เอ็มเบเล็ค

กรอบการตรวจจับวัตถุ Darknet และ YOLO

Darknet เป็นเฟรมเวิร์กโครงข่ายประสาทเทียมโอเพ่นซอร์สที่เขียนด้วยภาษา C และ C++ เป็นหลัก โดยมีโค้ด CUDA บางส่วนสำหรับการเร่งความเร็ว GPU เป็นที่รู้จักในด้านความเร็วและประสิทธิภาพ ทำให้เป็นตัวเลือกยอดนิยมสำหรับแอปพลิเคชันตรวจจับวัตถุแบบเรียลไทม์

YOLO (คุณดูเพียงครั้งเดียว) เป็นระบบตรวจจับวัตถุแบบเรียลไทม์ที่ทรงพลังซึ่งออกแบบมาเพื่อทำงานภายในกรอบงาน Darknet มีความรวดเร็วและแม่นยำเป็นเลิศ โดยมีประสิทธิภาพเหนือกว่าระบบตรวจจับวัตถุอื่นๆ อย่างสม่ำเสมอในการวัดประสิทธิภาพ

ดำดิ่งลึกเข้าไปในโลก Darknet/YOLO:

การมีส่วนร่วมของ Hank.ai: ค้นพบว่า Hank.ai สนับสนุนชุมชน Darknet/YOLO อย่างแข็งขันได้อย่างไร

เว็บไซต์อย่างเป็นทางการ: สำรวจเว็บไซต์ Darknet/YOLO อย่างเป็นทางการเพื่อดูข้อมูลที่ครอบคลุม

คำถามที่พบบ่อย: ค้นหาคำตอบสำหรับคำถามทั่วไปเกี่ยวกับ Darknet/YOLO

เซิร์ฟเวอร์ Discord: เข้าร่วมชุมชน Darknet/YOLO Discord ที่มีชีวิตชีวาเพื่อพูดคุยและช่วยเหลือ

เอกสาร

วิวัฒนาการของ YOLO ได้รับการบันทึกไว้ในงานวิจัยหลายฉบับ:

1. YOLOv7: ผลักดันขอบเขตของการเรียนรู้เชิงลึกสำหรับการตรวจจับวัตถุ

2. Scaled-YOLOv4: ขยาย YOLOv4 สำหรับการใช้งานในอุตสาหกรรม

3. YOLOv4: ความเร็วและความแม่นยำที่เหมาะสมที่สุดของการตรวจจับวัตถุ

4. YOLOv3: การปรับปรุงแบบค่อยเป็นค่อยไป

ข้อมูลทั่วไป

เฟรมเวิร์ก Darknet/YOLO ยังคงเป็นแนวหน้าในการตรวจจับวัตถุ โดยมีทั้งความเร็วและความแม่นยำ เฟรมเวิร์กนี้เป็นโอเพ่นซอร์สฟรีทั้งหมด ช่วยให้นักพัฒนาสามารถรวมเฟรมเวิร์กนี้เข้ากับโปรเจ็กต์ของตนได้อย่างราบรื่น โดยไม่มีข้อจำกัดด้านลิขสิทธิ์หรือค่าธรรมเนียม

Darknet V3 ซึ่งมีชื่อรหัสว่า "Jazz" เปิดตัวในเดือนตุลาคม 2024 มีประสิทธิภาพที่โดดเด่นด้วย NVIDIA RTX 3090 GPU สามารถประมวลผลวิดีโอชุดข้อมูล LEGO ได้สูงสุด 1,000 FPS ซึ่งหมายความว่าแต่ละเฟรมจะได้รับการวิเคราะห์ในเวลาเพียง 1 มิลลิวินาทีหรือน้อยกว่า

เชื่อมต่ออยู่เสมอ:

Discord: เข้าร่วมเซิร์ฟเวอร์ Darknet/YOLO Discord เพื่อรับการสนับสนุนและการสนทนา: https://discord.gg/zSq8rtW

Darknet/YOLO สามารถปรับเปลี่ยนได้และทำงานบนแพลตฟอร์มที่หลากหลาย ตั้งแต่ Raspberry Pi และเซิร์ฟเวอร์คลาวด์ ไปจนถึงเดสก์ท็อปและระบบการฝึกอบรมระดับไฮเอนด์ แม้ว่าเวอร์ชัน CPU จะทำงานบนอุปกรณ์หลากหลายประเภท แต่เวอร์ชัน GPU ต้องใช้ GPU ที่รองรับ CUDA จาก NVIDIA

เวอร์ชันดาร์กเน็ต

เฟรมเวิร์ก Darknet ได้รับการพัฒนาอย่างมากนับตั้งแต่เริ่มก่อตั้ง โดยมีเวอร์ชันสำคัญหลายเวอร์ชัน:

1. เวอร์ชัน 0.x: เวอร์ชันดั้งเดิมนี้พัฒนาโดย Joseph Redmon ระหว่างปี 2013-2017 ไม่มีหมายเลขเวอร์ชันเฉพาะ

2. เวอร์ชัน 1.x: ดูแลโดย Alexey Bochkovskiy ตั้งแต่ปี 2017-2021 เวอร์ชันนี้ยังไม่มีหมายเลขเวอร์ชันด้วย

3. เวอร์ชัน 2.x "OAK": สนับสนุนโดย Hank.ai และดูแลโดย Stéphane Charette เริ่มตั้งแต่ปี 2023 โดยถือเป็นเวอร์ชันแรกที่มีคำสั่งเวอร์ชัน เวอร์ชันนี้ใช้งานได้จนถึงปลายปี 2024

4. เวอร์ชัน 3.x "JAZZ": เวอร์ชันล่าสุดที่เปิดตัวในเดือนตุลาคม 2024 มีการปรับปรุงที่สำคัญและ API ใหม่

การสร้าง Darknet

การสร้าง Darknet ต้องใช้คอมไพเลอร์ C++17 หรือใหม่กว่า OpenCV และระบบบิลด์ CMake แม้ว่ากระบวนการอาจดูซับซ้อน แต่คุณไม่จำเป็นต้องเป็นผู้เชี่ยวชาญ C++ เพื่อสร้าง ติดตั้ง และเรียกใช้ Darknet/YOLO

ตัวเลือกอาคาร:

1. Google Colab: คำแนะนำของ Google Colab เหมือนกับคำแนะนำของ Linux

2. วิธี Linux CMake: วิธีนี้จะให้คำแนะนำโดยละเอียดสำหรับผู้ใช้ Linux

3. วิธี Windows CMake: ทำตามคำแนะนำเหล่านี้เพื่อสร้าง Darknet บน Windows

หมายเหตุ: หากคุณใช้บทช่วยสอนแบบเก่า ขั้นตอนการสร้างอาจแตกต่างจากแนวทางแบบรวมศูนย์แบบใหม่ที่อธิบายไว้ด้านล่าง

นักพัฒนาซอฟต์แวร์: ไปที่ https://darknetcv.ai/ เพื่อดูข้อมูลเชิงลึกเกี่ยวกับการทำงานภายในของเฟรมเวิร์กการตรวจจับวัตถุ Darknet/YOLO

Google Colab

คำแนะนำของ Google Colab สะท้อนวิธี Linux CMake อย่างใกล้ชิด มีสมุดบันทึก Jupyter หลายรายการภายในไดเรกทอรีย่อย colab ที่แสดงงานเฉพาะ เช่น การฝึกเครือข่ายใหม่

วิธีการลินุกซ์ CMake

ทำตามคำแนะนำเหล่านี้เพื่อสร้าง Darknet บน Linux:

1. ข้อกำหนดเบื้องต้น: ติดตั้งเครื่องมือที่จำเป็น:

`ทุบตี

sudo apt-get ติดตั้ง build-essential git libopencv-dev cmake

-

2. Clone Darknet: ดาวน์โหลดที่เก็บ Darknet:

`ทุบตี

mkdir ~/srccd ~/src

โคลนคอมไพล์ https://github.com/hank-ai/darknet

ซีดีดาร์กเน็ต

-

3. สร้าง Build Directory: สร้างไดเร็กทอรีสำหรับกระบวนการ build:

`ทุบตี

สร้าง mkdir

สร้างซีดี

-

4. กำหนดค่าด้วย CMake: สร้างไฟล์บิลด์:

`ทุบตี

cmake -DCMAKEBUILDTYPE=ปล่อย ..

-

5. สร้าง Darknet: สร้างโปรแกรมปฏิบัติการ Darknet:

`ทุบตี

ทำ -j4

-

6. แพ็คเกจสำหรับการติดตั้ง: สร้างแพ็คเกจ DEB เพื่อให้ติดตั้งง่าย (ตัวเลือก):

`ทุบตี

ทำแพ็คเกจ

sudo dpkg -i darknet-VERSION.deb

-

7. CUDA/cuDNN (ทางเลือก): สำหรับการเร่งความเร็ว GPU ให้ติดตั้ง CUDA หรือ CUDA+cuDNN:

* CUDA: https://developer.nvidia.com/cuda-downloads

* cuDNN: https://developer.nvidia.com/rdp/cudnn-download

8. ตรวจสอบการติดตั้ง: หลังการติดตั้ง ให้ตรวจสอบเวอร์ชัน Darknet:

`ทุบตี

เวอร์ชันดาร์กเน็ต

-

วิธี Windows CMake

คำแนะนำเหล่านี้ใช้สำหรับการสร้าง Darknet บนการติดตั้ง Windows 11 22H2 แบบใหม่ทั้งหมด

1. ติดตั้งข้อกำหนดเบื้องต้น:

`ทุบตี

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

-

2. การสนับสนุน Visual Studio C ++:

* เปิด Visual Studio Installer แล้วเลือก Modify

* เปิดใช้งานการพัฒนาเดสก์ท็อปด้วย C++ แล้วคลิกแก้ไข

3. พรอมต์คำสั่งสำหรับนักพัฒนาสำหรับ VS 2022: เปิดพรอมต์คำสั่งสำหรับนักพัฒนาสำหรับ VS 2022

4. ติดตั้ง Microsoft VCPKG:

`ทุบตี

CDC:

mkdir c:src

ซีดี c:src

โคลนคอมไพล์ https://github.com/microsoft/vcpkg

ซีดี 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

-

5. CUDA/cuDNN (ทางเลือก): สำหรับการเร่งความเร็ว GPU ให้ติดตั้ง CUDA หรือ CUDA+cuDNN:

* CUDA: https://developer.nvidia.com/cuda-downloads

* cuDNN: https://developer.nvidia.com/rdp/cudnn-download

6. โคลนดาร์กเน็ต:

`ทุบตี

ซีดี c:src

โคลนคอมไพล์ https://github.com/hank-ai/darknet.git

ซีดีดาร์กเน็ต

สร้าง mkdir

สร้างซีดี

-

7. กำหนดค่าด้วย CMake:

`ทุบตี

cmake -DCMAKEBUILDTYPE=Release -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..

-

8. สร้าง Darknet ด้วย MSBuild:

`ทุบตี

msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln

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

-

9. ตรวจสอบการติดตั้ง: เรียกใช้ปฏิบัติการ Darknet และตรวจสอบเวอร์ชัน:

`ทุบตี

เวอร์ชัน C:srcdarknetbuildsrc-cliReleasedarknet.exe

-

10. ติดตั้งแพ็คเกจ NSIS: เรียกใช้ไฟล์ darknet-VERSION.exe ในไดเร็กทอรี build เพื่อติดตั้ง Darknet, ไลบรารี, รวมไฟล์ และ DLL

การใช้ดาร์กเน็ต

Darknet เสนออินเทอร์เฟซบรรทัดคำสั่ง (CLI) สำหรับการโต้ตอบกับเฟรมเวิร์ก

หมายเหตุ: นอกเหนือจาก Darknet CLI แล้ว โปรเจ็กต์ DarkHelp ยังมี CLI ทางเลือกพร้อมฟีเจอร์ที่ได้รับการปรับปรุงอีกด้วย คุณสามารถใช้ทั้ง Darknet CLI และ DarkHelp CLI ร่วมกันได้

คำสั่ง Darknet CLI ทั่วไป:

ช่วย: รายการคำสั่งที่ใช้ได้:

`ทุบตี

ความช่วยเหลือจาก Darknet

-

เวอร์ชัน: ตรวจสอบเวอร์ชัน Darknet:

`ทุบตี

เวอร์ชันดาร์กเน็ต

-

การทำนาย (รูปภาพ): ดำเนินการตรวจจับวัตถุบนรูปภาพ:

`ทุบตี

# เวอร์ชัน 2

การทดสอบเครื่องตรวจจับ darknet cars.data cars.cfg cars_best.weights image1.jpg

# เวอร์ชัน 3

darknet02displayภาพที่มีคำอธิบายประกอบcars.cfg image1.jpg

#ดาร์กเฮลท์

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

-

พิกัดเอาท์พุต (รูปภาพ): รับพิกัดวัตถุ:

`ทุบตี

# เวอร์ชัน 2

การทดสอบเครื่องตรวจจับ darknetanimals.dataanimals.cfganimalbest.weights -extoutput dog.jpg

# เวอร์ชัน 3

darknet01inference_images สัตว์ dog.jpg

#ดาร์กเฮลท์

DarkHelp --jsonanimals.cfganimals.namesanimals_best.weights dog.jpg

-

การประมวลผลวิดีโอ:

`ทุบตี

# เวอร์ชัน 2

# รันบนไฟล์วิดีโอ

การสาธิตเครื่องตรวจจับ darknetanimals.dataanimals.cfganimalbest.weights -extoutput test.mp4

# ทำงานบนเว็บแคม

การสาธิตเครื่องตรวจจับ darknetanimals.dataanimals.cfganimals_best.weights -c 0

# เวอร์ชัน 3

# รันบนไฟล์วิดีโอ

darknet03display_videosanimals.cfg test.mp4

# ทำงานบนเว็บแคม

darknet08display_webcam สัตว์

#ดาร์กเฮลท์

# รันบนไฟล์วิดีโอ

DarkHelp Animals.cfganimals.namesanimals_best.weights test.mp4

-

บันทึกผลลัพธ์ลงในวิดีโอ:

`ทุบตี

# เวอร์ชัน 2

การสาธิตเครื่องตรวจจับ darknetanimals.dataanimals.cfganimalbest.weights test.mp4 -outfilename res.avi

# เวอร์ชัน 3

darknet05กระบวนการวิดีโอแบบมัลติเธรดanimals.cfganimals.namesanimals_best.weights test.mp4

#ดาร์กเฮลท์

DarkHelp Animals.cfganimals.namesanimals_best.weights test.mp4

-

เอาต์พุต JSON:

`ทุบตี

# เวอร์ชัน 2

การสาธิตเครื่องตรวจจับ darknet Animals.data Animals.cfg Animalsbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput

# เวอร์ชัน 3

darknet06imagestojson สัตว์ image1.jpg

#ดาร์กเฮลท์

DarkHelp --jsonanimals.namesanimals.cfganimals_best.weights image1.jpg

-

GPU เฉพาะ: ทำงานบน GPU ที่กำหนด:

`ทุบตี

# เวอร์ชัน 2

การสาธิตเครื่องตรวจจับ darknetanimals.dataanimals.cfganimals_best.weights -i 1 test.mp4

-

การตรวจสอบความแม่นยำ: ประเมินความแม่นยำของเครือข่าย:

`ทุบตี

แผนที่เครื่องตรวจจับ darknet การขับรถ.ข้อมูลการขับรถ.cfg Driving_best.weights

-

คำนวณจุดยึด:

`ทุบตี

เครื่องตรวจจับ darknet calcanchors Animals.data -numof_clusters 6 - กว้าง 320 - สูง 256

-

การฝึกอบรมเครือข่ายใหม่

DarkMark: สำหรับวิธีการที่ใช้งานง่ายและคล่องตัวในการใส่คำอธิบายประกอบและการฝึกอบรม ให้ใช้ DarkMark

การตั้งค่าด้วยตนเอง:

1. สร้างไดเรกทอรี: ตั้งค่าโฟลเดอร์สำหรับข้อมูลการฝึกอบรมของคุณ

2. คัดลอกการกำหนดค่า: เลือกไฟล์การกำหนดค่าเป็นเทมเพลต เช่น cfg/yolov4-tiny.cfg และคัดลอกไปยังไดเร็กทอรีของคุณ

3. สร้างไฟล์ .names: สร้างไฟล์ข้อความ (เช่น Animals.names) แสดงรายการชั้นเรียนของคุณ หนึ่งรายการต่อบรรทัด

4. สร้างไฟล์ .data: สร้างไฟล์ข้อความ (เช่น Animals.data) โดยมีโครงสร้างดังต่อไปนี้:

-

ชั้นเรียน = 4

รถไฟ = /path/to/animals_train.txt

ถูกต้อง = /path/to/animals_valid.txt

ชื่อ = /path/to/animals.names

สำรอง = /path/to/backup_directory

-

5. เตรียมชุดข้อมูล: จัดระเบียบรูปภาพและไฟล์คำอธิบายประกอบที่เกี่ยวข้องในไดเร็กทอรี

6. สร้างไฟล์ข้อความ Train/Valid: สร้างไฟล์ข้อความสองไฟล์ (animalstrain.txt,animalsvalid.txt) แสดงรายการเส้นทางไปยังรูปภาพสำหรับการฝึกอบรมและการตรวจสอบ

7. แก้ไขการกำหนดค่า:

* ชุดชุด=64.

* ปรับการแบ่งย่อยตามหน่วยความจำของ GPU ของคุณ

ตั้งค่า max_batches เป็นค่าที่เหมาะสม (เช่น จำนวนคลาส 2,000)

* ตั้งค่าขั้นตอนเป็น 80% และ 90% ของ max_batches

* ปรับความกว้างและความสูงตามขนาดเครือข่ายของคุณ

* อัพเดตคลาสให้ตรงกับจำนวนคลาส

* แก้ไขตัวกรองในส่วน [convolutional] ก่อนส่วน [yolo]

8. เริ่มการฝึกอบรม:

`ทุบตี

cd /path/to/animals.cd

เครื่องตรวจจับ darknet -map -dont_show รถไฟanimals.dataanimals.cfg

-

9. ดูความคืบหน้า: ติดตามความคืบหน้าการฝึกอบรมผ่านไฟล์ Chart.png

เครื่องมือและลิงค์อื่นๆ

DarkMark: เครื่องมือนี้ทำให้คำอธิบายประกอบรูปภาพ การยืนยัน และการสร้างไฟล์ง่ายขึ้นสำหรับการฝึกกับ Darknet

DarkHelp: CLI ทางเลือกที่มีประสิทธิภาพสำหรับ Darknet พร้อมฟีเจอร์ต่างๆ เช่น การเรียงภาพและการติดตามวัตถุ

คำถามที่พบบ่อยเกี่ยวกับ Darknet/YOLO: ค้นหาคำตอบสำหรับคำถามที่พบบ่อย

ช่อง YouTube ของ Stephane: เข้าถึงบทแนะนำและวิดีโอตัวอย่าง

Darknet/YOLO Discord Server: เข้าร่วมชุมชนเพื่อรับการสนับสนุนและการสนทนา

แผนการทำงาน

สมบูรณ์:

แทนที่ qsort() ด้วย std::sort() เพื่อประสิทธิภาพ

ลบรหัสที่เลิกใช้แล้ว (เช่น check_mistakes, getchar(), system())

ย้าย Darknet ไปยังคอมไพเลอร์ C++

แก้ไขปัญหาการสร้าง Windows

การสนับสนุน Python ที่กู้คืนแล้ว

สร้างห้องสมุด Darknet

เปิดใช้งานรหัส CUDA/GPU, CUDNN และ CUDNN อีกครั้ง

ปรับปรุงข้อมูลเวอร์ชัน CUDA

เปิดใช้งานชุดคำสั่ง AVX อีกครั้ง

ลบโซลูชันเก่าและ Makefile ออก

ทำให้ OpenCV เป็นการพึ่งพาบังคับ

ลบการพึ่งพาไลบรารีที่ล้าสมัย (เช่น pthread, STB)

เขียน CMakeLists.txt ใหม่เพื่อปรับปรุงการตรวจจับ CUDA

เปิดใช้งานการสร้างนอกแหล่งที่มา

เอาต์พุตหมายเลขเวอร์ชันที่ได้รับการปรับปรุง

ใช้การเพิ่มประสิทธิภาพประสิทธิภาพสำหรับการฝึกอบรมและการอนุมาน

ทำความสะอาดโค้ดเพื่อให้อ่านง่ายขึ้น

เขียน darknet.h ใหม่เพื่อปรับปรุง API

ปรับปรุงการรองรับอุปกรณ์ Jetson ที่ใช้ ARM

แก้ไข Python API ใน V3

เป้าหมายระยะสั้น:

สลับ printf() กับ std::cout

ตรวจสอบการสนับสนุนกล้อง zed

ปรับปรุงการแยกวิเคราะห์บรรทัดคำสั่ง

เป้าหมายระยะกลาง:

แทนที่รหัสอักขระทั้งหมดด้วย std::string

ที่อยู่คำเตือนคอมไพเลอร์

ปรับปรุงการใช้ cv::Mat แทนโครงสร้างรูปภาพแบบกำหนดเอง

อัปเกรดฟังก์ชันการทำงานของรายการเป็น std::vector หรือ std::list

รองรับภาพระดับสีเทา 1 แชนเนล

เพิ่มการรองรับภาพ N-channel (N > 3)

การล้างโค้ดอย่างต่อเนื่อง

เป้าหมายระยะยาว:

แก้ไขปัญหา CUDA/CUDNN ใน GPU ต่างๆ

เขียนโค้ด CUDA+cuDNN ใหม่เพื่อประสิทธิภาพที่ดีขึ้น

สำรวจการรองรับ GPU ที่ไม่ใช่ NVIDIA

ใช้กล่องขอบเขตแบบหมุนและการรองรับ "มุม"

เพิ่มประเด็นสำคัญ โครงกระดูก และแผนที่ความร้อน

แนะนำความสามารถในการแบ่งส่วน