다크넷 개체 탐지 프레임워크 및 YOLO
Darknet은 C, C++ 및 CUDA로 작성된 오픈 소스 신경망 프레임워크입니다.
YOLO(You Only Look Once)는 Darknet 프레임워크에서 실행되는 최첨단 실시간 개체 감지 시스템입니다.
Hank.ai가 Darknet/YOLO 커뮤니티를 어떻게 돕는지 읽어보세요.
Darknet V3 "Jazz" 발표
Darknet/YOLO 웹사이트를 참조하세요.
Darknet/YOLO FAQ를 읽어보세요.
Darknet/YOLO 디스코드 서버에 가입하세요
서류
1. 종이 YOLOv7
2. 종이 스케일-YOLOv4
3. 종이 YOLOv4
4. 종이 YOLOv3
일반 정보
Darknet/YOLO 프레임워크는 다른 프레임워크 및 YOLO 버전보다 계속해서 더 빠르고 정확합니다.
이 프레임워크는 완전 무료이며 오픈 소스입니다. 라이센스나 수수료 없이 Darknet/YOLO를 상업용 프로젝트를 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, Darknet/YOLO에서 각 비디오 프레임을 읽고, 크기를 조정하고, 1밀리초 이내에 처리합니다. 더 적은.
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, 고급 훈련 장비와 같은 간단한 장치에서 실행될 수 있습니다. Darknet/YOLO의 GPU 버전에는 NVIDIA의 CUDA 지원 GPU가 필요합니다.
Darknet/YOLO는 Linux, Windows 및 Mac에서 작동하는 것으로 알려져 있습니다. 아래의 조립 지침을 참조하세요.
다크넷 버전
Joseph Redmon이 2013~2017년에 작성한 원본 Darknet 도구에는 버전 번호가 없습니다. 우리는 이 버전을 0.x로 간주합니다.
2017년부터 2021년까지 Alexey Bochkovskiy가 관리한 다음 인기 Darknet 저장소에도 버전 번호가 없었습니다. 우리는 이 버전을 1.x로 간주합니다.
Hank.ai가 후원하고 2023년부터 Stéphane Charette가 유지 관리하는 Darknet 저장소는 버전 명령이 있는 최초의 저장소였습니다. 2023년부터 2024년 말까지 버전 2.x "OAK"를 반환했습니다.
목표는 코드베이스에 익숙해지면서 기존 기능을 최대한 활용하는 것이었습니다.
이 버전의 주요 변경 사항은 다음과 같습니다.
1. Windows와 Linux 모두에서 CMake를 사용하여 빌드하는 하나의 통합된 방법을 갖도록 빌드 단계를 다시 작성했습니다.
2. C++ 컴파일러를 사용하도록 코드베이스를 변환했습니다.
3. 훈련하는 동안 Chart.png가 향상되었습니다.
4. 버그 수정 및 성능 관련 최적화는 주로 네트워크 훈련에 걸리는 시간을 줄이는 것과 관련이 있습니다.
이 코드베이스의 마지막 분기는 v2 분기의 버전 2.1입니다.
다음 개발 단계는 2024년 중반에 시작되어 2024년 10월에 출시되었습니다. 이제 버전 명령은 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.
이 버전의 주요 변경 사항은 다음과 같습니다.
1. 오래되고 유지 관리되지 않는 많은 명령을 제거했습니다.
2. 훈련 및 추론 중에 다양한 성능 최적화가 이루어졌습니다.
3. 레거시 C API가 수정되었습니다. 원본 Darknet API를 사용하는 애플리케이션에는 약간의 수정이 필요합니다: https://darknetcv.ai/api/api.html
4. 새로운 Darknet V3 C 및 C++ API: https://darknetcv.ai/api/api.html
5. src-examples의 새로운 앱과 샘플 코드: https://darknetcv.ai/api/files.html
MSCOCO 사전 훈련된 가중치
YOLO의 여러 인기 버전은 MSCOCO 데이터 세트의 편의를 위해 사전 훈련되었습니다. 이 데이터 세트에는 80개의 클래스가 있으며 이는 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 여러 위치에서 다운로드할 수 있으며 이 저장소에서도 다운로드할 수 있습니다.
1. YOLOv2, 2016년 11월
-YOLOv2-작은
-YOLOv2-전체
2. YOLOv3, 2018년 5월
-YOLOv3-작은
-YOLOv3-전체
3. YOLOv4, 2020년 5월
-YOLOv4-작은
-YOLOv4-전체
4. YOLOv7, 2022년 8월
-YOLOv7-작은
- YOLOv7-전체
MSCOCO 사전 훈련된 가중치는 데모 목적으로만 제공됩니다. 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
`
사람들은 자신의 네트워크를 훈련해야 한다는 점에 유의하십시오. MSCOCO는 일반적으로 모든 것이 올바르게 작동하는지 확인하는 데 사용됩니다.
건물
과거(2023년 이전)에 사용 가능한 다양한 빌드 방법이 단일 통합 솔루션으로 병합되었습니다. Darknet에는 C++17 이상, OpenCV가 필요하며 CMake를 사용하여 필요한 프로젝트 파일을 생성합니다.
Darknet/YOLO를 구축, 설치, 실행하기 위해 C++를 알 필요가 없는 것처럼, 자동차를 운전하기 위해 정비공이 될 필요도 없습니다.
더 복잡한 빌드 단계가 포함된 이전 튜토리얼을 따르거나 이 추가 정보의 내용과 일치하지 않는 빌드 단계를 따르는 경우 주의하세요. 아래에 설명된 새로운 빌드 단계는 2023년 8월에 시작되었습니다.
소프트웨어 개발자는 https://darknetcv.ai/를 방문하여 Darknet/YOLO 개체 감지 프레임워크의 내부 정보를 얻는 것이 좋습니다.
구글 코랩
Google Colab 지침은 Linux 지침과 동일합니다. 새로운 네트워크 훈련과 같은 특정 작업을 수행하는 방법을 보여주는 여러 Jupyter 노트북을 사용할 수 있습니다.
colab 하위 디렉터리에서 노트북을 확인하거나 아래 Linux 지침을 따르세요.
리눅스 CMake 방법
1. 필요한 패키지를 설치합니다:
`배쉬
sudo apt-get 설치 빌드 필수 git libopencv-dev cmake
`
2. Darknet 저장소를 복제합니다.
`배쉬
mkdir ~/srccd ~/src
자식 클론 https://github.com/hank-ai/darknetcd darknet
`
3. 빌드 디렉터리를 생성하고 CMake를 실행합니다.
`배쉬
mkdir 빌드cd 빌드
cmake -DCMAKEBUILDTYPE=릴리스 ..
`
4. 다크넷 구축:
`배쉬
-j4를 만드세요
`
5. Darknet 패키지 및 설치:
`배쉬
패키지
sudo dpkg -i darknet-VERSION.deb
`
6. 설치를 확인합니다.
`배쉬
다크넷 버전
`
Windows CMake 메서드
1. 필요한 패키지를 설치합니다:
`배쉬
Winget 설치 Git.Git Winget 설치 Kitware.CMake Winget 설치 nsis.nsis Winget 설치 Microsoft.VisualStudio.2022.Community
`
2. Visual Studio 설치 수정:
- "Windows 시작" 메뉴를 클릭하고 "Visual Studio 설치 프로그램"을 실행합니다.
- 수정을 클릭하세요.
- C++를 사용한 데스크톱 개발을 선택합니다.
- 오른쪽 하단의 수정을 클릭한 후 예를 클릭하세요.
3. VS 2022용 개발자 명령 프롬프트를 엽니다.
- "Windows 시작" 메뉴를 클릭하고 VS 2022용 개발자 명령 프롬프트를 선택합니다. 이 단계에서는 PowerShell을 사용하지 마세요.
4. Microsoft VCPKG를 설치합니다.
`배쉬
cd c:mkdir c:srccd c:src git clone https://github.com/microsoft/vcpkgcd vcpkg
bootstrap-vcpkg.bat
.vcpkg.exe 통합
.vcpkg.exe 설치 powershell.vcpkg.exe 통합 opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows 설치
`
5. 다크넷 저장소 복제:
`배쉬
CD C:src
자식 클론 https://github.com/hank-ai/darknet.gitcd darknet
`
6. 빌드 디렉터리를 생성하고 CMake를 실행합니다.
`배쉬
mkdir 빌드cd 빌드
cmake -DCMAKEBUILDTYPE=릴리스 -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
`
7. 다크넷 구축:
`배쉬
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
`
8. NSIS 설치 패키지를 생성합니다:
`배쉬
msbuild.exe /property:Platform=x64;구성=PACKAGE.vcxproj 릴리스
`
9. NSIS 설치 마법사를 실행합니다:
- 빌드 디렉터리에서 darknet-VERSION.exe 파일을 엽니다. 예: darknet-2.0.31-win64.exe.
10. 설치 확인:
`배쉬
C:프로그램 파일Darknetbindarknet.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 Darknet에서 직접 사용할 수 없는 몇 가지 고급 기능도 있습니다. Darknet CLI와 DarkHelp CLI를 함께 사용할 수 있으며 상호 배타적이지 않습니다.
아래 표시된 대부분의 명령에는 해당 .names 및 .cfg 파일과 함께 .weights 파일이 필요합니다. 자신만의 네트워크를 훈련시키거나(강력히 권장됩니다!) 누군가가 이미 훈련시켜 인터넷에서 무료로 제공한 신경망을 다운로드할 수 있습니다. 사전 훈련된 데이터 세트의 예는 다음과 같습니다.
1. LEGO Gears(이미지에서 개체 찾기)
2. Rolodex(이미지에서 텍스트 찾기)
3. MSCOCO(표준 80등급 객체 감지)
실행할 명령은 다음과 같습니다.
1. 실행할 수 있는 몇 가지 명령과 옵션을 나열합니다.
`배쉬
다크넷 도움말
`
2. 버전을 확인하세요:
`배쉬
다크넷 버전
`
3. 이미지를 사용하여 예측:
- V2:
`배쉬
다크넷 감지기 테스트 cars.data cars.cfg cars_best.weights image1.jpg
`
- V3:
`배쉬
darknet02displayannotatedimages cars.cfg image1.jpg
`
- 다크도움말:
`배쉬
DarkHelp cars.cfg cars.cfg cars_best.weights image1.jpg
`
4. 출력 좌표:
- V2:
`배쉬
다크넷 탐지기 테스트 Animals.data Animals.cfg Animalsbest.weights -extoutput dog.jpg
`
- V3:
`배쉬
darknet01inference_images 동물 개.jpg
`
- 다크도움말:
`배쉬
DarkHelp --json Animals.cfg Animals.names Animals_best.weights dog.jpg
`
5. 비디오 작업:
- V2:
`배쉬
다크넷 탐지기 데모 Animals.data Animals.cfg Animalsbest.weights -extoutput test.mp4
`
- V3:
`배쉬
darknet03display_videos 동물.cfg 테스트.mp4
`
- 다크도움말:
`배쉬
DarkHelp Animals.cfg Animals.names Animals_best.weights test.mp4
`
6. 웹캠에서 읽기:
- V2:
`배쉬
다크넷 탐지기 데모 Animals.data Animals.cfg Animals_best.weights -c 0
`
- V3:
`배쉬
darknet08display_webcam 동물
`
7. 결과를 비디오에 저장합니다:
- V2:
`배쉬
다크넷 탐지기 데모 Animals.data Animals.cfg Animalsbest.weights test.mp4 -outfilename res.avi
`
- V3:
`배쉬
darknet05프로세스비디오멀티스레드 동물.cfg 동물.이름 동물_최고.가중치 테스트.mp4
`
- 다크도움말:
`배쉬
DarkHelp Animals.cfg Animals.names Animals_best.weights test.mp4
`
8. JSON:
- V2:
`배쉬
다크넷 탐지기 데모 Animals.data Animals.cfg Animalsbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput
`
- V3:
`배쉬
darknet06imagestojson 동물 image1.jpg
`
- 다크도움말:
`배쉬
DarkHelp --json Animals.names Animals.cfg Animals_best.weights image1.jpg
`
9. 특정 GPU에서 실행:
`배쉬
다크넷 탐지기 데모 Animals.data Animals.cfg Animals_best.weights -i 1 test.mp4
`
10. 신경망의 정확성을 확인하려면:
`배쉬
다크넷 탐지기 지도 Driving.data Driving.cfg Driving_best.weights ...
`
산출:
`
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
`
11. 정확도 mAP@IoU=75를 확인하려면:
`배쉬
다크넷 탐지기 맵 Animals.data Animals.cfg Animalsbest.weights -iouthresh 0.75
`
12. 앵커 재계산:
- DarkMark에서 가장 잘 수행됩니다.
- 다크넷에서는 다음을 사용합니다:
`배쉬
다크넷 탐지기 calcanchors Animals.data -numof_clusters 6 -너비 320 -높이 256
`
13. 새 네트워크 훈련:
`배쉬
CD ~/nn/동물/
다크넷 탐지기 -map -dont_show 기차 동물.데이터 동물.cfg
`
훈련
Darknet/YOLO FAQ의 관련 섹션에 대한 빠른 링크:
1. 파일과 디렉터리를 어떻게 설정해야 합니까?
2. 어떤 구성 파일을 사용해야 합니까?
3. 자체 네트워크를 훈련할 때 어떤 명령을 사용해야 합니까?
주석을 달고 훈련하는 가장 간단한 방법은 DarkMark를 사용하여 필요한 모든 Darknet 파일을 생성하는 것입니다. 이는 확실히 새로운 신경망을 훈련하는 데 권장되는 방법입니다.
사용자 정의 네트워크를 훈련시키기 위해 다양한 파일을 수동으로 설정하려는 경우:
1. 프로젝트에 대한 새 폴더를 만듭니다.
- 이 예에서는 동물을 감지하기 위한 신경망이 생성되므로 ~/nn/animals/ 디렉터리가 생성됩니다.
2. Darknet 구성 파일을 템플릿으로 복사합니다.
- 예를 들어 cfg/yolov4-tiny.cfg를 프로젝트 폴더에 복사합니다. 이제 ~/nn/animals/animals.cfg가 생성됩니다.
3. Animals.names 텍스트 파일을 만듭니다.
- 이 파일에는 감지하려는 클래스 목록이 한 줄에 하나씩 포함됩니다. 예를 들어:
`
개
고양이
새
말
`
4. Animals.data 텍스트 파일을 만듭니다.
- 이 파일은 교육 및 검증 데이터의 경로와 이름 및 백업 디렉터리를 지정합니다. 예를 들어:
`
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
`
5. 이미지와 주석을 위한 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 주석에 대한 정확한 좌표가 포함되어야 하므로 이러한 파일을 수동으로 생성할 수 없습니다. 이미지에 주석을 추가하려면 DarkMark 또는 기타 유사한 소프트웨어를 참조하십시오. YOLO 주석 형식은 Darknet/YOLO FAQ에 설명되어 있습니다.
6. "train" 및 "valid" 텍스트 파일을 생성합니다.
- 이 두 텍스트 파일은 Darknet이 mAP%를 계산할 때 훈련 및 검증에 사용해야 하는 모든 이미지를 개별적으로 나열해야 합니다. 한 줄에 정확히 하나의 이미지입니다. 경로와 파일 이름은 상대적이거나 절대적일 수 있습니다.
7. .cfg 파일을 수정합니다.
- 배치: 64로 설정합니다.
- 세분화: 1부터 시작하세요. 메모리 가용성에 따라 이를 조정해야 하는 경우 Darknet/YOLO FAQ를 참조하세요.
- maxbatches: 적절한 시작 값은 2000 numberof_classes입니다. 이 예에는 4마리의 동물이 있으므로 4 2000 = 8000입니다.
- 단계: 최대 배치의 80% 및 90%로 설정합니다. 이 예에서는 maxbatches가 8000으로 설정되었으므로 steps=6400,7200을 사용합니다.
- 너비와 높이: 네트워크 크기입니다. Darknet/YOLO FAQ에서는 사용할 최적의 크기를 계산하는 방법을 설명합니다.
- 클래스: .names 파일의 클래스 수로 이 줄을 수정합니다. 이 예에서는 클래스=4를 사용합니다.
- 필터: 각 [yolo] 섹션 앞의 [convolutional] 섹션에서 필터=...를 (numberofclasses + 5) * 3 값으로 수정합니다. 이 예에서는 필터=27을 사용합니다.
8. 훈련 시작:
`배쉬
CD ~/nn/동물/
다크넷 탐지기 -map -dont_show 기차 동물.데이터 동물.cfg
`
인내심을 가지십시오. 가장 좋은 가중치는 Animals_best.weights로 저장됩니다. 훈련 진행 상황은 Chart.png 파일을 보면 알 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
1. DarkMark: Darknet/YOLO 프로젝트를 관리하고, 이미지에 주석을 달고, 주석을 확인하고, Darknet 교육에 필요한 파일을 생성합니다.
2. DarkHelp: Darknet에 대한 강력한 대안 CLI, 이미지 타일링 사용, 비디오의 객체 추적 또는 상업용 애플리케이션에서 쉽게 사용할 수 있는 강력한 C++ API용.
3. 다크넷/YOLO FAQ: 귀하의 질문에 답변하는 데 도움이 됩니다.
4. Stéphane의 YouTube 채널: 튜토리얼 및 예제 동영상을 볼 수 있습니다.
5. 다크넷/YOLO 디스코드 서버: 다른 다크넷/YOLO 사용자와 채팅하고 지원을 요청합니다.
로드맵
최종 업데이트 날짜: 2024년 10월 30일:
완전한
1. 훈련 중에 사용되는 std::sort()를 qsort()로 교체하세요.
2. check_mistakes, getchar() 및 system()을 제거하십시오.
3. C++ 컴파일러를 사용하도록 Darknet을 변환합니다.
4. Windows 빌드를 수정합니다.
5. Python 지원을 수정합니다.
6. 다크넷 라이브러리를 구축하세요.
7. 예측에 대한 레이블("알파벳" 코드)을 다시 활성화합니다.
8. CUDA/GPU 코드를 다시 활성화합니다.
9. CUDNN을 다시 활성화합니다.
10. CUDNN 절반을 다시 활성화합니다.
11. CUDA 아키텍처를 하드 코딩하지 마십시오.
12. 더 나은 CUDA 버전 정보.
13. AVX를 다시 활성화합니다.
14. 이전 솔루션과 Makefile을 제거합니다.
15. OpenCV를 선택 사항이 아닌 것으로 만듭니다.
16. 이전 pthread 라이브러리에 대한 종속성을 제거합니다.
17. STB를 제거합니다.
18. 새로운 CUDA 감지를 사용하려면 CMakeLists.txt를 다시 작성하세요.
19. 이전 "알파벳" 코드를 제거하고 데이터/라벨에서 700개 이상의 이미지를 삭제합니다.
20. 소스 외부에서 빌드하세요.
21. 더 나은 버전 번호 출력을 제공합니다.
22. 훈련(진행 중인 작업)과 관련된 성능 최적화.
23. 추론과 관련된 성능 최적화(진행 중인 작업).
24. 가능한 경우 참조로 전달합니다.
25. .hpp 파일을 정리합니다.
26. darknet.h를 다시 작성하세요.
27. cv::Mat를 void*로 캐스팅하지 말고 적절한 C++ 개체로 사용하세요.
28. 내부 이미지 구조가 사용되는 방식을 수정하거나 일관성을 유지하세요.
29. ARM 기반 Jetson 장치에 대한 빌드를 수정합니다.
30. 새로운 Jetson Orin 장치가 작동 중입니다.
31. V3에서 Python API를 수정합니다.
단기 목표
1. printf()를 std::cout으로 교체하세요.
2. 기존 zed 카메라 지원을 살펴보세요.
3. 더 좋고 일관된 명령줄 구문 분석.
중기 목표
1. 모든 char* 코드를 제거하고 std::string으로 대체합니다.
2. 경고를 숨기지 말고 컴파일러 경고를 정리하세요.
3. C의 사용자 정의 이미지 구조 대신 cv::Mat을 더 잘 사용합니다.
4. 이전 목록 기능을 std::벡터 또는 std::list로 대체합니다.
5. 1채널 그레이스케일 이미지 지원을 수정했습니다.
6. N > 3인 N채널 이미지에 대한 지원을 추가합니다.
7. 지속적인 코드 정리.
장기 목표
1. 모든 GPU의 CUDA/CUDNN 문제를 수정합니다.
2. CUDA+cuDNN 코드를 다시 작성하세요.
3. NVIDIA GPU가 아닌 GPU에 대한 지원 추가를 고려해보세요.
4. 회전된 경계 상자 또는 일종의 "각도" 지원.
5. 키포인트/골격.
6. 히트맵.
7. 분할.
