Estrutura de detecção de objetos Darknet e YOLO
[Logotipos Darknet e Hank.ai]
Darknet é uma estrutura de rede neural de código aberto escrita em C, C++ e CUDA.
YOLO (You Only Look Once) é um sistema de detecção de objetos de última geração em tempo real que roda dentro da estrutura Darknet.
Leia como Hank.ai está ajudando a comunidade Darknet/YOLO
Anunciando Darknet V3 "Jazz"
Veja o site Darknet/YOLO
Por favor, leia as perguntas frequentes do Darknet/YOLO
Junte-se ao servidor Darknet/YOLO Discord
Artigos
1. Artigo YOLOv7
2. Papel em escala-YOLOv4
3. Artigo YOLOv4
4. Artigo YOLOv3
Informações gerais
A estrutura Darknet/YOLO continua a ser mais rápida e precisa do que outras estruturas e versões do YOLO.
Esta estrutura é totalmente gratuita e de código aberto. Você pode incorporar Darknet/YOLO em projetos e produtos existentes, inclusive comerciais, sem licença ou pagamento de taxa.
Darknet V3 ("Jazz"), lançado em outubro de 2024, pode executar com precisão os vídeos do conjunto de dados LEGO em até 1000 FPS ao usar uma GPU NVIDIA RTX 3090, o que significa que cada quadro de vídeo é lido, redimensionado e processado pela Darknet/YOLO em 1 milissegundo ou menos.
Por favor, junte-se ao servidor Darknet/YOLO Discord se precisar de ajuda ou quiser discutir Darknet/YOLO: https://discord.gg/zSq8rtW
A versão CPU do Darknet/YOLO pode ser executada em dispositivos simples como Raspberry Pi, servidores em nuvem e colab, desktops, laptops e equipamentos de treinamento de última geração. A versão GPU do Darknet/YOLO requer uma GPU compatível com CUDA da NVIDIA.
Darknet/YOLO é conhecido por funcionar em Linux, Windows e Mac. Veja as instruções de construção abaixo.
Versão Darknet
A ferramenta Darknet original escrita por Joseph Redmon em 2013-2017 não tinha um número de versão. Consideramos esta versão 0.x.
O próximo repositório Darknet popular mantido por Alexey Bochkovskiy entre 2017-2021 também não tinha um número de versão. Consideramos esta versão 1.x.
O repositório Darknet patrocinado por Hank.ai e mantido por Stéphane Charette a partir de 2023 foi o primeiro com um comando de versão. De 2023 até o final de 2024, retornou a versão 2.x "OAK".
O objetivo era tentar quebrar o mínimo das funcionalidades existentes enquanto se familiarizava com a base de código. Aqui estão algumas mudanças importantes:
1. Reescrevemos as etapas de construção para que tenhamos uma maneira unificada de construir usando CMake no Windows e no Linux.
2. Converteu a base de código para usar o compilador C++.
3. Chart.png aprimorado durante o treinamento.
4. Correções de bugs e otimizações relacionadas ao desempenho, principalmente relacionadas à redução do tempo necessário para treinar uma rede.
A última ramificação desta base de código é a versão 2.1 na ramificação v2.
A próxima fase de desenvolvimento começou em meados de 2024 e foi lançada em outubro de 2024. O comando version agora retorna 3.x "JAZZ".
Você sempre pode fazer uma verificação da ramificação v2 anterior se precisar executar um desses comandos. Informe-nos para que possamos investigar a adição de comandos ausentes.
Aqui estão algumas das principais mudanças no Darknet V3 "JAZZ":
1. Muitos comandos antigos e não mantidos foram removidos.
2. Muitas otimizações de desempenho, tanto durante o treinamento quanto durante a inferência.
3. A API C legada foi modificada. Os aplicativos que usam a API Darknet original precisarão de pequenas modificações: https://darknetcv.ai/api/api.html
4. Nova API Darknet V3 C e C++: https://darknetcv.ai/api/api.html
5. Novos aplicativos e código de exemplo em src-examples: https://darknetcv.ai/api/files.html
Pesos pré-treinados MSCOCO
Várias versões populares do YOLO foram pré-treinadas por conveniência no conjunto de dados MSCOCO. Este conjunto de dados possui 80 classes, que podem ser vistas no arquivo de texto cfg/coco.names.
Existem vários outros conjuntos de dados mais simples e pesos pré-treinados disponíveis para testar Darknet/YOLO, como LEGO Gears e Rolodex. Consulte as perguntas frequentes do Darknet/YOLO para obter detalhes.
Os pesos pré-treinados do MSCOCO podem ser baixados de vários locais diferentes e também estão disponíveis para download neste repositório:
1. YOLOv2, novembro de 2016
* YOLOv2-tiny
* YOLOv2-completo
2. YOLOv3, maio de 2018
* YOLOv3-tiny
* YOLOv3-completo
3. YOLOv4, maio de 2020
* YOLOv4-tiny
* YOLOv4-completo
4. YOLOv7, agosto de 2022
* YOLOv7-tiny
* YOLOv7-completo
Os pesos pré-treinados da MSCOCO são fornecidos apenas para fins de demonstração. Os arquivos .cfg e .names correspondentes para MSCOCO estão no diretório cfg. Comandos de exemplo:
`bash
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
`
Observe que se espera que as pessoas treinem suas próprias redes. MSCOCO normalmente é usado para confirmar se tudo está funcionando corretamente.
Prédio
Os vários métodos de construção disponíveis no passado (pré-2023) foram fundidos numa única solução unificada. Darknet requer C++17 ou mais recente, OpenCV, e usa CMake para gerar os arquivos de projeto necessários.
Você não precisa saber C++ para construir, instalar ou executar Darknet/YOLO, da mesma forma que não precisa ser mecânico para dirigir um carro.
Cuidado se você estiver seguindo tutoriais antigos com etapas de construção mais complicadas ou etapas de construção que não correspondem ao que está neste leia-me. As novas etapas de construção descritas abaixo começaram em agosto de 2023.
Os desenvolvedores de software são incentivados a visitar https://darknetcv.ai/ para obter informações sobre os componentes internos da estrutura de detecção de objetos Darknet/YOLO.
Google Colab
As instruções do Google Colab são iguais às instruções do Linux. Vários notebooks Jupyter estão disponíveis mostrando como realizar determinadas tarefas, como treinar uma nova rede.
Veja os notebooks no subdiretório colab e/ou siga as instruções do Linux abaixo.
Método Linux CMake
Tutorial de construção Darknet para Linux
1. Opcional: se você tiver uma GPU NVIDIA moderna, poderá instalar CUDA ou CUDA+cuDNN neste momento. Se instalado, o Darknet usará sua GPU para acelerar o processamento de imagens (e vídeos).
2. Você deve excluir o arquivo CMakeCache.txt do diretório de construção Darknet para forçar o CMake a reencontrar todos os arquivos necessários.
3. Lembre-se de reconstruir o Darknet.
4. Darknet pode funcionar sem ele, mas se você quiser treinar uma rede personalizada, será necessário CUDA ou CUDA+cuDNN.
Visite https://developer.nvidia.com/cuda-downloads para baixar e instalar o CUDA.
Visite https://developer.nvidia.com/rdp/cudnn-download ou https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview para fazer download e instale o cuDNN.
Depois de instalar o CUDA, certifique-se de executar o nvcc e o nvidia-smi. Talvez seja necessário modificar sua variável PATH.
Se você instalar CUDA ou CUDA+cuDNN posteriormente ou atualizar para uma versão mais recente do software NVIDIA:
Estas instruções assumem (mas não exigem!) um sistema rodando Ubuntu 22.04. Adapte conforme necessário se estiver usando uma distribuição diferente.
`bash
sudo apt-get install build-essential git libopencv-dev cmake
mkdir ~/srccd ~/src
clone do git https://github.com/hank-ai/darknet
cd rede escura
compilação mkdir
compilação de CD
cmake -DCMAKEBUILDTYPE=Liberar ..
faça o pacote -j4
sudo dpkg -i darknet-VERSION.deb
`
Se você estiver usando uma versão mais antiga do CMake, precisará atualizar o CMake antes de executar o comando cmake acima. A atualização do CMake no Ubuntu pode ser feita com os seguintes comandos:
`bash
sudo apt-get purge cmake
sudo snap install cmake --classic
`
Se estiver usando o bash como seu shell de comando, você desejará reiniciá-lo neste momento. Se estiver usando peixe, ele deve seguir imediatamente o novo caminho.
Usuários avançados:
Se você deseja construir um arquivo de instalação RPM em vez de um arquivo DEB, consulte as linhas relevantes em CM_package.cmake. Antes de executar make -j4 package você precisará editar estas duas linhas:
`bash
SET (CPACKGENERATOR "DEB")#SET (CPACKGENERATOR "RPM")
`
Para distros como Centos e OpenSUSE, você precisará mudar essas duas linhas em CM_package.cmake para serem:
`bash
DEFINIR (CPACK_GENERATOR "DEB")
DEFINIR (CPACK_GENERATOR "RPM")
`
Para instalar o pacote de instalação após a conclusão da construção, use o gerenciador de pacotes usual para sua distribuição. Por exemplo, em sistemas baseados em Debian, como Ubuntu:
`bash
sudo dpkg -i darknet-2.0.1-Linux.deb
`
A instalação do pacote .deb copiará os seguintes arquivos:
/usr/bin/darknet é o executável Darknet usual. Execute a versão darknet da CLI para confirmar se ela está instalada corretamente.
/usr/include/darknet.h é a API Darknet para desenvolvedores C, C++ e Python.
/usr/include/darknet_version.h contém informações de versão para desenvolvedores.
/usr/lib/libdarknet.so é a biblioteca de link para desenvolvedores C, C++ e Python.
/opt/darknet/cfg/... é onde todos os modelos .cfg são armazenados.
Agora você terminou! Darknet foi construído e instalado em /usr/bin/. Execute isto para testar: versão darknet.
Se você não tem /usr/bin/darknet então isso significa que você não o instalou, apenas o construiu! Certifique-se de instalar o arquivo .deb ou .rpm conforme descrito acima.
Método CMake do Windows
Estas instruções pressupõem uma nova instalação do Windows 11 22H2.
1. Abra uma janela normal do prompt de comando cmd.exe e execute os seguintes comandos:
`bash
winget instalar Git.Git
winget instalar Kitware.CMake
winget instalar nsis.nsis
instalar winget Microsoft.VisualStudio.2022.Community
`
2. Neste ponto, precisamos modificar a instalação do Visual Studio para incluir suporte para aplicativos C++:
Clique no menu “Iniciar do Windows” e execute o “Visual Studio Installer”.
Clique em Modificar.
Selecione Desenvolvimento de desktop com C++.
Clique em Modificar no canto inferior direito e, a seguir, clique em Sim.
3. Depois que tudo for baixado e instalado, clique no menu "Iniciar do Windows" novamente e selecione Prompt de comando do desenvolvedor para VS 2022. Não use o PowerShell para essas etapas, você terá problemas!
Usuários avançados:
Em vez de executar o prompt de comando do desenvolvedor, você pode usar um prompt de comando normal ou ssh no dispositivo e executar manualmente "Arquivos de programasMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat".
4. Depois de executar o prompt de comando do desenvolvedor conforme descrito acima (não o PowerShell!), Execute os seguintes comandos para instalar o Microsoft VCPKG, que será usado para construir o OpenCV:
`bash
CDC:
mkdir c:src
cd c:src
clone do git https://github.com/microsoft/vcpkg
CD vcpkg
bootstrap-vcpkg.bat
.vcpkg.exe integrar instalação
.vcpkg.exe integrar powershell
.vcpkg.exe instalar opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows
`
Seja paciente nesta última etapa, pois pode demorar muito para ser executado. Ele precisa baixar e construir muitas coisas.
Usuários avançados:
Observe que existem muitos outros módulos opcionais que você pode querer adicionar ao construir o OpenCV. Execute .vcpkg.exe search opencv para ver a lista completa.
5. Opcional: se você tiver uma GPU NVIDIA moderna, poderá instalar CUDA ou CUDA+cuDNN neste momento. Se instalado, o Darknet usará sua GPU para acelerar o processamento de imagens (e vídeos).
6. Você deve excluir o arquivo CMakeCache.txt do diretório de construção Darknet para forçar o CMake a reencontrar todos os arquivos necessários.
7. Lembre-se de reconstruir o Darknet.
8. Darknet pode funcionar sem ele, mas se você quiser treinar uma rede personalizada, será necessário CUDA ou CUDA+cuDNN.
Visite https://developer.nvidia.com/cuda-downloads para baixar e instalar o CUDA.
Visite https://developer.nvidia.com/rdp/cudnn-download ou https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows para baixar e instalar o cuDNN.
Depois de instalar o CUDA, certifique-se de executar nvcc.exe e nvidia-smi.exe. Talvez seja necessário modificar sua variável PATH.
Depois de baixar o cuDNN, descompacte e copie os diretórios bin, include e lib em C:/Arquivos de Programas/NVIDIA GPU Computing Toolkit/CUDA/[versão]/. Pode ser necessário substituir alguns arquivos.
Se você instalar CUDA ou CUDA+cuDNN posteriormente ou atualizar para uma versão mais recente do software NVIDIA:
CUDA deve ser instalado após o Visual Studio. Se você atualizar o Visual Studio, lembre-se de reinstalar o CUDA.
9. Depois que todas as etapas anteriores forem concluídas com êxito, você precisará clonar o Darknet e construí-lo. Durante esta etapa, também precisamos informar ao CMake onde o vcpkg está localizado para que ele possa encontrar o OpenCV e outras dependências:
`bash
cd c:src
clone do git https://github.com/hank-ai/darknet.git
cd rede escura
compilação mkdir
compilação de CD
cmake -DCMAKEBUILDTYPE=Liberar -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=Liberar PACKAGE.vcxproj
`
10. Se você receber um erro sobre algumas DLLs CUDA ou cuDNN ausentes, como cublas64_12.dll, copie manualmente os arquivos CUDA .dll para o mesmo diretório de saída que Darknet.exe. Por exemplo:
`bash
copie "C:Arquivos de programasNVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll" src-cliRelease
`
(Esse é um exemplo! Verifique qual versão você está executando e execute o comando apropriado para o que você instalou.)
11. Depois que os arquivos forem copiados, execute novamente o último comando msbuild.exe para gerar o pacote de instalação do NSIS:
`bash
msbuild.exe /property:Platform=x64;Configuration=Liberar PACKAGE.vcxproj
`
Usuários avançados:
Observe que a saída do comando cmake é um arquivo de solução normal do Visual Studio, Darknet.sln. Se você for um desenvolvedor de software que usa regularmente a GUI do Visual Studio em vez de msbuild.exe para criar projetos, poderá ignorar a linha de comando e carregar o projeto Darknet no Visual Studio.
Agora você deve ter este arquivo que pode ser executado: C: srcDarknetbuildsrc-cliReleasedarknet.exe. Execute isto para testar: versão C:srcDarknetbuildsrc-cliReleasedarknet.exe.
Para instalar corretamente o Darknet, as bibliotecas, os arquivos incluídos e as DLLs necessárias, execute o assistente de instalação do NSIS que foi criado na última etapa. Veja o arquivo darknet-VERSION.exe no diretório de construção. Por exemplo:
`bash
darknet-2.0.31-win64.exe
`
A instalação do pacote de instalação NSIS irá:
Crie um diretório chamado Darknet, como C:Program FilesDarknet.
Instale o aplicativo CLI, darknet.exe e outros aplicativos de amostra.
Instale os arquivos .dll de terceiros necessários, como os do OpenCV.
Instale os arquivos Darknet .dll, .lib e .h necessários para usar darknet.dll de outro aplicativo.
Instale os arquivos .cfg do modelo.
Agora você terminou! Assim que o assistente de instalação terminar, Darknet terá sido instalado em C:Program FilesDarknet. Execute isto para testar: Versão C:Program FilesDarknetbindarknet.exe.
Se você não possui C:/Program Files/darknet/bin/darknet.exe, isso significa que você não o instalou, apenas o construiu! Certifique-se de passar por cada painel do assistente de instalação do NSIS na etapa anterior.
Usando Darknet
CLI
A seguir não está a lista completa de todos os comandos suportados pelo Darknet.
Além da CLI Darknet, observe também a CLI do projeto DarkHelp, que fornece uma CLI alternativa para Darknet/YOLO. O DarkHelp CLI também possui vários recursos avançados que não estão disponíveis diretamente no Darknet. Você pode usar o Darknet CLI e o DarkHelp CLI juntos, eles não são mutuamente exclusivos.
Para a maioria dos comandos mostrados abaixo, você precisará do arquivo .weights com os arquivos .names e .cfg correspondentes. Você pode treinar sua própria rede (altamente recomendado!) ou baixar uma rede neural que alguém já treinou e disponibilizou gratuitamente na internet. Exemplos de conjuntos de dados pré-treinados incluem:
1. LEGO Gears (encontrar objetos em uma imagem)
2. Rolodex (encontrar texto em uma imagem)
3. MSCOCO (detecção de objetos padrão de classe 80)
Os comandos a serem executados incluem:
1. Liste alguns comandos e opções possíveis para executar:
`bash
ajuda darknet
`
2. Verifique a versão:
`bash
versão darknet
`
3. Preveja usando uma imagem:
V2:
`bash
teste de detector darknet cars.data cars.cfg cars_best.weights image1.jpg
`
V3:
`bash
darknet02displayannotatedimages cars.cfg image1.jpg
`
Ajuda escura:
`bash
DarkHelp carros.cfg carros.cfg carros_best.weights image1.jpg
`
4. Coordenadas de saída:
V2:
`bash
teste de detector darknet animais.dados animais.cfg animaisbest.weights -extoutput dog.jpg
`
V3:
`bash
darknet01inference_images animais cachorro.jpg
`
Ajuda escura:
`bash
DarkHelp --json animais.cfg animais.nomes animais_best.pesos cachorro.jpg
`
5. Trabalhando com vídeos:
V2:
`bash
demonstração do detector darknet animais.dados animais.cfg animaisbest.weights -extoutput test.mp4
`
V3:
`bash
darknet03display_videos animais.cfg teste.mp4
`
Ajuda escura:
`bash
DarkHelp animais.cfg animais.nomes animais_best.pesos teste.mp4
`
6. Lendo de uma webcam:
V2:
`bash
Demonstração do detector darknet Animals.data Animals.cfg Animals_best.weights -c 0
`
V3:
`bash
darknet08display_webcam animais
`
7. Salve os resultados em um vídeo:
V2:
`bash
demonstração do detector darknet animais.dados animais.cfg animaisbest.weights test.mp4 -outfilename res.avi
`
V3:
`bash
darknet05processvideosanimais multithread.cfg animais.nomes animais_best.teste de pesos.mp4
`
Ajuda escura:
`bash
DarkHelp animais.cfg animais.nomes animais_best.pesos teste.mp4
`
8. JSON:
V2:
`bash
demonstração do detector darknet animais.dados animais.cfg animaisbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput
`
V3:
`bash
darknet06imagestojson animais imagem1.jpg
`
Ajuda escura:
`bash
DarkHelp --json animais.nomes animais.cfg animais_best.pesos image1.jpg
`
9. Executando em uma GPU específica:
V2:
`bash
demonstração do detector darknet animais.dados animais.cfg animais_best.weights -i 1 teste.mp4
`
10. Para verificar a precisão da rede neural:
`bash
mapa do detector darknet driving.data driving.cfg driving_best.weights ...
`
`
Id Nome AvgPrecision TP FN FP TN Precisão ErrorRate Precisão Recall Especificidade FalsePosRate -- ---- ------------ ------ ------ ------ - ----- -------- --------- --------- ------ ----------- -- ---------- 0 veículo 91,2495 32648 3903 5826 65129 0,9095 0,0905 0,8486 0,8932 0,9179 0,0821 1 motocicleta 80,4499 2936 513 569 5393 0,8850 0,1150 0,8377 0,8513 0,9046 0,0954 2 bicicleta 89,0912 570 124 104 3548 0,9475 0,0525 0,8457 0,8213 0,9715 0,0285 3 pessoa 76,7937 7072 1727 2574 27523 0,8894 0,1106 0,7332 0,8037 0,9145 0,0855 4 muitos veículos 64,3089 1068 509 733 11288 0,9087 0,0913 0 0,6772 0,9390 0,0610 5 luz verde 86,8118 1969 239 510 4116 0,8904 0,1096 0,7943 0,8918 0,8898 0,1102 6 luz amarela 82,0390 126 38 30 1239 0. 9525 0,0475 0,8077 0,7683 0,9764 0,0236 7 luz vermelha 94,1033 3449 217 451 4643 0,9237 0,0763 0,8844 0,9408 0,9115 0,0885
`
11. Para verificar a precisão mAP@IoU=75:
`bash
mapa detector darknet animais.dados animais.cfg animaisbest.weights -iouthresh 0,75
`
12. O recálculo das âncoras é melhor feito no DarkMark, pois ele executará 100 vezes consecutivas e selecionará as melhores âncoras de todas as que foram calculadas. Mas se você quiser rodar a versão antiga no Darknet:
`bash
detector darknet calcanchors animais.data -numof_clusters 6 -largura 320 -altura 256
`
13. Treine uma nova rede:
`bash
detector darknet -map -dont_show trainanimais.dataanimais.cfg (veja também a seção de treinamento abaixo)
`
Treinamento
Links rápidos para seções relevantes do FAQ Darknet/YOLO:
Como devo configurar meus arquivos e diretórios?
Qual arquivo de configuração devo usar?
Qual comando devo usar ao treinar minha própria rede?
A maneira mais simples de anotar e treinar é usar o DarkMark para criar todos os arquivos Darknet necessários. Esta é definitivamente a forma recomendada para treinar uma nova rede neural.
Se preferir configurar manualmente os vários arquivos para treinar uma rede personalizada:
1. Crie uma nova pasta onde os arquivos serão armazenados. Para este exemplo, será criada uma rede neural para detectar animais, então será criado o seguinte diretório: ~/nn/animals/.
2. Copie um dos arquivos de configuração Darknet que deseja usar como modelo. Por exemplo, consulte cfg/yolov4-tiny.cfg. Coloque isso na pasta que você criou. Para este exemplo, agora temos ~/nn/animals/animals.cfg.
3. Crie um arquivo de texto Animals.names na mesma pasta onde você colocou o arquivo de configuração. Para este exemplo, agora temos ~/nn/animals/animals.names.
4. Edite o arquivo Animals.names com seu editor de texto. Liste as classes que você deseja usar. Você precisa ter exatamente 1 entrada por linha, sem linhas em branco e sem comentários. Neste exemplo, o arquivo .names conterá exatamente 4 linhas:
`
cachorro
gato
pássaro
cavalo
`
5. Crie um arquivo de texto Animals.data na mesma pasta. Para este exemplo, o arquivo .data conterá:
`
aulas=4
trem=/home/nomedeusuário/nn/animals/animals_train.txt
válido=/home/nomedeusuário/nn/animals/animals_valid.txt
nomes=/home/nomedeusuário/nn/animais/animais.nomes
backup=/home/nomedeusuário/nn/animais
`
6. Crie uma pasta onde armazenará suas imagens e anotações. Por exemplo, poderia ser ~/nn/animals/dataset. Cada imagem precisará de um arquivo .txt correspondente que descreva as anotações dessa imagem. O formato dos arquivos de anotação .txt é muito específico. Você não pode criar esses arquivos manualmente, pois cada anotação precisa conter as coordenadas exatas da anotação. Consulte DarkMark ou outro software semelhante para fazer anotações em suas imagens. O formato de anotação YOLO é descrito nas Perguntas frequentes do Darknet/YOLO.
7. Crie os arquivos de texto "train" e "valid" nomeados no arquivo .data. Esses dois arquivos de texto precisam listar individualmente todas as imagens que Darknet deve usar para treinar e validar no cálculo do mAP%. Exatamente uma imagem por linha. O caminho e os nomes dos arquivos podem ser relativos ou absolutos.
8. Modifique seu arquivo .cfg com um editor de texto.
Certifique-se de que lote = 64.
Observe as subdivisões. Dependendo das dimensões da rede e da quantidade de memória disponível na sua GPU, pode ser necessário aumentar as subdivisões. O melhor valor a ser usado é 1, então comece com isso. Consulte o FAQ Darknet/YOLO se 1 não funcionar para você.
Nota maxbatches=.... Um bom valor para usar ao começar é 2.000 x o número de aulas. Neste exemplo, temos 4 animais, então 4 2.000 = 8.000. O que significa que usaremos maxbatches = 8.000.
Nota steps=.... Isso deve ser definido como 80% e 90% de maxbatches. Para este exemplo, usaríamos steps=6400,7200 já que maxbatches foi definido como 8000.
Observe width=... e height=.... Estas são as dimensões da rede. O FAQ Darknet/YOLO explica como calcular o melhor tamanho a ser usado.
Procure todas as instâncias da linha classes=... e modifique-a com o número de classes em seu arquivo .names. Para este exemplo, usaríamos classes=4.
Pesquise todas as instâncias da linha filter=... na seção [convolutional] antes de cada seção [yolo]. O valor a ser usado é (numberofclasses + 5) 3. Significado para este exemplo, (4 + 5) * 3 = 27. Portanto, usaríamos filter=27 nas linhas apropriadas.
9. Comece a treinar! Execute os seguintes comandos:
`bash
cd ~/nn/animais/
detector darknet -map -dont_show trem animais.data animais.cfg
`
Ser paciente. Os melhores pesos serão salvos como Animals_best.weights. E o andamento do treinamento pode ser observado visualizando o arquivo chart.png. Consulte o FAQ Darknet/YOLO para parâmetros adicionais que você pode querer usar ao treinar uma nova rede.
Se quiser ver mais detalhes durante o treinamento, adicione o parâmetro --verbose. Por exemplo:
`bash
detector darknet -map -dont_show --verbose trem animais.data animais.cfg
`
Outras ferramentas e links
1. Para gerenciar seus projetos Darknet/YOLO, anotar imagens, verificar suas anotações e gerar os arquivos necessários para treinar com Darknet, consulte DarkMark.
2. Para uma CLI alternativa robusta ao Darknet, para usar imagens lado a lado, para rastreamento de objetos em seus vídeos ou para uma API C++ robusta que pode ser facilmente usada em aplicativos comerciais, consulte DarkHelp.
3. Veja se o FAQ Darknet/YOLO pode ajudar a responder suas perguntas.
4. Veja os diversos tutoriais e vídeos de exemplo no canal de Stéphane no YouTube.
5. Se você tiver uma pergunta de suporte ou quiser conversar com outros usuários Darknet/YOLO, entre no servidor Darknet/YOLO Discord.
Roteiro
Última atualização em 30/10/2024:
Concluído
1. troque qsort() por std::sort() onde usado durante o treinamento (alguns outros obscuros permanecem)
2. Livre-se de check_mistakes, getchar() e system()
3. converter Darknet para usar o compilador C++ (g++ no Linux, VisualStudio no Windows)
4. corrigir compilação do Windows
5. corrigir suporte a Python
6. construir uma biblioteca darknet
7. reativar rótulos em previsões (código "alfabeto")
8. reativar o código CUDA/GPU
9. reativar CUDNN
10. reative a metade CUDNN
11. não codifique a arquitetura CUDA
12. melhores informações sobre a versão CUDA
13. reative o AVX
14. remova soluções antigas e Makefile
15. torne o OpenCV não opcional
16. remova a dependência da antiga biblioteca pthread
17. remova o STB
18. reescreva CMakeLists.txt para usar a nova detecção CUDA
19. remova o código "alfabeto" antigo e exclua as mais de 700 imagens em dados/rótulos
20. construir fora da fonte
21. Tenha melhor saída de número de versão
22. otimizações de desempenho relacionadas ao treinamento (tarefa contínua)
23. otimizações de desempenho relacionadas à inferência (tarefa em andamento)
24. passagem por referência sempre que possível
25. limpe arquivos .hpp
26. reescrever darknet.h
27. não converta cv::Mat para void* mas use-o como um objeto C++ adequado
28. corrigir ou ser consistente na forma como a estrutura interna da imagem é usada
29. correção de compilação para dispositivos Jetson baseados em ARM
* É improvável que os dispositivos Jetson originais sejam consertados, pois não são mais suportados pela NVIDIA (sem compilador C++ 17)
* Novos dispositivos Jetson Orin estão funcionando
30. corrigir API Python em V3
* É necessário melhor suporte para Python (algum desenvolvedor Python quer ajudar com isso?)
Metas de curto prazo
1. troque printf() por std::cout (em andamento)
2. Pesquise o suporte para câmeras Zed antigas
3. análise de linha de comando melhor e mais consistente (em andamento)
Metas de médio prazo
1. remova todo o código char* e substitua por std::string
2. não esconda os avisos e limpe os avisos do compilador (em andamento)
3. melhor uso de cv::Mat em vez da estrutura de imagem personalizada em C (em andamento)
4. substitua a funcionalidade de lista antiga por std::vector ou std::list
5. correção do suporte para imagens em escala de cinza de 1 canal
6. adicionar suporte para imagens de canal N onde N > 3 (por exemplo, imagens com profundidade adicional ou canal térmico)
7. limpeza contínua de código (em andamento)
Metas de longo prazo
1. corrigir problemas de CUDA/CUDNN com todas as GPUs
2. reescrever o código CUDA + cuDNN
3. considere adicionar suporte para GPUs não-NVIDIA
4. Caixas delimitadoras giradas ou algum tipo de suporte de "ângulo"
5. pontos-chave/esqueletos
6. mapas de calor (em andamento)
7. segmentação
