다크넷 개체 탐지 프레임워크 및 YOLO
!darknet 및 hank.ai 로고
Darknet은 주로 C 및 CUDA로 작성된 오픈 소스 신경망 프레임워크입니다.
YOLO(You Only Look Once)는 Darknet 프레임워크 내에서 작동하는 실시간 개체 탐지 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. 라이선스나 결제 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 1000FPS의 속도로 LEGO 데이터 세트 비디오를 정확하게 처리할 수 있습니다. 이는 Darknet/YOLO가 1밀리초 이내에 각 비디오 프레임을 읽고, 크기를 조정하고, 처리한다는 것을 의미합니다.
도움이나 토론을 위해 Darknet/YOLO Discord 서버에 가입하세요: https://discord.gg/zSq8rtW
Darknet/YOLO의 CPU 버전은 Raspberry Pi, 클라우드 및 Colab 서버, 데스크톱, 노트북, 고급 훈련 장비를 포함한 다양한 장치에서 실행됩니다. 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.
Darknet 2.x의 주요 변경 사항은 다음과 같습니다.
Windows 및 Linux에서 통합 CMake 기반 빌드를 위한 빌드 단계를 다시 작성했습니다.
C++ 컴파일러를 사용하도록 코드베이스를 변환했습니다.
훈련 중 Chart.png 시각화가 향상되었습니다.
주로 훈련 시간 단축에 초점을 맞춘 버그 수정 및 성능 최적화입니다.
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 명령이 있으면 알려주십시오.
Darknet 3.x의 주요 변경 사항은 다음과 같습니다.
오래되고 유지 관리되지 않는 많은 명령을 제거합니다.
훈련과 추론 모두에 대한 성능이 대폭 최적화되었습니다.
원본 Darknet API를 사용하는 애플리케이션에 대한 약간의 수정이 필요한 레거시 C API 수정. 여기에서 업데이트된 API 문서를 참조하세요: https://darknetcv.ai/api/api.html
새로운 Darknet V3 C 및 C++ API 소개: https://darknetcv.ai/api/api.html
src-examples 디렉터리의 새로운 애플리케이션과 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 cfg/coco.names 텍스트 파일에서 찾을 수 있는 80개의 클래스가 포함되어 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 다음 저장소를 포함한 다양한 위치에서 다운로드할 수 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 제공됩니다. MSCOCO에 해당하는 .cfg 및 .names 파일은 cfg 디렉터리에 있습니다. 예제 명령:
`
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
`
자신만의 네트워크를 훈련하는 것이 좋습니다. MSCOCO는 주로 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 필요는 없습니다. 마치 자동차를 운전하기 위해 정비공이 될 필요가 없는 것과 같습니다.
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 작업을 보여주는 여러 Jupyter 노트북을 사용할 수 있습니다.
colab 하위 디렉터리에서 노트북을 확인하거나 아래 Linux 지침을 따르세요.
리눅스 CMake 방법
Linux용 Darknet 빌드 튜토리얼
1. 필요한 패키지를 설치합니다:
`배쉬
sudo apt-get 설치 빌드 필수 git libopencv-dev cmake
`
2. Darknet 저장소를 복제합니다.
`배쉬
mkdir ~/src
CD ~/src
자식 클론 https://github.com/hank-ai/darknet
CD 다크넷
`
3. 빌드 디렉터리를 생성하고 CMake를 실행합니다.
`배쉬
mkdir 빌드
CD 빌드
cmake -DCMAKEBUILDTYPE=릴리스 ..
`
4. 다크넷 구축:
`배쉬
-j4를 만드세요
`
5. 선택 사항: CUDA 또는 CUDA+cuDNN 설치
최신 NVIDIA GPU가 있는 경우 CUDA 또는 CUDA+cuDNN을 설치할 수 있습니다. 이를 통해 Darknet은 더 빠른 이미지 및 비디오 처리를 위해 GPU를 사용할 수 있습니다.
- https://developer.nvidia.com/cuda-downloads에서 CUDA를 다운로드하여 설치합니다.
- https://developer.nvidia.com/rdp/cudnn-download 또는 https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-에서 cuDNN을 다운로드하여 설치합니다. 설치 개요.
중요: Darknet을 구축한 후 CUDA 또는 CUDA+cuDNN을 설치하는 경우 빌드 디렉터리에서 CMakeCache.txt 파일을 삭제하고 cmake를 다시 실행하여 CMake가 필요한 파일을 찾을 수 있는지 확인해야 합니다.
참고: Darknet은 CUDA 없이 실행될 수 있지만 사용자 정의 네트워크를 교육하려면 CUDA 또는 CUDA+cuDNN이 필요합니다.
6. Darknet 패키지 및 설치:
`배쉬
패키지 만들기
sudo dpkg -i darknet-VERSION.deb
`
중요: 이전 버전의 CMake를 사용하는 경우 cmake 명령을 실행하기 전에 업그레이드해야 할 수도 있습니다. 다음을 사용하여 Ubuntu에서 CMake를 업그레이드합니다.
`배쉬
sudo apt-get purge cmake
sudo 스냅 설치 cmake --classic
`
고급 사용자:
- DEB 파일 대신 RPM 설치 파일을 빌드하려면 make package를 실행하기 전에 CM_package.cmake에서 다음 두 줄을 편집하십시오.
`cmake
# SET (CPACK_GENERATOR "DEB")
설정(CPACK_GENERATOR "RPM")
`
- 빌드가 완료된 후 설치 패키지를 설치하려면 배포판의 패키지 관리자를 사용하십시오. 예를 들어 Ubuntu와 같은 Debian 기반 시스템에서는 다음과 같습니다.
`배쉬
sudo dpkg -i darknet-2.0.1-Linux.deb
`
- .deb 패키지를 설치하면 다음 파일이 복사됩니다.
- /usr/bin/darknet: 다크넷 실행 파일입니다.
- /usr/include/darknet.h: C, C++, Python 개발자를 위한 Darknet API.
- /usr/include/darknet_version.h: 개발자를 위한 버전 정보가 포함되어 있습니다.
- /usr/lib/libdarknet.so: C, C++ 및 Python 개발자를 위해 링크할 라이브러리입니다.
- /opt/darknet/cfg/...: 모든 .cfg 템플릿의 위치입니다.
- 이제 끝났습니다! Darknet은 /usr/bin/에 구축 및 설치되었습니다. CLI에서 darknet 버전을 실행하여 설치를 확인하세요.
Windows CMake 메서드
이 지침에서는 Windows 11 22H2를 새로 설치한다고 가정합니다.
1. 필수 소프트웨어를 설치합니다:
`파워셸
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 열고 "Visual Studio 설치 프로그램"을 실행합니다.
- "수정"을 클릭하세요.
- "C++를 사용한 데스크톱 개발"을 선택합니다.
- 오른쪽 하단의 '수정'을 클릭한 후 '예'를 클릭하세요.
3. Microsoft VCPKG를 설치합니다.
- "Windows 시작" 메뉴를 열고 "VS 2022용 개발자 명령 프롬프트"를 선택합니다. 이 단계에서는 PowerShell을 사용하지 마세요.
- 고급 사용자: 개발자 명령 프롬프트를 실행하는 대신 일반 명령 프롬프트를 사용하거나 장치에 SSH를 사용하고 Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat를 수동으로 실행할 수 있습니다.
- 다음 명령을 실행합니다.
`파워셸
질병통제예방센터:
mkdir c:src
CD C:src
자식 클론 https://github.com/microsoft/vcpkg
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
`
- 이 마지막 단계에서는 실행하는 데 시간이 오래 걸릴 수 있으므로 인내심을 가지세요. 많은 것을 다운로드하고 빌드해야 합니다.
- 고급 사용자: OpenCV를 빌드할 때 추가할 수 있는 다른 옵션 모듈이 많이 있다는 점에 유의하세요. 전체 목록을 보려면 .vcpkg.exe search opencv를 실행하세요.
4. 선택 사항: CUDA 또는 CUDA+cuDNN 설치
최신 NVIDIA GPU가 있는 경우 CUDA 또는 CUDA+cuDNN을 설치할 수 있습니다. 이를 통해 Darknet은 더 빠른 이미지 및 비디오 처리를 위해 GPU를 사용할 수 있습니다.
- https://developer.nvidia.com/cuda-downloads에서 CUDA를 다운로드하여 설치합니다.
- https://developer.nvidia.com/rdp/cudnn-download 또는 https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows에서 cuDNN을 다운로드하여 설치하세요.
중요: Darknet을 구축한 후 CUDA 또는 CUDA+cuDNN을 설치하는 경우 빌드 디렉터리에서 CMakeCache.txt 파일을 삭제하고 cmake를 다시 실행하여 CMake가 필요한 파일을 찾을 수 있는지 확인해야 합니다.
참고: Darknet은 CUDA 없이 실행될 수 있지만 사용자 정의 네트워크를 교육하려면 CUDA 또는 CUDA+cuDNN이 필요합니다.
5. Darknet을 복제하고 구축합니다.
`파워셸
CD C:src
자식 클론 https://github.com/hank-ai/darknet.git
CD 다크넷
mkdir 빌드
CD 빌드
cmake -DCMAKEBUILDTYPE=릴리스 -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;구성=PACKAGE.vcxproj 릴리스
`
중요한:
- CUDA 설치 : Visual Studio 이후에 CUDA를 설치해야 합니다. Visual Studio를 업그레이드하는 경우 CUDA를 다시 설치해야 합니다.
- DLL 누락: CUDA 또는 cuDNN DLL(예: cublas64_12.dll) 누락에 대한 오류가 발생하는 경우 CUDA .dll 파일을 darknet.exe와 동일한 출력 디렉터리에 수동으로 복사하세요. 예를 들어:
`파워셸
"C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll" src-cliRelease를 복사합니다.
`
(이것은 예시입니다. 실행 중인 CUDA 버전을 확인하고 이에 따라 경로를 조정하세요.)
- msbuild.exe 다시 실행: .dll 파일을 복사한 후 마지막 msbuild.exe 명령을 다시 실행하여 NSIS 설치 패키지를 생성합니다.
`파워셸
msbuild.exe /property:Platform=x64;구성=PACKAGE.vcxproj 릴리스
`
- 고급 사용자: cmake 명령의 출력은 일반 Visual Studio 솔루션 파일(darknet.sln)입니다. msbuild.exe 대신 Visual Studio GUI를 정기적으로 사용하는 경우 명령줄 단계를 무시하고 Visual Studio에서 Darknet 프로젝트를 로드할 수 있습니다.
- 이제 실행할 수 있는 파일이 생겼습니다: C:srcDarknetbuildsrc-cliReleasedarknet.exe. 테스트하려면 다음을 실행하세요: C:srcDarknetbuildsrc-cliReleasedarknet.exe 버전.
6. 다크넷 설치:
- 마지막 단계에서 구축한 NSIS 설치 마법사를 실행합니다. 빌드 디렉터리에서 darknet-VERSION.exe 파일을 찾으세요. 예를 들어:
`
darknet-2.0.31-win64.exe
`
- NSIS 설치 패키지는 다음을 수행합니다.
- Darknet이라는 디렉터리를 만듭니다(예: C:Program FilesDarknet).
- CLI 애플리케이션(darknet.exe) 및 기타 샘플 앱을 설치합니다.
- OpenCV의 파일과 같은 필수 타사 .dll 파일을 설치합니다.
- 다른 응용 프로그램에서 darknet.dll을 사용하려면 필요한 Darknet .dll, .lib, .h 파일을 설치하세요.
- 템플릿 .cfg 파일을 설치합니다.
- 이제 끝났습니다! 설치 마법사가 완료되면 Darknet이 C:Program FilesDarknet에 설치됩니다. 테스트하려면 다음을 실행하세요: C:Program FilesDarknetbindarknet.exe 버전.
다크넷 사용
CLI
다음은 Darknet에서 지원하는 모든 명령의 전체 목록이 아닙니다.
Darknet CLI 외에도 Darknet에서 직접 사용할 수 없는 고급 기능을 갖춘 Darknet/YOLO에 대한 대체 CLI를 제공하는 DarkHelp 프로젝트 CLI도 고려하세요. Darknet CLI와 DarkHelp CLI를 함께 사용할 수 있습니다.
아래 명령 대부분의 경우 해당 .names 및 .cfg 파일과 함께 .weights 파일이 필요합니다. 자신만의 네트워크를 훈련시키거나(강력히 권장됩니다!) 인터넷에서 사전 훈련된 네트워크를 다운로드할 수 있습니다. 사전 훈련된 데이터 세트의 예는 다음과 같습니다.
LEGO Gears(이미지에서 개체 찾기용)
Rolodex(이미지에서 텍스트 찾기용)
MSCOCO(표준 80등급 객체 감지)
실행할 명령:
도움을 받으세요:
`배쉬
다크넷 도움말
`
버전을 확인하세요:
`배쉬
다크넷 버전
`
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
`
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
`
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
`
웹캠에서 읽기:
V2:
`배쉬
다크넷 탐지기 데모 Animals.data Animals.cfg Animals_best.weights -c 0
`
V3:
`배쉬
darknet08display_webcam 동물
`
결과를 비디오에 저장:
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
`
JSON 출력:
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
`
특정 GPU에서 실행:
V2:
`배쉬
다크넷 탐지기 데모 Animals.data Animals.cfg Animals_best.weights -i 1 test.mp4
`
신경망 정확도 확인:
`배쉬
다크넷 탐지기 지도 Driving.data Driving.cfg Driving_best.weights ...
`
출력 예:
`
ID 이름 AvgPrecision TP FN FP TN 정확도 ErrorRate 정밀도 재현율 특이성 FalsePosRate -- ---- ------------ ------ ------ ------ - ----- -------- --------- --------- ------ ----------- -- ---------- 차량 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 2 자전거 89.0912 570 124 104 3548 0.9475 0.0525 0.8457 0.8213 0.9715 0.0285 3 명 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 0.593 0 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 노란색등 82.0390 126 38 30 1239 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:
`배쉬
다크넷 탐지기 맵 Animals.data Animals.cfg Animalsbest.weights -iouthresh 0.75
`
앵커 재계산:
DarkMark에서 앵커를 다시 계산하는 것이 가장 좋습니다. DarkMark는 연속 100회 실행되고 최고의 앵커를 선택하기 때문입니다. 그러나 Darknet에서 이전 버전을 사용하려는 경우:
`배쉬
다크넷 탐지기 calcanchors Animals.data -numof_clusters 6 -너비 320 -높이 256
`
새로운 네트워크 훈련:
`배쉬
다크넷 탐지기 -map -dont_show 기차 동물.데이터 동물.cfg
`
(아래 교육 섹션도 참조하세요)
훈련
Darknet/YOLO FAQ의 관련 섹션에 대한 빠른 링크:
파일과 디렉터리를 어떻게 설정해야 합니까?
어떤 구성 파일을 사용해야 합니까?
자체 네트워크를 훈련할 때 어떤 명령을 사용해야 합니까?
주석을 달고 훈련하는 가장 간단한 방법은 필요한 모든 Darknet 파일을 생성하는 DarkMark를 사용하는 것입니다. 이는 새로운 신경망을 훈련하는 데 권장되는 방법입니다.
사용자 정의 네트워크를 훈련시키기 위해 다양한 파일을 수동으로 설정하려는 경우:
1. 새 폴더를 만듭니다.
- 파일을 저장할 폴더를 선택하세요. 이 예에서는 동물을 감지하는 신경망을 생성하므로 디렉터리는 ~/nn/animals/가 됩니다.
2. Darknet 구성 파일을 복사합니다.
- Darknet 구성 파일을 템플릿으로 복사합니다. 예를 들어 cfg/yolov4-tiny.cfg를 사용합니다. 생성한 폴더에 넣어주세요. 이제 ~/nn/animals/animals.cfg가 있어야 합니다.
3. Animals.names 텍스트 파일을 만듭니다.
- 구성 파일과 동일한 폴더에 Animals.names 텍스트 파일을 만듭니다. 이제 ~/nn/animals/animals.names가 생겼습니다.
4. Animals.names 파일을 편집합니다.
- 텍스트 편집기를 사용하여 Animals.names 파일을 편집합니다. 한 줄에 정확히 하나의 항목을 포함하고 빈 줄도 없고 주석도 없이 검색하려는 클래스를 나열합니다. 이 예의 경우 .names 파일에는 다음 네 줄이 포함됩니다.
`
개
고양이
새
말
`
5. Animals.data 텍스트 파일을 만듭니다.
- 같은 폴더에 Animals.data 텍스트 파일을 만듭니다. 이 예의 경우 .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 = /home/사용자 이름/nn/동물
`
6. 이미지와 주석을 위한 폴더를 만듭니다.
- 이미지와 주석을 저장할 폴더를 만듭니다. 예를 들어 ~/nn/animals/dataset일 수 있습니다.
- 각 이미지에는 해당 이미지에 대한 주석을 설명하는 해당 .txt 파일이 필요합니다. 이러한 .txt 주석 파일의 형식은 매우 구체적입니다. 각 주석에는 정확한 좌표가 필요하므로 수동으로 만들 수 없습니다. DarkMark 또는 유사한 소프트웨어를 사용하여 이미지에 주석을 추가하십시오. YOLO 주석 형식은 Darknet/YOLO FAQ에 설명되어 있습니다.
7. "train" 및 "valid" 텍스트 파일을 만듭니다.
- .data 파일에 이름이 지정된 "train" 및 "valid" 텍스트 파일을 만듭니다.
- 이 두 텍스트 파일에는 Darknet이 훈련 및 검증(mAP% 계산을 위해)에 사용할 모든 이미지가 나열되어 있어야 합니다.
- 각 줄에는 정확히 하나의 이미지 경로와 파일 이름이 포함되어야 합니다. 상대 경로나 절대 경로를 사용할 수 있습니다.
8. .cfg 파일을 수정합니다.
- 텍스트 편집기를 사용하여 .cfg 파일을 수정합니다.
- 배치=64인지 확인하세요.
- 세분화: 네트워크 크기 및 GPU 메모리에 따라 세분화를 조정해야 할 수도 있습니다. subdivisions=1로 시작하고 작동하지 않으면 Darknet/YOLO FAQ를 참조하세요.
- Maxbatches: maxbatch에 대한 적절한 시작 값을 클래스 수의 2000배로 설정합니다. 이 예에는 4마리의 동물이 있으므로 max_batches=8000입니다.
- 단계: 단계를 max_batches의 80% 및 90%로 설정합니다. 이 경우 steps=6400,7200을 사용합니다.
- 너비 및 높이: 네트워크 크기입니다. Darknet/YOLO FAQ에서는 최적의 크기를 계산하는 방법을 설명합니다.
- 클래스: 모든 클래스 인스턴스를 검색하고 .names 파일의 클래스 수로 업데이트합니다. 이 예에서는 클래스=4를 사용합니다.
- 필터: 각 [yolo] 섹션 앞의 [convolutional] 섹션에서 모든 filter=... 인스턴스를 검색합니다. 사용할 값은 (numberofclasses + 5) 3입니다. 이 예에서는 (4 + 5) 3 = 27입니다. 따라서 적절한 행에 filter=27을 사용합니다.
9. 훈련 시작:
- ~/nn/animals/ 디렉터리로 이동합니다.
`배쉬
CD ~/nn/동물/
`
- 훈련을 시작하려면 다음 명령을 실행하십시오.
`배쉬
다크넷 탐지기 -map -dont_show 기차 동물.데이터 동물.cfg
`
- 인내심을 가지세요. 가장 좋은 가중치는 Animals_best.weights로 저장됩니다. Chart.png 파일을 관찰하여 훈련 진행 상황을 추적할 수 있습니다. 훈련 중에 사용할 수 있는 추가 매개변수는 Darknet/YOLO FAQ를 참조하세요.
- 더 자세한 교육 정보를 원할 경우 --verbose 매개변수를 추가하세요.
`배쉬
다크넷 탐지기 -map -dont_show --verbose 기차 동물.데이터 동물.cfg
`
기타 도구 및 링크
DarkMark: Darknet/YOLO 프로젝트를 관리하고, 이미지에 주석을 달고, 주석을 확인하고, Darknet 교육용 파일을 생성합니다.
DarkHelp: 이미지 타일링, 비디오 개체 추적 및 상업용 애플리케이션에 적합한 강력한 C++ API를 사용하는 Darknet에 대한 강력한 대안 CLI입니다.
Darknet/YOLO FAQ: 귀하의 질문에 답변하기 위한 포괄적인 리소스입니다.
Stéphane의 YouTube 채널: 수많은 튜토리얼과 예제 비디오.
Darknet/YOLO Discord 서버: 커뮤니티에 가입하여 지원과 토론을 받으세요.
로드맵
최종 업데이트 날짜: 2024년 10월 30일:
완전한:
훈련 중에 qsort()를 std::sort()로 교체했습니다(다른 모호한 것들이 남아 있습니다).
check_mistakes, getchar() 및 system()을 제거했습니다.
C++ 컴파일러(Linux의 경우 g++, Windows의 경우 VisualStudio)를 사용하도록 Darknet을 변환했습니다.
Windows 빌드를 수정했습니다.
Python 지원이 수정되었습니다.
다크넷 라이브러리를 구축했습니다.
예측에 대한 라벨('알파벳' 코드)을 다시 활성화했습니다.
CUDA/GPU 코드를 다시 활성화했습니다.
CUDNN을 다시 활성화했습니다.
CUDNN 절반을 다시 활성화했습니다.
하드 코딩된 CUDA 아키텍처를 제거했습니다.
CUDA 버전 정보가 개선되었습니다.
AVX를 다시 활성화했습니다.
이전 솔루션과 Makefile을 제거했습니다.
OpenCV를 선택 사항이 아닌 것으로 만들었습니다.
이전 pthread 라이브러리에 대한 종속성을 제거했습니다.
STB를 제거했습니다.
새로운 CUDA 감지를 사용하기 위해 CMakeLists.txt를 다시 작성했습니다.
오래된 "알파벳" 코드를 제거하고 데이터/라벨에서 700개 이상의 이미지를 삭제했습니다.
소스 외부 빌드를 활성화했습니다.
버전 번호 출력이 개선되었습니다.
훈련과 관련된 성능 최적화를 구현했습니다(진행 중).
추론과 관련된 성능 최적화를 구현했습니다(진행 중).
가능한 경우 참조별 전달을 사용했습니다.
.hpp 파일을 정리했습니다.
darknet.h를 다시 작성했습니다.
cv::Mat를 void*로 캐스팅하지 않고 이를 적절한 C++ 개체로 사용합니다.
내부 이미지 구조 사용의 일관성이 수정되거나 개선되었습니다.
ARM 기반 Jetson 장치에 대한 빌드가 수정되었습니다. (기존 Jetson 장치는 NVIDIA에서 더 이상 지원하지 않으므로 수정될 가능성이 없습니다. C++17 컴파일러는 없습니다. 새로운 Jetson Orin 장치는 작동합니다.)
V3의 Python API를 수정했습니다.
Python에 대한 지원이 향상되었습니다. (이 문제를 도와주려는 Python 개발자가 있습니까?)
단기 목표
printf()를 std::cout(진행 중)으로 바꾸세요.
오래된 zed 카메라에 대한 지원을 조사합니다.
명령줄 구문 분석을 보다 일관되게 개선하고 만듭니다(진행 중).
중기 목표
모든 char* 코드를 제거하고 std::string으로 바꿉니다.
경고를 숨기지 말고 컴파일러 경고를 정리하세요(진행 중).
C의 사용자 정의 이미지 구조 대신 cv::Mat 사용을 개선합니다(진행 중).
이전 목록 기능을 std::Vector 또는 std::list로 대체합니다.
1채널 회색조 이미지에 대한 지원을 수정했습니다.
N > 3인 N 채널 이미지(예: 추가 깊이 또는 열 채널이 있는 이미지)에 대한 지원을 추가합니다.
지속적인 코드 정리를 계속합니다(진행 중).
장기 목표
모든 GPU의 CUDA/CUDNN 문제를 해결합니다.
CUDA+cuDNN 코드를 다시 작성하세요.
NVIDIA GPU가 아닌 GPU에 대한 지원을 추가하는 것을 고려해보세요.
회전된 경계 상자 또는 "각도" 지원을 추가합니다.
키포인트/골격을 구현합니다.
히트맵을 추가합니다(진행 중).
세분화를 구현합니다.
