다크넷 개체 탐지 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 프레임워크 내에서 실행되는 최첨단 실시간 개체 감지 시스템입니다.
Hank.ai가 Darknet/YOLO 커뮤니티를 어떻게 돕는지 읽어보세요.
Darknet V3 "Jazz" 발표
다크넷/YOLO 웹사이트를 참조하세요.
Darknet/YOLO FAQ를 읽어보세요.
Darknet/YOLO Discord 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 수수료 없이 상업용 프로젝트를 포함하여 Darknet/YOLO를 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 프레임이 Darknet/YOLO에 의해 1에서 읽고, 크기 조정되고, 처리됩니다. 밀리초 이하.
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. 다음은 몇 가지 주요 변경 사항입니다.
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.
Darknet V3 "JAZZ"의 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
Linux용 Darknet 빌드 튜토리얼
1. 선택 사항: 최신 NVIDIA GPU가 있는 경우 이 시점에서 CUDA 또는 CUDA+cuDNN을 설치할 수 있습니다. 설치된 경우 Darknet은 GPU를 사용하여 이미지(및 비디오) 처리 속도를 높입니다.
2. CMake가 필요한 모든 파일을 다시 찾도록 하려면 Darknet 빌드 디렉터리에서 CMakeCache.txt 파일을 삭제해야 합니다.
3. 다크넷을 다시 구축하는 것을 잊지 마세요.
4. Darknet은 그것 없이 실행될 수 있지만 사용자 정의 네트워크를 교육하려면 CUDA 또는 CUDA+cuDNN이 필요합니다.
CUDA를 다운로드하고 설치하려면 https://developer.nvidia.com/cuda-downloads를 방문하세요.
다운로드하려면 https://developer.nvidia.com/rdp/cudnn-download 또는 https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview를 방문하세요. 그리고 cuDNN을 설치하세요.
CUDA를 설치한 후 nvcc 및 nvidia-smi를 실행할 수 있는지 확인하세요. PATH 변수를 수정해야 할 수도 있습니다.
나중에 CUDA 또는 CUDA+cuDNN을 설치하거나 최신 버전의 NVIDIA 소프트웨어로 업그레이드하는 경우:
이 지침에서는 Ubuntu 22.04를 실행하는 시스템을 가정합니다(필수는 아닙니다!). 다른 배포판을 사용하는 경우 필요에 따라 조정하세요.
`배쉬
sudo apt-get 설치 빌드 필수 git libopencv-dev cmake
mkdir ~/srccd ~/src
자식 클론 https://github.com/hank-ai/darknet
CD 다크넷
mkdir 빌드
CD 빌드
cmake -DCMAKEBUILDTYPE=릴리스 ..
-j4 패키지 만들기
sudo dpkg -i darknet-VERSION.deb
`
이전 버전의 CMake를 사용하는 경우 위의 cmake 명령을 실행하려면 먼저 CMake를 업그레이드해야 합니다. Ubuntu에서 CMake를 업그레이드하려면 다음 명령을 사용하면 됩니다.
`배쉬
sudo apt-get purge cmake
sudo 스냅 설치 cmake --classic
`
bash를 명령 셸로 사용하는 경우 이 시점에서 셸을 다시 시작해야 합니다. 물고기를 사용하는 경우 즉시 새 경로를 선택해야 합니다.
고급 사용자:
DEB 파일 대신 RPM 설치 파일을 빌드하려면 CM_package.cmake에서 관련 줄을 참조하세요. make -j4 패키지를 실행하기 전에 다음 두 줄을 편집해야 합니다.
`배쉬
SET (CPACKGENERATOR "DEB")# SET (CPACKGENERATOR "RPM")
`
Centos 및 OpenSUSE와 같은 배포판의 경우 CM_package.cmake에서 해당 두 줄을 다음과 같이 전환해야 합니다.
`배쉬
설정(CPACK_GENERATOR "DEB")
설정(CPACK_GENERATOR "RPM")
`
빌드가 완료된 후 설치 패키지를 설치하려면 배포용 일반 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/darknet은 일반적인 Darknet 실행 파일입니다. CLI에서 darknet 버전을 실행하여 올바르게 설치되었는지 확인하세요.
/usr/include/darknet.h는 C, C++ 및 Python 개발자를 위한 Darknet API입니다.
/usr/include/darknet_version.h에는 개발자를 위한 버전 정보가 포함되어 있습니다.
/usr/lib/libdarknet.so는 C, C++ 및 Python 개발자를 위해 링크할 라이브러리입니다.
/opt/darknet/cfg/...는 모든 .cfg 템플릿이 저장되는 곳입니다.
이제 끝났습니다! Darknet은 /usr/bin/에 구축 및 설치되었습니다. 테스트하려면 이것을 실행하세요: 다크넷 버전.
/usr/bin/darknet이 없다면 설치하지 않고 빌드만 했다는 의미입니다! 위에서 설명한 대로 .deb 또는 .rpm 파일을 설치했는지 확인하세요.
Windows CMake 메서드
이 지침에서는 Windows 11 22H2를 새로 설치한다고 가정합니다.
1. 일반 cmd.exe 명령 프롬프트 창을 열고 다음 명령을 실행합니다.
`배쉬
Winget 설치 Git.Git
Winget 설치 Kitware.CMake
Winget 설치 nsis.nsis
Winget 설치 Microsoft.VisualStudio.2022.Community
`
2. 이제 C++ 애플리케이션에 대한 지원을 포함하도록 Visual Studio 설치를 수정해야 합니다.
"Windows 시작" 메뉴를 클릭하고 "Visual Studio 설치 프로그램"을 실행합니다.
수정을 클릭하세요.
C++를 사용한 데스크톱 개발을 선택합니다.
오른쪽 하단에 있는 수정을 클릭한 다음 예를 클릭하세요.
3. 모든 것이 다운로드되어 설치되면 "Windows 시작" 메뉴를 다시 클릭하고 VS 2022용 개발자 명령 프롬프트를 선택합니다. 이 단계에서 PowerShell을 사용하지 마십시오. 문제가 발생합니다!
고급 사용자:
개발자 명령 프롬프트를 실행하는 대신 일반 명령 프롬프트 또는 SSH를 장치에 사용하고 "Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat"를 수동으로 실행할 수 있습니다.
4. 위에 설명된 대로(PowerShell이 아님) 개발자 명령 프롬프트가 실행되면 다음 명령을 실행하여 Microsoft VCPKG를 설치합니다. 이 VCPKG는 OpenCV를 빌드하는 데 사용됩니다.
`배쉬
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 오랜 시간이 걸릴 수 있으므로 인내심을 가지세요. 많은 것을 다운로드하고 빌드해야 합니다.
고급 사용자:
OpenCV를 빌드할 때 추가할 수 있는 다른 선택적 모듈이 많이 있습니다. 전체 목록을 보려면 .vcpkg.exe search opencv를 실행하세요.
5. 선택 사항: 최신 NVIDIA GPU가 있는 경우 이 시점에서 CUDA 또는 CUDA+cuDNN을 설치할 수 있습니다. 설치된 경우 Darknet은 GPU를 사용하여 이미지(및 비디오) 처리 속도를 높입니다.
6. CMake가 필요한 모든 파일을 다시 찾도록 하려면 Darknet 빌드 디렉터리에서 CMakeCache.txt 파일을 삭제해야 합니다.
7. 다크넷을 다시 구축하는 것을 잊지 마세요.
8. Darknet은 그것 없이 실행될 수 있지만 사용자 정의 네트워크를 교육하려면 CUDA 또는 CUDA+cuDNN이 필요합니다.
CUDA를 다운로드하고 설치하려면 https://developer.nvidia.com/cuda-downloads를 방문하세요.
cuDNN을 다운로드하고 설치하려면 https://developer.nvidia.com/rdp/cudnn-download 또는 https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows를 방문하세요.
CUDA를 설치한 후 nvcc.exe 및 nvidia-smi.exe를 실행할 수 있는지 확인하세요. PATH 변수를 수정해야 할 수도 있습니다.
cuDNN을 다운로드한 후 bin, include 및 lib 디렉터리의 압축을 풀고 C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/에 복사합니다. 일부 파일을 덮어써야 할 수도 있습니다.
나중에 CUDA 또는 CUDA+cuDNN을 설치하거나 최신 버전의 NVIDIA 소프트웨어로 업그레이드하는 경우:
CUDA는 Visual Studio 이후에 설치해야 합니다. Visual Studio를 업그레이드하는 경우 CUDA를 다시 설치해야 합니다.
9. 이전 단계가 모두 성공적으로 완료되면 Darknet을 복제하고 구축해야 합니다. 이 단계에서는 OpenCV 및 기타 종속성을 찾을 수 있도록 CMake에 vcpkg의 위치도 알려야 합니다.
`배쉬
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
`
10. cublas64_12.dll과 같은 일부 누락된 CUDA 또는 cuDNN DLL에 대한 오류가 발생하는 경우 CUDA .dll 파일을 Darknet.exe와 동일한 출력 디렉터리에 수동으로 복사합니다. 예를 들어:
`배쉬
"C:프로그램 파일NVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll" src-cliRelease 복사
`
(예시입니다. 실행 중인 버전이 무엇인지 확인하고, 설치한 버전에 맞는 명령을 실행하세요.)
11. 파일이 복사되면 마지막 msbuild.exe 명령을 다시 실행하여 NSIS 설치 패키지를 생성합니다.
`배쉬
msbuild.exe /property:Platform=x64;구성=PACKAGE.vcxproj 릴리스
`
고급 사용자:
cmake 명령의 출력은 일반적인 Visual Studio 솔루션 파일인 Darknet.sln입니다. msbuild.exe 대신 Visual Studio GUI를 정기적으로 사용하여 프로젝트를 빌드하는 소프트웨어 개발자라면 명령줄을 무시하고 Visual Studio에서 Darknet 프로젝트를 로드할 수 있습니다.
이제 C:srcDarknetbuildsrc-cliReleasedarknet.exe라는 파일을 실행할 수 있습니다. 이것을 실행하여 C:srcDarknetbuildsrc-cliReleasedarknet.exe 버전을 테스트하세요.
Darknet, 라이브러리, 포함 파일 및 필요한 DLL을 올바르게 설치하려면 마지막 단계에서 빌드된 NSIS 설치 마법사를 실행하세요. 빌드 디렉터리에 있는 darknet-VERSION.exe 파일을 참조하세요. 예를 들어:
`배쉬
darknet-2.0.31-win64.exe
`
NSIS 설치 패키지를 설치하면 다음이 수행됩니다.
C:Program FilesDarknet과 같은 Darknet이라는 디렉터리를 만듭니다.
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 및 .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.
C:/Program Files/darknet/bin/darknet.exe가 없다면 설치하지 않고 빌드만 했다는 뜻입니다! 이전 단계에서 NSIS 설치 마법사의 각 패널을 진행했는지 확인하세요.
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:
V2:
`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 ...
`
`
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
`
11. 정확도 mAP@IoU=75를 확인하려면:
`배쉬
다크넷 탐지기 맵 Animals.data Animals.cfg Animalsbest.weights -iouthresh 0.75
`
12. 앵커 재계산은 DarkMark에서 가장 잘 수행됩니다. 왜냐하면 이 앵커는 100번 연속으로 실행되고 계산된 모든 앵커 중에서 가장 좋은 앵커를 선택하기 때문입니다. 하지만 Darknet에서 이전 버전을 실행하려면:
`배쉬
다크넷 탐지기 calcanchors Animals.data -numof_clusters 6 -너비 320 -높이 256
`
13. 새 네트워크 훈련:
`배쉬
darknet detector -map -dont_show train Animals.data Animals.cfg(아래 교육 섹션도 참조)
`
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 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. 파일을 저장할 새 폴더를 만듭니다. 이 예에서는 동물을 감지하기 위해 신경망이 생성되므로 ~/nn/animals/ 디렉터리가 생성됩니다.
2. 템플릿으로 사용하려는 Darknet 구성 파일 중 하나를 복사합니다. 예를 들어 cfg/yolov4-tiny.cfg를 참조하세요. 생성한 폴더에 넣어주세요. 이 예에서는 이제 ~/nn/animals/animals.cfg가 있습니다.
3. 구성 파일을 저장한 폴더에 Animals.names 텍스트 파일을 만듭니다. 이 예에서는 이제 ~/nn/animals/animals.names가 있습니다.
4. 텍스트 편집기를 사용하여 Animals.names 파일을 편집합니다. 사용하려는 클래스를 나열하십시오. 빈 줄이나 주석 없이 한 줄에 정확히 1개의 항목이 있어야 합니다. 이 예의 경우 .names 파일에는 정확히 4줄이 포함됩니다.
`
개
고양이
새
말
`
5. 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=/홈/사용자 이름/nn/동물
`
6. 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 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.
7. .data 파일에 이름이 지정된 "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.
8. 텍스트 편집기를 사용하여 .cfg 파일을 수정합니다.
배치=64인지 확인하세요.
하위 구분을 참고하세요. 네트워크 크기와 GPU에서 사용할 수 있는 메모리 양에 따라 분할을 늘려야 할 수도 있습니다. 사용하기에 가장 좋은 값은 1이므로 그것부터 시작하십시오. 1이 효과가 없다면 Darknet/YOLO FAQ를 참조하세요.
참고 maxbatches=.... 시작할 때 사용하기에 좋은 값은 2000 x 클래스 수입니다. 이 예에는 4마리의 동물이 있으므로 4 2000 = 8000입니다. 즉, maxbatches=8000을 사용한다는 의미입니다.
참고 단계=.... 이는 최대 배치의 80% 및 90%로 설정되어야 합니다. 이 예에서는 maxbatches가 8000으로 설정되었으므로 steps=6400,7200을 사용합니다.
참고 너비=... 및 높이=.... 이는 네트워크 크기입니다. Darknet/YOLO FAQ에서는 사용할 최적의 크기를 계산하는 방법을 설명합니다.
class=... 줄의 모든 인스턴스를 검색하고 .names 파일의 클래스 수로 수정합니다. 이 예에서는 클래스=4를 사용합니다.
각 [yolo] 섹션 앞의 [convolutional] 섹션에서 행 filter=...의 모든 인스턴스를 검색합니다. 사용할 값은 (numberofclasses + 5) 3입니다. 이 예의 의미는 (4 + 5) * 3 = 27입니다. 따라서 해당 행에서 filter=27을 사용합니다.
9. 훈련을 시작하세요! 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. 그리고 Chart.png 파일을 보면 학습 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
1. Darknet/YOLO 프로젝트를 관리하고, 이미지에 주석을 달고, 주석을 확인하고, Darknet 교육에 필요한 파일을 생성하려면 DarkMark를 참조하세요.
2. Darknet에 대한 강력한 대안 CLI, 이미지 타일링 사용, 비디오의 객체 추적 또는 상용 애플리케이션에서 쉽게 사용할 수 있는 강력한 C++ API에 대해서는 DarkHelp를 참조하세요.
3. Darknet/YOLO FAQ가 귀하의 질문에 답변하는 데 도움이 될 수 있는지 확인하세요.
4. Stéphane의 YouTube 채널에서 다양한 튜토리얼과 예제 비디오를 확인하세요.
5. 지원 질문이 있거나 다른 Darknet/YOLO 사용자와 채팅하고 싶다면 Darknet/YOLO Discord 서버에 가입하세요.
로드맵
최종 업데이트 날짜: 2024년 10월 30일:
완전한
1. 훈련 중에 사용되는 std::sort()를 qsort()로 교체합니다(다른 모호한 것들이 남아 있습니다).
2. check_mistakes, getchar() 및 system()을 제거합니다.
3. Darknet을 C++ 컴파일러(Linux의 경우 g++, Windows의 경우 VisualStudio)를 사용하도록 변환합니다.
4. Windows 빌드 수정
5. Python 지원 수정
6. 다크넷 라이브러리 구축
7. 예측에 대한 레이블을 다시 활성화합니다("알파벳" 코드)
8. CUDA/GPU 코드를 다시 활성화합니다.
9. CUDNN을 다시 활성화합니다.
10. CUDNN 절반을 다시 활성화합니다.
11. CUDA 아키텍처를 하드 코딩하지 마세요
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. STB 제거
18. 새로운 CUDA 감지를 사용하려면 CMakeLists.txt를 다시 작성하세요.
19. 이전 "알파벳" 코드를 제거하고 데이터/라벨에서 700개 이상의 이미지를 삭제합니다.
20. 소스 외부 빌드
21. 더 나은 버전 번호 출력을 갖습니다.
22. 훈련 관련 성능 최적화(현재 진행 중인 작업)
23. 추론 관련 성능 최적화(진행 중인 작업)
24. 가능한 경우 참조에 의한 전달
25. .hpp 파일 정리
26. darknet.h를 다시 작성하세요
27. cv::Mat를 void*로 캐스팅하지 말고 적절한 C++ 객체로 사용하세요.
28. 내부 이미지 구조가 사용되는 방식을 수정하거나 일관성을 유지합니다.
29. ARM 기반 Jetson 장치용 빌드 수정
* 기존 Jetson 장치는 더 이상 NVIDIA(C++17 컴파일러 없음)에서 지원되지 않으므로 수정될 가능성이 없습니다.
* 새로운 Jetson Orin 장치가 작동 중입니다.
30. V3에서 Python API 수정
* Python에 대한 더 나은 지원이 필요합니다(이를 도와주고 싶은 Python 개발자가 있습니까?)
단기 목표
1. printf()를 std::cout으로 교체(진행 중)
2. 기존 zed 카메라 지원 살펴보기
3. 더 좋고 일관된 명령줄 구문 분석(진행 중)
중기 목표
1. 모든 char* 코드를 제거하고 std::string으로 바꿉니다.
2. 경고를 숨기지 말고 컴파일러 경고를 정리하세요(진행 중).
3. C의 사용자 정의 이미지 구조 대신 cv::Mat를 더 잘 사용합니다(진행 중).
4. 이전 목록 기능을 std::Vector 또는 std::list로 대체합니다.
5. 1채널 그레이스케일 이미지 지원 수정
6. N > 3인 N 채널 이미지에 대한 지원 추가(예: 추가 깊이 또는 열 채널이 있는 이미지)
7. 진행 중인 코드 정리(진행 중)
장기 목표
1. 모든 GPU의 CUDA/CUDNN 문제 수정
2. CUDA+cuDNN 코드 다시 작성
3. NVIDIA GPU가 아닌 GPU에 대한 지원 추가를 검토합니다.
4. 회전된 경계 상자 또는 일종의 "각도" 지원
5. 키포인트/스켈레톤
6. 히트맵(진행 중)
7. 세분화
