람부터 코드의 절반을 개선한 사람까지 UniGetUI는 그들의 기여 없이는 할 수 없었습니다!
기여자:
*…
5. 스크린샷
*…
6. 자주 묻는 질문
* 특정 Winget 패키지를 설치하거나 업그레이드할 수 없습니다! 나는 무엇을 해야 합니까?
이는 UniGetUI가 아닌 Winget의 문제일 수 있습니다. PowerShell을 통해 패키지를 설치/업그레이드할 수 있는지 확인하거나 Winget 업그레이드 또는 Winget 설치 명령을 사용하는 명령 프롬프트(해당하는 경우: 예: Winget 업그레이드 --id Microsoft.PowerToys)를 확인하세요. 그래도 문제가 해결되지 않으면 Winget 프로젝트 페이지에서 도움을 요청해 보세요.
* 패키지 이름은 줄임표로 잘립니다. 전체 이름/ID를 보는 방법은 무엇입니까?
이는 Winget의 알려진 제한 사항입니다. 자세한 내용은 microsoft/winget-cli#2603 문제를 참조하세요.
* 내 바이러스 백신 소프트웨어에서 UniGetUI가 바이러스라고 알려줍니다! /내 브라우저가 UniGetUI 다운로드를 차단합니다!
응용 프로그램(예: 실행 파일)이 UniGetUI와 같은 악성 코드를 포함하지 않더라도 차단되거나 바이러스로 감지되는 일반적인 이유는 해당 응용 프로그램을 사용하는 사람이 상대적으로 적기 때문입니다. 게다가 최근에 출시된 콘텐츠를 다운로드하고 있을 가능성이 높으며, 많은 경우 알 수 없는 앱을 차단하는 것이 실제 악성 코드에 대한 좋은 예방책이라는 사실도 추가하세요. UniGetUI는 오픈 소스이며 사용하기에 안전하므로 바이러스 백신 소프트웨어/브라우저 설정에서 해당 애플리케이션을 화이트리스트에 추가하십시오.
* Winget/Scoop 가방은 안전한가요?
UniGetUI, Microsoft 및 Scoop은 제3자가 제공하고 이론적으로 손상될 수 있는 다운로드 가능한 패키지에 대해 책임을 지지 않습니다. Microsoft는 맬웨어 다운로드 위험을 줄이기 위해 Winget에서 사용할 수 있는 소프트웨어에 대한 몇 가지 검사를 구현했습니다. 그렇더라도 신뢰할 수 있는 게시자로부터만 소프트웨어를 다운로드하는 것이 좋습니다. 자세한 내용은 위키를 확인하세요!
7. 명령줄 매개변수
전체 매개변수 목록은 여기를 참조하세요.
8. 예시
*…
9. 라이선스
Apache-2.0 라이센스
다크넷 개체 감지 프레임워크 및 YOLO
!darknet 및 hank.ai 로고
Darknet은 C, C++ 및 CUDA로 작성된 오픈 소스 신경망 프레임워크입니다.
YOLO(You Only Look Once)는 Darknet 프레임워크의 최첨단 실시간 개체 탐지 시스템입니다.
Hank.ai가 Darknet/YOLO 커뮤니티를 어떻게 돕는지 읽어보세요.
Darknet V3 "Jazz" 발표
다크넷/YOLO 웹사이트를 확인하세요
다크넷/YOLO FAQ를 읽어보세요.
Darknet/YOLO 디스코드 서버에 가입하세요
서류
종이 YOLOv7
종이 크기 조정-YOLOv4
종이 YOLOv4
종이 YOLOv3
일반 정보
Darknet/YOLO 프레임워크는 다른 프레임워크 및 YOLO 버전보다 더 빠르고 정확합니다.
프레임워크는 완전 무료이며 오픈 소스입니다. 라이선스나 수수료 없이 Darknet/YOLO를 상용 제품을 포함한 기존 프로젝트 및 제품에 통합할 수 있습니다.
2024년 10월에 출시된 Darknet V3("Jazz")는 NVIDIA RTX 3090 GPU를 사용할 때 최대 1000FPS에서 LEGO 데이터 세트 비디오를 정확하게 실행할 수 있습니다. 즉, 각 비디오 프레임을 읽고, 크기를 조정하고, 처리하는 데 1밀리초 이하의 시간이 걸립니다. 다크넷/YOLO.
도움이 필요하거나 Darknet/YOLO에 대해 토론하고 싶다면 Darknet/YOLO Discord 서버에 가입하세요: https://discord.gg/zSq8rtW
Darknet/YOLO의 CPU 버전은 Raspberry Pi, 클라우드 및 Colab 서버, 데스크톱, 노트북 및 고급 교육 장비와 같은 간단한 장치에서 실행될 수 있습니다. Darknet/YOLO의 GPU 버전에는 NVIDIA의 CUDA 호환 GPU가 필요합니다.
Darknet/YOLO는 Linux, Windows 및 Mac에서 실행되는 것으로 알려져 있습니다. 아래의 빌드 지침을 확인하세요.
다크넷 버전
Joseph Redmon이 2013~2017년에 작성한 원본 Darknet 도구에는 버전 번호가 없습니다. 우리는 이것이 버전 0.x라고 생각합니다.
Alexey Bochkovskiy가 2017년부터 2021년까지 유지 관리하는 다음 인기 Darknet 저장소에도 버전 번호가 없습니다. 우리는 이것이 버전 1.x라고 생각합니다.
Hank.ai가 후원하고 2023년부터 Stéphane Charette가 관리하는 Darknet 저장소는 버전 명령을 갖춘 최초의 저장소입니다. 2023년부터 2024년 말까지 버전 2.x "OAK"로 돌아갑니다.
목표는 기존 기능을 최대한 손상시키지 않으면서 코드 베이스에 익숙해지는 것입니다.
CMake를 사용하여 Windows 및 Linux에서 빌드하는 통합된 방법을 갖도록 빌드 단계를 다시 작성했습니다.
C++ 컴파일러를 사용하도록 코드 베이스를 변환합니다.
훈련 중에 Chart.png를 향상시킵니다.
주로 네트워크 훈련에 필요한 시간을 줄이는 것과 관련된 버그 수정 및 성능 관련 최적화입니다.
이 코드 베이스의 마지막 분기는 v2 분기의 버전 2.1입니다.
다음 개발 단계는 2024년 중반에 시작되어 2024년 10월에 출시될 예정입니다. 버전 명령은 이제 3.x "JAZZ"를 반환합니다.
이러한 명령 중 하나를 실행해야 하는 경우 언제든지 이전 v2 분기를 체크아웃할 수 있습니다. 누락된 명령을 다시 추가하는 방법을 조사할 수 있도록 알려주시기 바랍니다.
오래되고 유지 관리되지 않는 많은 명령을 제거했습니다.
훈련 및 추론 중에 다양한 성능 최적화가 이루어졌습니다.
이전 C API가 수정되었습니다. 원본 Darknet API를 사용하는 애플리케이션에는 약간의 수정이 필요합니다: https://darknetcv.ai/api/api.html
새로운 Darknet V3 C 및 C++ API: https://darknetcv.ai/api/api.html
src-examples의 새로운 애플리케이션 및 샘플 코드: https://darknetcv.ai/api/files.html
MSCOCO 사전 훈련된 가중치
편의를 위해 YOLO의 여러 인기 버전이 MSCOCO 데이터세트에 대해 사전 훈련되었습니다. 이 데이터 세트에는 80개의 카테고리가 포함되어 있으며 텍스트 파일 cfg/coco.names에서 볼 수 있습니다.
LEGO Gears 및 Rolodex와 같이 Darknet/YOLO 테스트에 사용할 수 있는 몇 가지 더 간단한 데이터 세트와 사전 훈련된 가중치가 있습니다. 자세한 내용은 Darknet/YOLO FAQ를 참조하세요.
MSCOCO 사전 훈련된 가중치는 다양한 위치에서 다운로드할 수 있으며 이 저장소에서도 다운로드할 수도 있습니다.
YOLOv2, 2016년 11월
*YOLOv2-작은
*YOLOv2-전체
YOLOv3, 2018년 5월
* YOLOv3-작은
*YOLOv3-전체
YOLOv4, 2020년 5월
* YOLOv4-작은
*YOLOv4-전체
YOLOv7, 2022년 8월
* YOLOv7-작은
*YOLOv7-전체
MSCOCO 사전 훈련된 가중치는 데모 목적으로만 사용됩니다. MSCOCO에 해당하는 .cfg 및 .names 파일은 cfg 디렉터리에 있습니다. 예제 명령:
`배쉬
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
`
자신의 네트워크를 훈련해야 한다는 점에 유의하세요. MSCOCO는 일반적으로 모든 것이 제대로 작동하는지 확인하는 데 사용됩니다.
짓다
과거(2023년 이전)에 사용 가능한 다양한 구축 방법이 통합 솔루션으로 병합되었습니다. Darknet에서는 C++17 이상, OpenCV 및 CMake를 사용하여 필요한 프로젝트 파일을 생성해야 합니다.
자동차를 운전하기 위해 정비사가 필요하지 않은 것처럼 Darknet/YOLO를 구축, 설치, 실행하기 위해 C++를 알 필요가 없습니다.
구글 코랩
Google Colab 지침은 Linux 지침과 동일합니다. 새로운 네트워크 훈련과 같은 특정 작업을 수행하는 방법을 보여주는 여러 Jupyter 노트북이 있습니다.
colab 하위 디렉터리에서 노트북을 확인하거나 아래 Linux 지침을 따르세요.
리눅스 CMake 방법
1. 종속성 설치
`배쉬
sudo apt-get 업데이트
sudo apt-get 설치 빌드 필수 git libopencv-dev cmake
`
2. 다크넷 저장소 복제
`배쉬
자식 클론 https://github.com/hank-ai/darknet.git
`
3. 빌드 디렉터리 생성
`배쉬
CD 다크넷
mkdir 빌드
CD 빌드
`
4. CMake를 사용하여 빌드 구성
`배쉬
cmake -DCMAKEBUILDTYPE=릴리스 ..
`
5. 다크넷 구축
`배쉬
-j4를 만드세요
`
6. 다크넷 설치
`배쉬
sudo make 설치
`
7. 다크넷 테스트
`배쉬
다크넷 버전
`
Windows CMake 메서드
1. 종속성 설치
`배쉬
Winget 설치 Git.Git
Winget 설치 Kitware.CMake
Winget 설치 nsis.nsis
Winget 설치 Microsoft.VisualStudio.2022.Community
`
2. OpenCV 설치
`배쉬
질병통제예방센터:
mkdir C:src
CD C:src
자식 클론 https://github.com/microsoft/vcpkg.git
CD vcpkg
bootstrap-vcpkg.bat
.vcpkg.exe 통합 설치
.vcpkg.exe powershell 통합
.vcpkg.exe opencv 설치[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows
`
3. 다크넷 저장소 복제
`배쉬
CD C:src
자식 클론 https://github.com/hank-ai/darknet.git
`
4. 빌드 디렉터리 생성
`배쉬
CD 다크넷
mkdir 빌드
CD 빌드
`
5. CMake를 사용하여 빌드 구성
`배쉬
cmake -DCMAKEBUILDTYPE=릴리스 -DCMAKETOOLCHAINFILE=C:srcvcpkgscriptsbuildsystemsvcpkg.cmake ..
`
6. Visual Studio를 사용하여 Darknet 구축
`배쉬
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
`
7. NSIS 설치 패키지 생성
`배쉬
msbuild.exe /property:Platform=x64;구성=PACKAGE.vcxproj 릴리스
`
8. 다크넷 실행
`배쉬
C:srcdarknetbuildsrc-cliReleasedarknet.exe 버전
`
다크넷 사용
CLI
다음은 Darknet에서 지원하는 모든 명령의 전체 목록이 아닙니다.
Darknet CLI 외에도 Darknet/YOLO에 대한 대체 CLI를 제공하는 DarkHelp 프로젝트 CLI도 참고하세요. DarkHelp CLI에는 Darknet에는 없는 몇 가지 고급 기능도 있습니다. Darknet CLI와 DarkHelp CLI를 함께 사용할 수 있으며, 상호 배타적이지 않습니다.
아래 표시된 대부분의 명령에는 .weights 파일과 해당 .names 및 .cfg 파일이 필요합니다. 네트워크를 직접 훈련할 수도 있고(강력히 권장됩니다!), 다른 사람이 훈련시켰고 인터넷에서 무료로 사용할 수 있는 신경망을 다운로드할 수도 있습니다. 사전 학습 데이터 세트의 예는 다음과 같습니다.
LEGO Gears(이미지에서 개체 찾기)
Rolodex(이미지에서 텍스트 찾기)
MSCOCO(표준 클래스 80 개체 감지)
실행할 명령은 다음과 같습니다.
실행할 수 있는 몇 가지 가능한 명령과 옵션을 나열합니다.
다크넷 도움말
버전 확인:
다크넷 버전
이미지를 사용하여 예측하세요.
V2: 다크넷 탐지기 테스트 cars.data cars.cfg cars_best.weights image1.jpg
V3: darknet02displayannotatedimages cars.cfg image1.jpg
DarkHelp: DarkHelp cars.cfg cars.cfg cars_best.weights image1.jpg
출력 좌표:
V2: 다크넷 탐지기 테스트 Animals.data Animals.cfg Animalsbest.weights -extoutput dog.jpg
V3: darknet01inference_images 동물 개.jpg
DarkHelp: DarkHelp --json Animals.cfg Animals.names Animals_best.weights dog.jpg
비디오 사용:
V2: 다크넷 탐지기 데모 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
웹캠에서 읽기:
V2: 다크넷 탐지기 데모 Animals.data Animals.cfg Animals_best.weights -c 0
V3: darknet08display_webcam 동물
결과를 비디오로 저장:
V2: 다크넷 탐지기 데모 Animals.data Animals.cfg Animalsbest.weights test.mp4 -outfilename res.avi
V3: darknet05processvideos멀티스레드 Animals.cfg Animals.names Animals_best.weights test.mp4
DarkHelp: DarkHelp Animals.cfg Animals.names Animals_best.weights test.mp4
JSON:
V2: 다크넷 탐지기 데모 Animals.data Animals.cfg Animalsbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput
V3: darknet06imagestojson 동물 image1.jpg
DarkHelp: DarkHelp --json Animals.names Animals.cfg Animals_best.weights image1.jpg
특정 GPU에서 실행:
V2: 다크넷 탐지기 데모 Animals.data Animals.cfg Animals_best.weights -i 1 test.mp4
신경망의 정확성을 확인하십시오.
`배쉬
다크넷 탐지기 지도 Driving.data Driving.cfg Driving_best.weights ...
ID 이름 AvgPrecision TP FN FP TN 정확도 ErrorRate 정밀도 재현율 특이성 FalsePosRate
-- ---- ------------ ------ ------ ------ ------ -------- --------- --------- ------ ---------- ----------
0대 91.2495 32648 3903 5826 65129 0.9095 0.0905 0.8486 0.8932 0.9179 0.0821
오토바이 1대 80.4499 2936 513 569 5393 0.8850 0.1150 0.8377 0.8513 0.9046 0.0954
자전거 2대 89.0912 570 124 104 3548 0.9475 0.0525 0.8457 0.8213 0.9715 0.0285
3인 76.7937 7072 1727 2574 27523 0.8894 0.1106 0.7332 0.8037 0.9145 0.0855
4대 다수 64.3089 1068 509 733 11288 0.9087 0.0913 0.5930 0.6772 0.9390 0.0610
5 녹색등 86.8118 1969 239 510 4116 0.8904 0.1096 0.7943 0.8918 0.8898 0.1102
6 황색등 82.0390 126 38 30 1239 0.9525 0.0475 0.8077 0.7683 0.9764 0.0236
7 빨간불 94.1033 3449 217 451 4643 0.9237 0.0763 0.8844 0.9408 0.9115 0.0885
`
정확도 확인 mAP@IoU=75:
다크넷 탐지기 맵 Animals.data Animals.cfg Animalsbest.weights -iouthresh 0.75
앵커 포인트 재계산은 DarkMark에서 가장 잘 수행됩니다. DarkMark는 연속으로 100번 실행되고 계산된 모든 앵커 포인트 중에서 가장 좋은 앵커 포인트를 선택하기 때문입니다. 그러나 Darknet에서 이전 버전을 실행하려는 경우:
다크넷 탐지기 calcanchors Animals.data -numof_clusters 6 -너비 320 -높이 256
새 네트워크 훈련:
darknet detector -map -dont_show train Animals.data Animals.cfg(아래 교육 섹션 참조)
기차
Darknet/YOLO FAQ의 관련 섹션에 대한 빠른 링크:
파일과 디렉터리를 어떻게 설정해야 합니까?
어떤 프로필을 사용해야 합니까?
자체 네트워크를 훈련할 때 어떤 명령을 사용해야 합니까?
DarkMark를 사용하여 필요한 모든 Darknet 파일을 생성하는 것은 주석을 달고 훈련하는 가장 쉬운 방법입니다. 이는 확실히 새로운 신경망을 훈련하는 데 권장되는 방법입니다.
사용자 정의 네트워크를 훈련시키기 위해 다양한 파일을 수동으로 설정하려면 다음을 수행하십시오.
1. 새 폴더 만들기
파일을 저장할 새 폴더를 만듭니다. 예를 들어, 동물을 감지하는 신경망을 생성하므로 ~/nn/animals/ 디렉터리를 생성합니다.
2. 구성 파일 복사
템플릿으로 사용하려는 Darknet 구성 파일 중 하나를 복사하세요. 예를 들어 cfg/yolov4-tiny.cfg를 참조하세요. 생성한 폴더에 넣어주세요. 예를 들어 이제 ~/nn/animals/animals.cfg가 있습니다.
3. .names 파일 생성
구성 파일을 저장한 폴더에 Animals.names 텍스트 파일을 만듭니다. 예를 들어 이제 ~/nn/animals/animals.names가 있습니다.
4. .names 파일 편집
텍스트 편집기를 사용하여 Animals.names 파일을 편집합니다. 사용하려는 카테고리를 나열하십시오. 한 줄에 정확히 하나의 항목이 있어야 하며, 빈 줄이나 주석이 있어서는 안 됩니다. 예를 들어, .names 파일에는 정확히 4줄이 포함됩니다.
`
개
고양이
새
말
`
5. .data 파일 생성
동일한 폴더에 Animals.data 텍스트 파일을 만듭니다. 예를 들어 .data 파일에는 다음이 포함됩니다.
`
수업=4
기차=/home/username/nn/animals/animals_train.txt
유효한=/home/username/nn/animals/animals_valid.txt
이름=/home/username/nn/animals/animals.names
백업=/홈/사용자 이름/nn/동물
`
6. 데이터세트 폴더 생성
이미지와 주석을 저장할 폴더를 만듭니다. 예를 들어 ~/nn/animals/dataset일 수 있습니다. 각 이미지에는 해당 이미지의 주석을 설명하는 해당 .txt 파일이 필요합니다. .txt 주석 파일의 형식은 매우 구체적입니다. 각 주석에는 주석의 정확한 좌표가 포함되어야 하기 때문에 이러한 파일을 수동으로 생성할 수 없습니다. 이미지에 주석을 달려면 DarkMark 또는 기타 유사한 소프트웨어를 확인하십시오. YOLO 주석 형식은 Darknet/YOLO FAQ에 설명되어 있습니다.
7. "train" 및 "valid" 파일 생성
.data 파일에 이름이 지정된 "train" 및 "valid" 텍스트 파일을 만듭니다. 이 두 텍스트 파일은 Darknet이 각각 mAP%를 계산할 때 훈련 및 검증에 사용해야 하는 모든 이미지를 나열해야 합니다. 행당 정확히 하나의 이미지입니다. 경로와 파일 이름은 상대적이거나 절대적일 수 있습니다.
8. .cfg 파일 수정
텍스트 편집기를 사용하여 .cfg 파일을 수정합니다.
* 배치=64인지 확인하세요.
* 하위 구분에 주의하세요. 네트워크 크기와 GPU에서 사용 가능한 메모리 양에 따라 세분화를 늘려야 할 수도 있습니다. 최적의 값은 1이므로 1부터 시작하세요. 1이 효과가 없다면 Darknet/YOLO FAQ를 참조하세요.
참고 maxbatches=… 시작하기에 좋은 값은 범주 수의 2000배입니다. 예를 들어, 동물이 4마리 있으므로 4 2000 = 8000입니다. 이는 maxbatches=8000을 사용한다는 의미입니다.
* 참고 단계=… 이는 maxbatch의 80%와 90%로 설정되어야 합니다. 예를 들어 maxbatches가 8000으로 설정되었으므로 steps=6400,7200을 사용합니다.
* 참고 너비=... 및 높이=.... 이는 네트워크 차원입니다. Darknet/YOLO FAQ에서는 사용할 최적의 크기를 계산하는 방법을 설명합니다.
각 [yolo] 섹션 앞의 [convolutional] 섹션에서 클래스=... 및 필터=... 행의 모든 인스턴스를 찾습니다. 사용할 값은 (클래스 수 + 5) 3입니다. 즉, 이 예에서는 (4 + 5) * 3 = 27입니다. 따라서 해당 줄에 filter=27을 사용하겠습니다.
9. 훈련 시작
다음 명령을 실행하십시오.
`배쉬
CD ~/nn/동물/
다크넷 탐지기 -map -dont_show 기차 동물.데이터 동물.cfg
`
인내심을 가지십시오. 가장 좋은 가중치는 Animals_best.weights로 저장됩니다. Chart.png 파일을 보면 훈련 진행 상황을 관찰할 수 있습니다. 새로운 네트워크를 훈련할 때 사용할 수 있는 추가 매개변수는 Darknet/YOLO FAQ를 참조하세요.
훈련 중에 더 자세한 내용을 보려면 --verbose 매개변수를 추가하세요. 예를 들어:
`배쉬
다크넷 탐지기 -map -dont_show --verbose 기차 동물.데이터 동물.cfg
`
기타 도구 및 링크
Darknet/YOLO 프로젝트를 관리하고, 이미지에 주석을 달고, 주석의 유효성을 검사하고, Darknet 교육에 필요한 파일을 생성하려면 DarkMark를 확인하세요.
이미지 스티칭, 비디오 개체 추적 또는 상용 애플리케이션에서 쉽게 사용할 수 있는 강력한 C++ API 사용을 위한 Darknet의 강력한 대체 CLI를 보려면 DarkHelp를 확인하세요.
Darknet/YOLO FAQ를 확인하여 귀하의 질문에 답하는 데 도움이 될 수 있는지 알아보세요.
Stéphane의 YouTube 채널에서 다양한 튜토리얼과 예제 비디오를 확인하세요.
지원 질문이 있거나 다른 Darknet/YOLO 사용자와 채팅하고 싶다면 Darknet/YOLO 디스코드 서버에 가입하세요.
로드맵
2024년 10월 30일에 최종 업데이트되었습니다.
완전한
훈련 중에 qsort()를 std::sort()로 대체했습니다(다른 모호성은 여전히 존재함).
check_mistakes, getchar() 및 system() 제거
C++ 컴파일러(Linux에서는 g++, Windows에서는 Visual Studio)를 사용하도록 Darknet을 변환합니다.
Windows 빌드 수정
Python 지원 수정
다크넷 라이브러리 구축
예측에서 라벨을 다시 활성화합니다('알파벳' 코드).
CUDA/GPU 코드를 다시 활성화합니다.
CUDNN을 다시 활성화합니다.
CUDNN 절반을 다시 활성화합니다.
CUDA 아키텍처를 하드코딩하지 마세요
더 나은 CUDA 버전 정보
AVX 다시 활성화
이전 솔루션 및 Makefile 제거
OpenCV를 선택 사항이 아닌 것으로 만들기
이전 pthread 라이브러리에 대한 종속성을 제거합니다.
STB 삭제
새로운 CUDA 계측을 사용하도록 CMakeLists.txt를 다시 작성하세요.
오래된 "알파벳" 코드를 제거하고 데이터/라벨에서 700개 이상의 이미지를 삭제했습니다.
소스 코드 외부에서 빌드
더 나은 버전 번호 출력
훈련 관련 성과 최적화(진행 중인 작업)
추론 관련 성능 최적화(진행 중인 작업)
가능하면 값별로 참조를 사용하세요.
.hpp 파일 정리
darknet.h 다시 작성
cv::Mat를 void로 변환하지 말고 대신 적절한 C++ 객체로 사용하세요.
내부 이미지 구조의 일관된 사용을 수정하거나 유지합니다.
ARM 기반 Jetson 장치의 빌드 수정
*원래 Jetson 장치는 더 이상 NVIDIA에서 지원하지 않으므로 수정될 가능성이 없습니다(C++17 컴파일러 없음).
* 현재 새로운 Jetson Orin 장치가 실행 중입니다.
V3에서 Python API 수정
* 더 나은 Python 지원이 필요합니다. (도와주실 Python 개발자가 있습니까?)
단기 목표
printf()를 std::cout으로 교체(작업 진행 중)
오래된 zed 카메라 지원 조사
더 우수하고 일관된 명령줄 구문 분석(작업 진행 중)
중기 목표
모든 문자 코드를 제거하고 std::string으로 바꿉니다.
경고를 숨기지 말고 컴파일러 경고를 정리하세요(작업 진행 중).
C의 사용자 정의 이미지 구조 대신 cv::Mat를 사용하는 것이 더 좋습니다(작업 진행 중).
이전 목록 함수를 std::벡터 또는 std::list로 대체
1채널 회색조 이미지 지원 수정
N > 3인 N 채널 이미지에 대한 지원 추가(예: 추가 깊이 또는 열 채널이 있는 이미지)
진행 중인 코드 정리(진행 중)
장기 목표
모든 GPU의 CUDA/CUDNN 문제 수정
CUDA+cuDNN 코드 재작성
NVIDIA 이외의 GPU에 대한 지원 추가 조사
회전된 경계 상자 또는 일종의 "각도" 지원
핵심 포인트/골격
히트맵(작업 진행 중)
분할
