หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

สารบัญ

  • กรอบการตรวจจับวัตถุ Darknet และ YOLO

  • เอกสาร

  • ข้อมูลทั่วไป

    • เวอร์ชันดาร์กเน็ต

  • MSCOCO ตุ้มน้ำหนักที่ผ่านการฝึกอบรมล่วงหน้า

  • อาคาร

    • Google Colab

    • วิธีการลินุกซ์ CMake

    • วิธี Windows CMake

  • การใช้ดาร์กเน็ต

    • คลีไอ

    • การฝึกอบรม

  • เครื่องมือและลิงค์อื่นๆ

  • แผนการทำงาน

    • เป้าหมายระยะสั้น

    • เป้าหมายระยะกลาง

    • เป้าหมายระยะยาว

กรอบการตรวจจับวัตถุ Darknet และ YOLO

โลโก้ darknet และ hank.ai

Darknet เป็นเฟรมเวิร์กโครงข่ายประสาทเทียมแบบโอเพ่นซอร์สที่เขียนด้วยภาษา C, C++ และ CUDA

YOLO (You Only Look Once) เป็นระบบตรวจจับวัตถุแบบเรียลไทม์ที่ล้ำสมัย ซึ่งทำงานในกรอบ Darknet

  • อ่านวิธีที่ Hank.ai ช่วยเหลือชุมชน Darknet/YOLO

  • ประกาศ Darknet V3 "Jazz"

  • ดู เว็บไซต์ Darknet/YOLO

  • โปรดอ่าน คำถามที่พบบ่อยของ Darknet/YOLO

  • เข้าร่วม เซิร์ฟเวอร์ Discord ของ Darknet/YOLO

เอกสาร

  • กระดาษ YOLOv7

  • กระดาษ ปรับขนาด-YOLOv4

  • กระดาษ YOLOv4

  • กระดาษ YOLOv3

ข้อมูลทั่วไป

เฟรมเวิร์ก Darknet/YOLO ยังคง เร็ว และ แม่นยำมากกว่า เฟรมเวิร์กและเวอร์ชันอื่นๆ ของ YOLO

เฟรมเวิร์กนี้เป็นทั้ง ฟรี และ โอเพ่นซอร์ส โดยสมบูรณ์ คุณสามารถรวม Darknet/YOLO เข้ากับโปรเจ็กต์และผลิตภัณฑ์ที่มีอยู่ รวมถึงโปรเจ็กต์เชิงพาณิชย์ โดยไม่ต้องมีใบอนุญาตหรือจ่ายค่าธรรมเนียม

Darknet V3 ("Jazz") ที่เปิดตัวในเดือนตุลาคม 2024 สามารถรันวิดีโอชุดข้อมูล LEGO ได้อย่างแม่นยำที่สูงถึง 1,000 FPS เมื่อใช้ NVIDIA RTX 3090 GPU ซึ่งหมายความว่าแต่ละเฟรมวิดีโอจะถูกอ่าน ปรับขนาด และประมวลผลโดย Darknet/YOLO ใน 1 มิลลิวินาทีหรือ น้อย.

โปรดเข้าร่วมเซิร์ฟเวอร์ Darknet/YOLO Discord หากคุณต้องการความช่วยเหลือหรือต้องการหารือเกี่ยวกับ Darknet/YOLO: https://discord.gg/zSq8rtW

Darknet/YOLO เวอร์ชัน CPU สามารถทำงานบนอุปกรณ์ง่ายๆ เช่น Raspberry Pi, เซิร์ฟเวอร์คลาวด์และ colab, เดสก์ท็อป, แล็ปท็อป และอุปกรณ์ฝึกอบรมระดับไฮเอนด์ Darknet/YOLO เวอร์ชัน GPU ต้องใช้ GPU ที่รองรับ CUDA จาก NVIDIA

Darknet/YOLO เป็นที่รู้จักว่าทำงานบน Linux, Windows และ Mac ดูคำแนะนำการสร้างด้านล่าง

เวอร์ชันดาร์กเน็ต

  • เครื่องมือ Darknet ดั้งเดิมที่เขียนโดย Joseph Redmon ในปี 2556-2560 ไม่มีหมายเลขเวอร์ชัน เราพิจารณาเวอร์ชันนี้ 0.x

  • repo Darknet ยอดนิยมถัดไปที่ดูแลโดย Alexey Bochkovskiy ระหว่างปี 2560-2564 ยังไม่มีหมายเลขเวอร์ชันเช่นกัน เราพิจารณาเวอร์ชัน 1.x นี้

  • repo Darknet ที่สนับสนุนโดย Hank.ai และดูแลโดย Stéphane Charette ซึ่งเริ่มในปี 2023 เป็นรุ่นแรกที่มีคำสั่ง version ตั้งแต่ปี 2023 จนถึงปลายปี 2024 ส่งคืนเวอร์ชัน 2.x "OAK"

    • เป้าหมายคือการพยายามทำลายฟังก์ชันการทำงานที่มีอยู่ให้เหลือเพียงเล็กน้อยในขณะที่ทำความคุ้นเคยกับโค้ดเบส

    • เขียนขั้นตอนการสร้างใหม่เพื่อให้เรามี 1 วิธีที่เป็นหนึ่งเดียวในการสร้างโดยใช้ CMake บนทั้ง Windows และ Linux

    • แปลง codebase เพื่อใช้คอมไพเลอร์ C++

    • ปรับปรุง Chart.png ขณะฝึกอบรม

    • การแก้ไขข้อบกพร่องและการเพิ่มประสิทธิภาพที่เกี่ยวข้องกับประสิทธิภาพ ส่วนใหญ่เกี่ยวข้องกับการลดเวลาที่ใช้ในการฝึกอบรมเครือข่าย

    • สาขาสุดท้ายของ codebase นี้คือเวอร์ชัน 2.1 ในสาขา v2

  • การพัฒนาระยะต่อไปเริ่มต้นในกลางปี ​​2024 และเปิดตัวในเดือนตุลาคม 2024 ขณะนี้คำสั่ง version ส่งคืน 3.x "JAZZ"

    • คุณสามารถชำระเงินสาขา v2 ก่อนหน้าได้ตลอดเวลา หากคุณต้องการรันคำสั่งใดคำสั่งหนึ่งเหล่านี้ แจ้งให้เราทราบเพื่อให้เราตรวจสอบการเพิ่มคำสั่งที่หายไปกลับเข้าไปได้

    • ลบคำสั่งเก่าและคำสั่งที่ไม่ได้รับการดูแลออกจำนวนมาก

    • การเพิ่มประสิทธิภาพการทำงานหลายอย่าง ทั้งในขณะฝึกอบรมและระหว่างการอนุมาน

    • Legacy C API ได้รับการแก้ไข แอปพลิเคชันที่ใช้ Darknet API ดั้งเดิมจะต้องมีการแก้ไขเล็กน้อย: https://darknetcv.ai/api/api.html

    • Darknet V3 C และ C++ API ใหม่: https://darknetcv.ai/api/api.html

    • แอพใหม่และโค้ดตัวอย่างใน src-examples : https://darknetcv.ai/api/files.html

MSCOCO ตุ้มน้ำหนักที่ผ่านการฝึกอบรมล่วงหน้า

YOLO เวอร์ชันยอดนิยมหลายเวอร์ชันได้รับการฝึกอบรมล่วงหน้าเพื่อความสะดวกในชุดข้อมูล MSCOCO ชุดข้อมูลนี้มี 80 คลาส ซึ่งสามารถเห็นได้ในไฟล์ข้อความ cfg/coco.names

มีชุดข้อมูลที่เรียบง่ายกว่าและตุ้มน้ำหนักที่ได้รับการฝึกล่วงหน้าอื่นๆ หลายชุดสำหรับการทดสอบ Darknet/YOLO เช่น LEGO Gears และ Rolodex ดูคำถามที่พบบ่อยของ Darknet/YOLO สำหรับรายละเอียด

ตุ้มน้ำหนักที่ฝึกล่วงหน้าของ MSCOCO สามารถดาวน์โหลดได้จากหลายตำแหน่ง และยังสามารถดาวน์โหลดได้จากที่เก็บนี้อีกด้วย:

  • YOLOv2 พฤศจิกายน 2559

    • YOLOv2-จิ๋ว

    • YOLOv2-เต็ม

  • YOLOv3 พฤษภาคม 2018

    • YOLOv3-จิ๋ว

    • YOLOv3-เต็ม

  • YOLOv4 พฤษภาคม 2020

    • YOLOv4-จิ๋ว

    • YOLOv4-เต็ม

  • YOLOv7 สิงหาคม 2022

    • YOLOv7-จิ๋ว

    • YOLOv7-เต็ม

ตุ้มน้ำหนักที่ได้รับการฝึกล่วงหน้าของ MSCOCO มีไว้เพื่อการสาธิตเท่านั้น ไฟล์ .cfg และ .names ที่เกี่ยวข้องสำหรับ MSCOCO อยู่ในไดเร็กทอรี cfg คำสั่งตัวอย่าง:

 wget --no-clobber https://github.com/hank-ai/darknet/releases/download/v2.0/yolov4-tiny.weights
darknet_02_display_annotated_images coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
darknet_03_display_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 วิดีโอ 1.avi

โปรดทราบว่าผู้คนได้รับการคาดหวังให้ฝึกอบรมเครือข่ายของตนเอง โดยปกติแล้ว MSCOCO จะใช้เพื่อยืนยันว่าทุกอย่างทำงานได้อย่างถูกต้อง

อาคาร

วิธีการสร้างต่างๆ ที่มีอยู่ในอดีต (ก่อนปี 2023) ได้ถูกรวมเข้าด้วยกันเป็นโซลูชันแบบครบวงจรเดียว Darknet ต้องการ C++17 หรือใหม่กว่า OpenCV และใช้ CMake เพื่อสร้างไฟล์โปรเจ็กต์ที่จำเป็น

คุณไม่จำเป็นต้องรู้ C++ เพื่อสร้าง ติดตั้ง หรือรัน Darknet/YOLO เช่นเดียวกับที่คุณไม่จำเป็นต้องเป็นช่างเครื่องก็ขับรถได้

  • Google Colab

  • ลินุกซ์

  • หน้าต่าง

ระวังหากคุณกำลังติดตามบทช่วยสอนเก่าที่มีขั้นตอนการสร้างที่ซับซ้อนมากขึ้น หรือขั้นตอนการสร้างที่ไม่ตรงกับสิ่งที่อยู่ใน readme นี้ ขั้นตอนการสร้างใหม่ตามที่อธิบายไว้ด้านล่างเริ่มต้นในเดือนสิงหาคม 2023

นักพัฒนาซอฟต์แวร์ควรไปที่ https://darknetcv.ai/ เพื่อรับข้อมูลเกี่ยวกับภายในของเฟรมเวิร์กการตรวจจับวัตถุ Darknet/YOLO

Google Colab

วิธีการของ Google Colab เหมือนกับวิธีการของ Linux มีสมุดบันทึก Jupyter หลายเครื่องที่แสดงวิธีทำงานบางอย่าง เช่น การฝึกอบรมเครือข่ายใหม่

ดูสมุดบันทึกในไดเรกทอรีย่อย colab และ/หรือทำตามคำแนะนำของ Linux ด้านล่าง

วิธีการลินุกซ์ CMake

บทช่วยสอนการสร้าง Darknet สำหรับ Linux

  • ทางเลือก: หากคุณมี NVIDIA GPU ที่ทันสมัย ​​คุณสามารถติดตั้ง CUDA หรือ CUDA+cuDNN ได้ ณ จุดนี้ หากติดตั้งแล้ว Darknet จะใช้ GPU ของคุณเพื่อเพิ่มความเร็วในการประมวลผลภาพ (และวิดีโอ)

    • คุณต้องลบไฟล์ CMakeCache.txt ออกจากไดเรกทอรี build Darknet ของคุณเพื่อบังคับให้ CMake ค้นหาไฟล์ที่จำเป็นทั้งหมดอีกครั้ง

    • อย่าลืมสร้าง Darknet ขึ้นมาใหม่

    • Darknet สามารถทำงานได้โดยไม่ต้องใช้มัน แต่ถ้าคุณต้องการ ฝึก เครือข่ายแบบกำหนดเอง จำเป็นต้องมี CUDA หรือ CUDA+cuDNN

    • ไปที่ https://developer.nvidia.com/cuda-downloads เพื่อดาวน์โหลดและติดตั้ง CUDA

    • ไปที่ https://developer.nvidia.com/rdp/cudnn-download หรือ https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview เพื่อดาวน์โหลด และติดตั้ง cuDNN

    • เมื่อคุณติดตั้ง CUDA แล้ว ตรวจสอบให้แน่ใจว่าคุณสามารถเรียกใช้ nvcc และ nvidia-smi ได้ คุณอาจต้องแก้ไขตัวแปร PATH ของคุณ

    • หากคุณติดตั้ง CUDA หรือ CUDA+cuDNN ในภายหลัง หรือคุณอัพเกรดเป็นซอฟต์แวร์ NVIDIA เวอร์ชันใหม่กว่า:

คำแนะนำเหล่านี้ถือว่า (แต่ไม่จำเป็นต้องใช้!) ระบบที่ใช้ Ubuntu 22.04 ปรับเปลี่ยนตามความจำเป็นหากคุณใช้การกระจายแบบอื่น

 sudo apt-get ติดตั้ง build-essential git libopencv-dev cmake
mkdir ~/srccd ~/src
git clone https://github.com/hank-ai/darknetcd darknet
mkdir buildcd สร้าง
cmake -DCMAKE_BUILD_TYPE=ปล่อย ..
ทำแพ็คเกจ -j4
sudo dpkg -i darknet-<INSERT-VERSION-YOU-BUILT-HERE>.deb

หากคุณใช้ CMake เวอร์ชันเก่า คุณจะต้องอัปเกรด CMake ก่อนจึงจะสามารถเรียกใช้คำสั่ง cmake ด้านบนได้ การอัพเกรด CMake บน Ubuntu สามารถทำได้ด้วยคำสั่งต่อไปนี้:

 sudo apt-get ล้าง cmake
sudo snap ติดตั้ง cmake --classic

หากใช้ bash เป็นเชลล์คำสั่ง คุณจะต้องรีสตาร์ทเชลล์ ณ จุดนี้ หากใช้ fish ก็ควรเลือกเส้นทางใหม่ทันที

ผู้ใช้ขั้นสูง:

หากคุณต้องการสร้างไฟล์การติดตั้ง RPM แทนไฟล์ DEB โปรดดูบรรทัดที่เกี่ยวข้องใน CM_package.cmake ก่อนที่จะรัน make -j4 package คุณจะต้องแก้ไขสองบรรทัดนี้:

 SET (CPACK_GENERATOR "DEB")# SET (CPACK_GENERATOR "RPM")

สำหรับ distros เช่น Centos และ OpenSUSE คุณจะต้องสลับสองบรรทัดนั้นใน CM_package.cmake เป็น:

 # SET (CPACK_GENERATOR "DEB") SET (CPACK_GENERATOR "RPM")

หากต้องการติดตั้งแพ็คเกจการติดตั้ง เมื่อสร้างเสร็จแล้ว ให้ใช้ตัวจัดการแพ็คเกจตามปกติสำหรับการแจกจ่ายของคุณ ตัวอย่างเช่น บนระบบที่ใช้ Debian เช่น Ubuntu:

 sudo dpkg -i darknet-2.0.1-Linux.deb

การติดตั้งแพ็คเกจ .deb จะคัดลอกไฟล์ต่อไปนี้:

  • /usr/bin/darknet เป็นโปรแกรมปฏิบัติการ Darknet ปกติ เรียกใช้ darknet version จาก CLI เพื่อยืนยันว่าติดตั้งอย่างถูกต้อง

  • /usr/include/darknet.h คือ Darknet API สำหรับนักพัฒนา C, C++ และ Python

  • /usr/include/darknet_version.h มีข้อมูลเวอร์ชันสำหรับนักพัฒนา

  • /usr/lib/libdarknet.so เป็นไลบรารีสำหรับลิงก์สำหรับนักพัฒนา C, C++ และ Python

  • /opt/darknet/cfg/... เป็นที่จัดเก็บเทมเพลต .cfg ทั้งหมด

ตอนนี้คุณทำเสร็จแล้ว! Darknet ได้รับการสร้างและติดตั้งลงใน /usr/bin/ เรียกใช้สิ่งนี้เพื่อทดสอบ: darknet version

หากคุณไม่มี /usr/bin/darknet นั่นหมายความว่าคุณ ไม่ได้ ติดตั้ง คุณแค่สร้างมันขึ้นมาเท่านั้น! ตรวจสอบให้แน่ใจว่าคุณติดตั้งไฟล์ .deb หรือ .rpm ตามที่อธิบายไว้ข้างต้น

วิธี Windows CMake

คำแนะนำเหล่านี้ถือเป็นการติดตั้ง Windows 11 22H2 ใหม่

เปิดหน้าต่างพรอมต์คำสั่ง cmd.exe ปกติแล้วรันคำสั่งต่อไปนี้:

 winget ติดตั้ง Git.Git
winget ติดตั้ง Kitware.CMake
ติดตั้ง winget nsis.nsis
winget ติดตั้ง Microsoft.VisualStudio.2022.Community

ณ จุดนี้ เราจำเป็นต้องแก้ไขการติดตั้ง Visual Studio เพื่อรวมการรองรับแอปพลิเคชัน C ++:

  • คลิกที่เมนู "Windows Start" และเรียกใช้ "Visual Studio Installer"

  • คลิกที่ Modify

  • เลือก Desktop Development With C++

  • คลิก Modify ที่มุมขวาล่าง จากนั้นคลิก Yes เมื่อดาวน์โหลดและติดตั้งทุกอย่างแล้ว ให้คลิกที่เมนู "Windows Start" อีกครั้ง และเลือก Developer Command Prompt for VS 2022 อย่า ใช้ PowerShell สำหรับขั้นตอนเหล่านี้ คุณจะประสบปัญหา!

ผู้ใช้ขั้นสูง:

แทนที่จะเรียกใช้ Developer Command Prompt คุณสามารถใช้พรอมต์คำสั่งปกติหรือ ssh ลงในอุปกรณ์และเรียกใช้ "Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat" ด้วยตนเอง

หลายๆ คนทำผิดพลาดแบบเดียวกันและคิดว่าสามารถข้ามขั้นตอนก่อนหน้าได้ โปรดอย่าข้ามขั้นตอนนี้! อย่าใช้พรอมต์คำสั่งปกติหรือ PowerShell! อ่านขั้นตอนข้างต้นอีกครั้งเพื่อดูว่าคุณ ต้อง ใช้หน้าต่างประเภทใด ทุกครั้งที่คุณต้องการใช้ Visual Studio จากพรอมต์คำสั่งเพื่อคอมไพล์โค้ด C++ คุณต้องใช้พรอมต์คำสั่งสำหรับนักพัฒนา Visual Studio ตามที่อธิบายไว้ข้างต้น

เมื่อคุณมี Developer Command Prompt ทำงานตามที่อธิบายไว้ข้างต้น ให้รันคำสั่งต่อไปนี้เพื่อติดตั้ง Microsoft VCPKG ซึ่งจะใช้ในการสร้าง OpenCV:

 ซีดี c:mkdir c:srccd c:src
โคลนคอมไพล์ https://github.com/microsoft/vcpkgcd vcpkg
bootstrap-vcpkg.bat
.vcpkg.exe รวมการติดตั้ง
.vcpkg.exe รวม powershell.vcpkg.exe ติดตั้ง opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows

อดทนในขั้นตอนสุดท้ายนี้เนื่องจากการวิ่งอาจใช้เวลานาน มันจำเป็นต้องดาวน์โหลดและสร้างสิ่งต่าง ๆ มากมาย

ผู้ใช้ขั้นสูง:

โปรดทราบว่ามีโมดูลเสริมอื่นๆ มากมายที่คุณอาจต้องการเพิ่มเมื่อสร้าง OpenCV เรียกใช้ .vcpkg.exe search opencv เพื่อดูรายการทั้งหมด

  • ทางเลือก: หากคุณมี NVIDIA GPU ที่ทันสมัย ​​คุณสามารถติดตั้ง CUDA หรือ CUDA+cuDNN ได้ ณ จุดนี้ หากติดตั้งแล้ว Darknet จะใช้ GPU ของคุณเพื่อเพิ่มความเร็วในการประมวลผลภาพ (และวิดีโอ)

    • คุณต้องลบไฟล์ CMakeCache.txt ออกจากไดเรกทอรี build Darknet ของคุณเพื่อบังคับให้ CMake ค้นหาไฟล์ที่จำเป็นทั้งหมดอีกครั้ง

    • อย่าลืมสร้าง Darknet ขึ้นมาใหม่

    • Darknet สามารถทำงานได้โดยไม่ต้องใช้มัน แต่ถ้าคุณต้องการ ฝึก เครือข่ายแบบกำหนดเอง จำเป็นต้องมี CUDA หรือ CUDA+cuDNN

    • ไปที่ https://developer.nvidia.com/cuda-downloads เพื่อดาวน์โหลดและติดตั้ง CUDA

    • ไปที่ https://developer.nvidia.com/rdp/cudnn-download หรือ https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows เพื่อดาวน์โหลดและติดตั้ง cuDNN

    • เมื่อคุณติดตั้ง CUDA แล้ว ตรวจสอบให้แน่ใจว่าคุณสามารถเรียกใช้ nvcc.exe และ nvidia-smi.exe ได้ คุณอาจต้องแก้ไขตัวแปร PATH ของคุณ

    • เมื่อคุณดาวน์โหลด cuDNN แล้ว ให้แตกไฟล์และคัดลอก bin รวม และไดเรกทอรี lib ลงใน C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/ คุณอาจต้องเขียนทับไฟล์บางไฟล์

    • หากคุณติดตั้ง CUDA หรือ CUDA+cuDNN ในภายหลัง หรือคุณอัพเกรดเป็นซอฟต์แวร์ NVIDIA เวอร์ชันใหม่กว่า:

    • ต้อง ติดตั้ง CUDA หลังจาก Visual Studio หากคุณอัปเกรด Visual Studio อย่าลืมติดตั้ง CUDA อีกครั้ง

เมื่อขั้นตอนก่อนหน้านี้ทั้งหมดเสร็จสิ้นเรียบร้อยแล้ว คุณจะต้องโคลน Darknet และสร้างมันขึ้นมา ในระหว่างขั้นตอนนี้ เรายังต้องบอก CMake ด้วยว่า vcpkg อยู่ที่ไหน เพื่อให้สามารถค้นหา OpenCV และการอ้างอิงอื่นๆ ได้:

 ซีดี c:src
โคลนคอมไพล์ https://github.com/hank-ai/darknet.gitcd darknetmkdir buildcd build
cmake -DCMAKE_BUILD_TYPE=Release -DCMAKE_TOOLCHAIN_FILE=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=Release PACKAGE.vcxproj

หากคุณได้รับข้อผิดพลาด เกี่ยวกับ CUDA หรือ cuDNN DLLs ที่หายไป เช่น cublas64_12.dll ให้คัดลอกไฟล์ CUDA .dll ด้วยตนเองลงในไดเร็กทอรีเอาต์พุตเดียวกันกับ Darknet.exe ตัวอย่างเช่น:

 คัดลอก "C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll" src-cliRelease

(นั่นคือตัวอย่าง! ตรวจสอบเพื่อให้แน่ใจว่าคุณใช้งานเวอร์ชันใดอยู่ และเรียกใช้คำสั่งที่เหมาะสมกับสิ่งที่คุณได้ติดตั้ง)

เมื่อคัดลอกไฟล์แล้ว ให้รันคำสั่ง msbuild.exe สุดท้ายอีกครั้งเพื่อสร้างแพ็คเกจการติดตั้ง NSIS:

 msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj

ผู้ใช้ขั้นสูง:

โปรดทราบว่าเอาต์พุตของคำสั่ง cmake เป็นไฟล์โซลูชัน Visual Studio ปกติ Darknet.sln หากคุณเป็นนักพัฒนาซอฟต์แวร์ที่ใช้ Visual Studio GUI เป็นประจำแทน msbuild.exe เพื่อสร้างโครงการ คุณสามารถละเว้นบรรทัดคำสั่งและโหลดโครงการ Darknet ใน Visual Studio ได้

ตอนนี้คุณควรมีไฟล์นี้ที่คุณสามารถเรียกใช้ได้: C:srcDarknetbuildsrc-cliReleasedarknet.exe เรียกใช้สิ่งนี้เพื่อทดสอบ: C:srcDarknetbuildsrc-cliReleasedarknet.exe --version

หากต้องการติดตั้ง Darknet, ไลบรารี, ไฟล์รวม และ DLL ที่จำเป็นอย่างถูกต้อง ให้เรียกใช้ตัวช่วยสร้างการติดตั้ง NSIS ที่สร้างขึ้นในขั้นตอนสุดท้าย ดูไฟล์ darknet-<INSERT-VERSION-YOU-BUILT-HERE>-win64.exe ในไดเร็กทอรี build ตัวอย่างเช่น:

 darknet-<INSERT-VERSION-คุณ-สร้าง-ที่นี่>-win64.exe

การติดตั้งแพ็คเกจการติดตั้ง NSIS จะ:

  • สร้างไดเร็กทอรีชื่อ Darknet เช่น C:Program FilesDarknet

  • ติดตั้งแอปพลิเคชัน CLI, darknet.exe และแอปตัวอย่างอื่นๆ

  • ติดตั้งไฟล์ .dll ของบริษัทอื่นที่จำเป็น เช่น ไฟล์จาก OpenCV

  • ติดตั้งไฟล์ Darknet .dll , .lib และ .h ที่จำเป็นเพื่อใช้ darknet.dll จากแอปพลิเคชันอื่น

  • ติดตั้งไฟล์เทมเพลต .cfg

ตอนนี้คุณทำเสร็จแล้ว! เมื่อวิซาร์ดการติดตั้งเสร็จสิ้น Darknet จะถูกติดตั้งลงใน C:Program FilesDarknet รันสิ่งนี้เพื่อทดสอบ: C:Program FilesDarknetbindarknet.exe version

หากคุณไม่มี C:/Program Files/darknet/bin/darknet.exe นั่นหมายความว่าคุณ ไม่ได้ ติดตั้ง คุณแค่สร้างมันขึ้นมาเท่านั้น! ตรวจสอบให้แน่ใจว่าคุณได้อ่านแต่ละแผงของวิซาร์ดการติดตั้ง NSIS ในขั้นตอนก่อนหน้า

การใช้ดาร์กเน็ต

คลีไอ

ต่อไปนี้ไม่ใช่รายการคำสั่งทั้งหมดที่ Darknet รองรับ

นอกจาก Darknet CLI แล้ว ยังมี CLI ของโปรเจ็กต์ DarkHelp ซึ่งมอบ CLI ทางเลือกให้กับ Darknet/YOLO DarkHelp CLI ยังมีคุณสมบัติขั้นสูงหลายประการที่ไม่สามารถใช้งานได้โดยตรงใน Darknet คุณสามารถใช้ทั้ง Darknet CLI และ DarkHelp CLI ร่วมกันได้ โดยไม่ได้แยกจากกัน

สำหรับคำสั่งส่วนใหญ่ที่แสดงด้านล่าง คุณจะต้องมีไฟล์ .weights พร้อมด้วยไฟล์ .names และ .cfg ที่เกี่ยวข้อง คุณสามารถฝึกเครือข่ายของคุณเองได้ (แนะนำเป็นอย่างยิ่ง!) หรือดาวน์โหลดโครงข่ายประสาทเทียมที่ใครบางคนได้ฝึกฝนและเปิดให้ใช้งานได้ฟรีบนอินเทอร์เน็ต ตัวอย่างของชุดข้อมูลที่ได้รับการฝึกอบรมล่วงหน้า ได้แก่:

  • LEGO Gears (ค้นหาวัตถุในภาพ)

  • Rolodex (การค้นหาข้อความในรูปภาพ)

  • MSCOCO (การตรวจจับวัตถุมาตรฐาน 80 คลาส)

คำสั่งให้รันได้แก่:

  • แสดงรายการคำสั่งและตัวเลือกที่เป็นไปได้ในการรัน:

    • darknet help

  • ตรวจสอบเวอร์ชั่น:

    • darknet version

  • ทำนายโดยใช้ภาพ:

    • V2: darknet detector test cars.data cars.cfg cars_best.weights image1.jpg

    • V3: darknet_02_display_annotated_images cars.cfg image1.jpg

    • DarkHelp: DarkHelp cars.cfg cars.cfg cars_best.weights image1.jpg

  • พิกัดขาออก:

    • V2: darknet detector test animals.data animals.cfg animals_best.weights -ext_output dog.jpg

    • V3: darknet_01_inference_images animals dog.jpg

    • DarkHelp: DarkHelp --json animals.cfg animals.names animals_best.weights dog.jpg

  • การทำงานกับวิดีโอ:

    • V2: darknet detector demo animals.data animals.cfg animals_best.weights -ext_output test.mp4

    • V3: darknet_03_display_videos animals.cfg test.mp4

    • DarkHelp: DarkHelp animals.cfg animals.names animals_best.weights test.mp4

  • อ่านจากเว็บแคม:

    • V2: darknet detector demo animals.data animals.cfg animals_best.weights -c 0

    • V3: darknet_08_display_webcam animals

  • บันทึกผลลัพธ์ลงในวิดีโอ:

    • V2: darknet detector demo animals.data animals.cfg animals_best.weights test.mp4 -out_filename res.avi

    • V3: darknet_05_process_videos_multithreaded animals.cfg animals.names animals_best.weights test.mp4

    • DarkHelp: DarkHelp animals.cfg animals.names animals_best.weights test.mp4

  • เจสัน:

    • V2: darknet detector demo animals.data animals.cfg animals_best.weights test50.mp4 -json_port 8070 -mjpeg_port 8090 -ext_output

    • V3: darknet_06_images_to_json animals image1.jpg

    • DarkHelp: DarkHelp --json animals.names animals.cfg animals_best.weights image1.jpg

  • ทำงานบน GPU เฉพาะ:

    • V2: darknet detector demo animals.data animals.cfg animals_best.weights -i 1 test.mp4

  • วิธีตรวจสอบความถูกต้องของโครงข่ายประสาทเทียม:

 แผนที่เครื่องตรวจจับ darknet การขับรถ.ข้อมูลการขับรถ.cfg Driving_best.weights
-
  ชื่อรหัส AvgPrecision TP FN FP TN ความแม่นยำ อัตราข้อผิดพลาด ความจำเพาะของการเรียกคืนที่แม่นยำ FalsePosRate
  -
   0 คัน 91.2495 32648 3903 5826 65129 0.9095 0.0905 0.8486 0.8932 0.9179 0.0821
   รถจักรยานยนต์ 1 คัน 80.4499 2936 513 569 5393 0.8850 0.1150 0.8377 0.8513 0.9046 0.0954
   จักรยาน 2 คัน 89.0912 570 124 104 3548 0.9475 0.0525 0.8457 0.8213 0.9715 0.0285
   3 คน 76.7937 7072 1727 2574 27523 0.8894 0.1106 0.7332 0.8037 0.9145 0.0855
   จำนวน 4 คัน 64.3089 1068 509 733 11288 0.9087 0.0913 0.5930 0.6772 0.9390 0.0610
   5 ไฟเขียว 86.8118 1969 239 510 4116 0.8904 0.1096 0.7943 0.8918 0.8898 0.1102
   6 ไฟเหลือง 82.0390 126 38 30 1239 0.9525 0.0475 0.8077 0.7683 0.9764 0.0236
   7ไฟแดง 94.1033 3449 217 451 4643 0.9237 0.0763 0.8844 0.9408 0.9115 0.0885

  • วิธีตรวจสอบความแม่นยำ mAP@IoU=75:

    • darknet detector map animals.data animals.cfg animals_best.weights -iou_thresh 0.75

  • การคำนวณจุดยึดใหม่ทำได้ดีที่สุดใน DarkMark เนื่องจากจะทำงาน 100 ครั้งติดต่อกัน และเลือกจุดยึดที่ดีที่สุดจากทั้งหมดที่คำนวณไว้ แต่ถ้าคุณต้องการรันเวอร์ชันเก่าใน Darknet:

 เครื่องตรวจจับ darknet calc_anchors สัตว์.ข้อมูล -num_of_clusters 6 -กว้าง 320 -สูง 256

  • ฝึกอบรมเครือข่ายใหม่:

    • darknet detector -map -dont_show train animals.data animals.cfg (ดูหัวข้อการฝึกอบรมด้านล่าง)

การฝึกอบรม

ลิงก์ด่วนไปยังส่วนที่เกี่ยวข้องของคำถามที่พบบ่อยเกี่ยวกับ Darknet/YOLO:

  • ฉันจะตั้งค่าไฟล์และไดเร็กทอรีของฉันได้อย่างไร?

  • ฉันควรใช้ไฟล์การกำหนดค่าใด

  • ฉันควรใช้คำสั่งใดในการฝึกเครือข่ายของตัวเอง?

วิธีที่ง่ายที่สุดในการใส่คำอธิบายประกอบและฝึกฝนคือการใช้ DarkMark เพื่อสร้างไฟล์ Darknet ที่จำเป็นทั้งหมด นี่เป็นวิธีที่แนะนำในการฝึกโครงข่ายประสาทเทียมใหม่อย่างแน่นอน

หากคุณต้องการตั้งค่าไฟล์ต่างๆ ด้วยตนเองเพื่อฝึกเครือข่ายที่กำหนดเอง:

  • สร้างโฟลเดอร์ใหม่ที่จะเก็บไฟล์ต่างๆ สำหรับตัวอย่างนี้ โครงข่ายประสาทเทียมจะถูกสร้างขึ้นเพื่อตรวจจับสัตว์ ดังนั้นไดเร็กทอรีต่อไปนี้จะถูกสร้างขึ้น: ~/nn/animals/

  • คัดลอกไฟล์การกำหนดค่า Darknet ไฟล์ใดไฟล์หนึ่งที่คุณต้องการใช้เป็นเทมเพลต ตัวอย่างเช่น ดูที่ cfg/yolov4-tiny.cfg วางสิ่งนี้ไว้ในโฟลเดอร์ที่คุณสร้างขึ้น สำหรับตัวอย่างนี้ ตอนนี้เรามี ~/nn/animals/animals.cfg

  • สร้างไฟล์ข้อความ animals.names ในโฟลเดอร์เดียวกับที่คุณวางไฟล์การกำหนดค่า สำหรับตัวอย่างนี้ ตอนนี้เรามี ~/nn/animals/animals.names

  • แก้ไขไฟล์ animals.names ด้วยโปรแกรมแก้ไขข้อความของคุณ รายชื่อชั้นเรียนที่คุณต้องการใช้ คุณต้องมี 1 รายการต่อบรรทัด โดยไม่มีบรรทัดว่างและไม่มีความคิดเห็น สำหรับตัวอย่างนี้ ไฟล์ .names จะมี 4 บรรทัดพอดี:

 สุนัข
แมว
นก
ม้า

  • สร้างไฟล์ข้อความ animals.data ในโฟลเดอร์เดียวกัน สำหรับตัวอย่างนี้ ไฟล์ .data จะประกอบด้วย:

 ชั้นเรียน = 4
รถไฟ = /home/username/nn/animals/animals_train.txt
valid = /home/username/nn/animals/animals_valid.txt
ชื่อ = /home/username/nn/animals/animals.names
สำรอง = /home/username/nn/animals

  • สร้างโฟลเดอร์ที่คุณจะจัดเก็บรูปภาพและคำอธิบายประกอบ ตัวอย่างเช่น นี่อาจเป็น ~/nn/animals/dataset รูปภาพแต่ละรูปจะต้องมีไฟล์ .txt ที่สอดคล้องซึ่งอธิบายคำอธิบายประกอบสำหรับรูปภาพนั้น รูปแบบของไฟล์คำอธิบายประกอบ .txt มีความเฉพาะเจาะจงมาก คุณไม่สามารถสร้างไฟล์เหล่านี้ด้วยตนเองได้ เนื่องจากคำอธิบายประกอบแต่ละรายการจำเป็นต้องมีพิกัดที่แน่นอนสำหรับคำอธิบายประกอบ ดู DarkMark หรือซอฟต์แวร์อื่นที่คล้ายคลึงกันเพื่อใส่คำอธิบายประกอบภาพของคุณ รูปแบบคำอธิบายประกอบ YOLO มีอธิบายอยู่ใน Darknet/YOLO FAQ

  • สร้างไฟล์ข้อความ "train" และ "valid" ที่มีชื่ออยู่ในไฟล์ . .data ไฟล์ข้อความทั้งสองนี้จำเป็นต้องแสดงรายการรูปภาพทั้งหมดที่ Darknet ต้องใช้ในการฝึกและเพื่อตรวจสอบความถูกต้องเมื่อคำนวณ mAP% หนึ่งภาพต่อบรรทัด เส้นทางและชื่อไฟล์อาจเป็นแบบสัมพัทธ์หรือแบบสัมบูรณ์

  • แก้ไขไฟล์ .cfg ของคุณด้วยโปรแกรมแก้ไขข้อความ

    • ตรวจสอบให้แน่ใจว่า batch=64

    • หมายเหตุเขตการปกครอง ขึ้นอยู่กับขนาดเครือข่ายและจำนวนหน่วยความจำที่มีอยู่ใน GPU ของคุณ คุณอาจต้องเพิ่มการแบ่งย่อย ความคุ้มค่าที่สุดที่จะใช้คือ 1 ดังนั้นให้เริ่มจากสิ่งนั้นเลย ดูคำถามที่พบบ่อยของ Darknet/YOLO หาก 1 ไม่ได้ผลสำหรับคุณ

    • หมายเหตุ max_batches=... ความคุ้มค่าที่ดีที่จะใช้เมื่อเริ่มต้นคือ 2000 x จำนวนคลาส สำหรับตัวอย่างนี้ เรามีสัตว์ 4 ตัว ดังนั้น 4 * 2000 = 8000 หมายความว่าเราจะใช้ max_batches=8000

    • หมายเหตุ steps=... . ควรตั้งค่าเป็น 80% และ 90% ของ max_batches สำหรับตัวอย่างนี้ เราจะใช้ steps=6400,7200 เนื่องจาก max_batches ถูกตั้งค่าเป็น 8000

    • หมายเหตุ width=... และ height=... นี่คือมิติเครือข่าย คำถามที่พบบ่อยเกี่ยวกับ Darknet/YOLO อธิบายวิธีคำนวณขนาดที่ดีที่สุดที่จะใช้

    • ค้นหาอินสแตนซ์ทั้งหมดของบรรทัด classes=... และแก้ไขด้วยจำนวนคลาสในไฟล์ . .names ของคุณ สำหรับตัวอย่างนี้ เราจะใช้ classes=4

    • ค้นหาอินสแตนซ์ทั้งหมดของบรรทัด filters=... ในส่วน [convolutional] ก่อน แต่ละส่วน [yolo] ค่าที่จะใช้คือ (number_of_classes + 5) * 3 ความหมายสำหรับตัวอย่างนี้คือ (4 + 5) * 3 = 27 ดังนั้น เราจะใช้ filters=27 ในบรรทัดที่เหมาะสม

  • เริ่มฝึก! รันคำสั่งต่อไปนี้:

 ซีดี ~/nn/สัตว์/
เครื่องตรวจจับ darknet -map -dont_show รถไฟanimals.dataanimals.cfg

จงอดทน ตุ้มน้ำหนักที่ดีที่สุดจะถูกบันทึกเป็น animals_best.weights และความคืบหน้าของการฝึกอบรมสามารถรับชมได้จากไฟล์ chart.png ดูคำถามที่พบบ่อยของ Darknet/YOLO สำหรับพารามิเตอร์เพิ่มเติมที่คุณอาจต้องการใช้เมื่อฝึกเครือข่ายใหม่

หากคุณต้องการดูรายละเอียดเพิ่มเติมระหว่างการฝึก ให้เพิ่มพารามิเตอร์ --verbose ตัวอย่างเช่น:

 เครื่องตรวจจับ darknet -map -dont_show --verbose รถไฟanimals.dataanimals.cfg

เครื่องมือและลิงค์อื่นๆ

  • ในการจัดการโปรเจ็กต์ Darknet/YOLO ของคุณ ใส่คำอธิบายประกอบรูปภาพ ตรวจสอบคำอธิบายประกอบของคุณ และสร้างไฟล์ที่จำเป็นเพื่อฝึกฝนกับ Darknet โปรดดู DarkMark

  • สำหรับ CLI ทางเลือกที่มีประสิทธิภาพสำหรับ Darknet การใช้การจัดเรียงรูปภาพ สำหรับการติดตามวัตถุในวิดีโอของคุณ หรือสำหรับ C++ API ที่มีประสิทธิภาพซึ่งสามารถนำไปใช้ในแอปพลิเคชันเชิงพาณิชย์ได้อย่างง่ายดาย โปรดดู DarkHelp

  • ดูว่าคำถามที่พบบ่อยของ Darknet/YOLO สามารถช่วยตอบคำถามของคุณได้หรือไม่

  • ดูบทแนะนำและวิดีโอตัวอย่างมากมายในช่อง YouTube ของ Stéphane

  • หากคุณมีคำถามหรือต้องการแชทกับผู้ใช้ Darknet/YOLO คนอื่นๆ โปรดเข้าร่วมเซิร์ฟเวอร์ Discord ของ Darknet/YOLO

แผนการทำงาน

อัปเดตล่าสุด 2024-11-02:

สมบูรณ์

  • สลับ qsort() สำหรับ std::sort() ที่ใช้ระหว่างการฝึกอบรม (ยังมีอันอื่นที่คลุมเครืออยู่)

  • กำจัด check_mistakes, getchar() และ system()

  • แปลง Darknet เพื่อใช้คอมไพเลอร์ C++ (g++ บน Linux, VisualStudio บน Windows)

  • แก้ไขการสร้าง Windows

  • แก้ไขการสนับสนุน Python

  • สร้างไลบรารี Darknet

  • เปิดใช้งานป้ายกำกับในการคาดเดาอีกครั้ง (รหัส "ตัวอักษร")

  • เปิดใช้งานรหัส CUDA/GPU อีกครั้ง

  • เปิดใช้งาน CUDNN อีกครั้ง

  • เปิดใช้งาน CUDNN อีกครั้งครึ่งหนึ่ง

  • อย่าฮาร์ดโค้ดสถาปัตยกรรม CUDA

  • ข้อมูลเวอร์ชัน CUDA ที่ดีขึ้น

  • เปิดใช้งาน AVX อีกครั้ง

  • ลบโซลูชันเก่าและ Makefile

  • ทำให้ OpenCV ไม่จำเป็น

  • ลบการพึ่งพาไลบรารี pthread เก่า

  • ลบโรคติดต่อทางเพศสัมพันธ์

  • เขียน CMakeLists.txt ใหม่เพื่อใช้การตรวจจับ CUDA ใหม่

  • ลบรหัส "ตัวอักษร" เก่า และลบรูปภาพมากกว่า 700 รูปในข้อมูล/ป้ายกำกับ

  • สร้างนอกแหล่งที่มา

  • มีเอาต์พุตหมายเลขเวอร์ชันที่ดีกว่า

  • การเพิ่มประสิทธิภาพที่เกี่ยวข้องกับการฝึกอบรม (งานที่กำลังดำเนินอยู่)

  • การเพิ่มประสิทธิภาพการทำงานที่เกี่ยวข้องกับการอนุมาน (งานที่กำลังดำเนินอยู่)

  • ผ่านการอ้างอิงหากเป็นไปได้

  • ทำความสะอาดไฟล์ .hpp

  • เขียน darknet.h ใหม่อีกครั้ง

  • อย่าส่ง cv::Mat ให้เป็น void* แต่ใช้เป็นวัตถุ C ++ ที่เหมาะสม

  • แก้ไขหรือสอดคล้องกันในการใช้โครงสร้าง image ภายใน

  • แก้ไข build สำหรับอุปกรณ์ Jetson ที่ใช้ ARM

    • อุปกรณ์ Jetson ดั้งเดิม (ไม่น่าจะแก้ไขได้เนื่องจาก NVIDIA ไม่รองรับอีกต่อไปและไม่มีคอมไพเลอร์ C ++ 17)

    • อุปกรณ์ Jetson Orin ใหม่กำลังทำงานอยู่

  • แก้ไข Python API ใน V3

    • จำเป็นต้องมีการสนับสนุนที่ดีกว่าสำหรับ Python (นักพัฒนา Python คนใดต้องการความช่วยเหลือในเรื่องนี้)

เป้าหมายระยะสั้น

  • สลับ printf() สำหรับ std::cout (อยู่ระหว่างดำเนินการ)

  • ดูการสนับสนุนกล้อง zed เก่า

  • การแยกวิเคราะห์บรรทัดคำสั่งที่ดีขึ้นและสอดคล้องกันมากขึ้น (อยู่ระหว่างดำเนินการ)

เป้าหมายระยะกลาง

  • ลบโค้ด char* ทั้งหมดแล้วแทนที่ด้วย std::string

  • อย่าซ่อนคำเตือนและล้างคำเตือนของคอมไพเลอร์ (อยู่ระหว่างดำเนินการ)

  • ใช้ cv::Mat ดีกว่าแทนโครงสร้าง image ที่กำหนดเองใน C (อยู่ระหว่างดำเนินการ)

  • แทนที่ฟังก์ชัน list เก่าด้วย std::vector หรือ std::list

  • แก้ไขการรองรับภาพโทนสีเทา 1 แชนเนล

  • เพิ่มการรองรับภาพ N-channel โดยที่ N > 3 (เช่น รูปภาพที่มีความลึกเพิ่มเติมหรือช่องระบายความร้อน)

  • การล้างโค้ดที่กำลังดำเนินอยู่ (กำลังดำเนินการ)

เป้าหมายระยะยาว

  • แก้ไขปัญหา CUDA/CUDNN กับ GPU ทั้งหมด

  • เขียนโค้ด CUDA+cuDNN อีกครั้ง

  • ลองพิจารณาเพิ่มการรองรับ GPU ที่ไม่ใช่ NVIDIA

  • กล่องขอบเขตที่หมุนได้ หรือการรองรับ "มุม" บางประเภท

  • จุดสำคัญ/โครงกระดูก

  • แผนที่ความร้อน (กำลังดำเนินการ)

  • การแบ่งส่วน

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด