Picturehouses下载 - Picturehouses源码下载

Picturehouses

其他源码

下载

Darknet Object Detection Framework and YOLO

Downcodes小编整理

Darknet是一个用C、C++和CUDA编写的开源神经网络框架。

YOLO（You Only Look Once）是一个最先进的实时目标检测系统，它在Darknet框架中运行。

阅读Hank.ai如何帮助Darknet/YOLO社区

宣布Darknet V3 "Jazz"

查看Darknet/YOLO网站

请阅读Darknet/YOLO常见问题解答

加入Darknet/YOLO Discord服务器

Papers

1. Paper YOLOv7

2. Paper Scaled-YOLOv4

3. Paper YOLOv4

4. Paper YOLOv3

General Information

Darknet/YOLO框架仍然比其他框架和YOLO版本更快、更准确。

该框架完全免费且开源。你可以将Darknet/YOLO整合到现有的项目和产品中，包括商业产品，无需许可或付费。

2024年10月发布的Darknet V3（“Jazz”）可以使用NVIDIA RTX 3090 GPU以高达1000 FPS的精度运行LEGO数据集视频，这意味着每个视频帧在1毫秒或更短的时间内由Darknet/YOLO读取、调整大小和处理。

如果你需要帮助或想讨论Darknet/YOLO，请加入Darknet/YOLO Discord服务器：https://discord.gg/zSq8rtW

Darknet/YOLO的CPU版本可以在简单的设备上运行，例如树莓派、云和colab服务器、台式机、笔记本电脑以及高端训练设备。Darknet/YOLO的GPU版本需要NVIDIA的CUDA支持GPU。

Darknet/YOLO已知可以在Linux、Windows和Mac上运行。请查看下面的构建说明。

Darknet Version

由Joseph Redmon在2013-2017年编写的原始Darknet工具没有版本号。我们认为这是0.x版本。

Alexey Bochkovskiy在2017-2021年维护的下一个流行Darknet repo也没有版本号。我们认为这是1.x版本。

Hank.ai赞助并由Stéphane Charette从2023年开始维护的Darknet repo是第一个具有版本命令的repo。从2023年到2024年底，它返回版本2.x“OAK”。

目标是在尽可能少地破坏现有功能的同时，熟悉代码库。

重写构建步骤，以便我们有一种统一的方式来使用CMake在Windows和Linux上构建。

将代码库转换为使用C++编译器。

在训练时增强chart.png。

错误修复和与性能相关的优化，主要与减少训练网络所需的时间有关。

这个代码库的最后一个分支是v2分支中的版本2.1。

下一阶段的开发于2024年中期开始，并在2024年10月发布。版本命令现在返回3.x“JAZZ”。

如果你需要运行这些命令中的任何一个，你始终可以检出之前的v2分支。请告知我们，以便我们能够调查添加回任何缺少的命令。

删除了许多旧的和未维护的命令。

许多性能优化，无论是在训练时还是在推理期间。

旧的C API已被修改；使用原始Darknet API的应用程序将需要进行一些小的修改：https://darknetcv.ai/api/api.html

新的Darknet V3 C和C++ API：https://darknetcv.ai/api/api.html

src-examples中的新应用程序和示例代码：https://darknetcv.ai/api/files.html

MSCOCO Pre-trained Weights

为了方便起见，几个流行的YOLO版本在MSCOCO数据集上进行了预训练。这个数据集有80个类别，可以在文本文件cfg/coco.names中看到。

还有其他几个更简单的数据集和预训练权重可用于测试Darknet/YOLO，例如LEGO Gears和Rolodex。有关详细信息，请参阅Darknet/YOLO常见问题解答。

MSCOCO预训练权重可以从多个不同位置下载，也可以从这个repo下载：

1. YOLOv2，2016年11月

* YOLOv2-tiny

* YOLOv2-full

2. YOLOv3，2018年5月

* YOLOv3-tiny

* YOLOv3-full

3. YOLOv4，2020年5月

* YOLOv4-tiny

* YOLOv4-full

4. YOLOv7，2022年8月

* YOLOv7-tiny

* YOLOv7-full

MSCOCO预训练权重仅用于演示目的。MSCOCO的相应.cfg和.names文件位于cfg目录中。示例命令：

`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

`

请注意，人们应该训练自己的网络。MSCOCO通常用于确认一切正常。

Building

过去（2023年以前）可用的各种构建方法已合并到一个统一的解决方案中。Darknet需要C++17或更高版本、OpenCV，并使用CMake生成必要的项目文件。

你不需要了解C++来构建、安装或运行Darknet/YOLO，就像你不需要成为机械师才能开车一样。

Google Colab

Google Colab说明与Linux说明相同。有几个Jupyter笔记本展示了如何执行某些任务，例如训练新的网络。

查看colab子目录中的笔记本，或按照下面的Linux说明操作。

Linux CMake Method

Darknet在Linux上的构建教程

可选：如果你有现代NVIDIA GPU，你现在可以安装CUDA或CUDA+cuDNN。如果已安装，Darknet将使用你的GPU来加速图像（和视频）处理。

你必须从Darknet构建目录中删除CMakeCache.txt文件，以强制CMake重新查找所有必要的文件。

记得重新构建Darknet。

Darknet可以在没有它的情况下运行，但如果你想训练自定义网络，则需要CUDA或CUDA+cuDNN。

访问https://developer.nvidia.com/cuda-downloads下载并安装CUDA。

访问https://developer.nvidia.com/rdp/cudnn-download或https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview下载并安装cuDNN。

安装CUDA后，确保你可以运行nvcc和nvidia-smi。你可能需要修改PATH变量。

如果你在稍后时间安装CUDA或CUDA+cuDNN，或者升级到较新版本的NVIDIA软件：

这些说明假定（但不强制要求！）运行Ubuntu 22.04的系统。如果你使用的是其他发行版，请根据需要进行调整。

`bash

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

mkdir ~/srccd ~/src

git clone https://github.com/hank-ai/darknetcd darknet

mkdir buildcd build

cmake -DCMAKEBUILDTYPE=Release ..

make -j4 package

sudo dpkg -i darknet-VERSION.deb

`

如果你使用的是旧版本的CMake，则需要在运行上面的cmake命令之前升级CMake。在Ubuntu上升级CMake可以使用以下命令：

`bash

sudo apt-get purge cmake

sudo snap install cmake --classic

`

如果你使用bash作为你的命令外壳，你可能需要重新启动你的外壳。如果你使用fish，它应该立即拾取新路径。

高级用户：

如果你想构建RPM安装文件而不是DEB文件，请参阅CM_package.cmake中的相关行。在运行make -j4 package之前，你需要编辑这两行：

`cmake

SET (CPACKGENERATOR "DEB")# SET (CPACKGENERATOR "RPM")

`

对于Centos和OpenSUSE等发行版，你需要将CM_package.cmake中的这两行切换为：

`cmake

SET (CPACK_GENERATOR "DEB")

SET (CPACK_GENERATOR "RPM")

`

要安装安装包，一旦它构建完成，使用你发行版的通常包管理器。例如，在基于Debian的系统上，例如Ubuntu：

`bash

sudo dpkg -i darknet-2.0.1-Linux.deb

`

安装.deb包将复制以下文件：

/usr/bin/darknet 是通常的Darknet可执行文件。从CLI运行darknet version以确认它是否已正确安装。

/usr/include/darknet.h 是Darknet API，供C、C++和Python开发人员使用。

/usr/include/darknet_version.h 包含供开发人员使用的版本信息。

/usr/lib/libdarknet.so 是供C、C++和Python开发人员链接的库。

/opt/darknet/cfg/... 是所有.cfg模板存储的位置。

你现在完成了！Darknet已构建并安装到/usr/bin/中。运行以下命令进行测试：darknet version。

如果你没有/usr/bin/darknet，这意味着你没有安装它，你只是构建了它！确保你安装了.deb或.rpm文件，如上所述。

Windows CMake Method

这些说明假设Windows 11 22H2全新安装。

打开一个普通的cmd.exe命令提示符窗口并运行以下命令：

`bash

winget install Git.Git

winget install Kitware.CMake

winget install nsis.nsis

winget install Microsoft.VisualStudio.2022.Community

`

此时，我们需要修改Visual Studio安装以包含对C++应用程序的支持：

1. 点击“Windows开始”菜单，并运行“Visual Studio Installer”。

2. 点击“修改”。

3. 选择“使用C++进行桌面开发”。

4. 点击右下角的“修改”，然后点击“是”。

一旦所有内容都下载并安装完毕，再次点击“Windows开始”菜单，并选择“VS 2022的开发者命令提示符”。不要为这些步骤使用PowerShell，你将遇到问题！

高级用户：

除了运行开发者命令提示符，你也可以使用普通的命令提示符或ssh进入设备，手动运行“Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat”。

一旦你如上所述运行了开发者命令提示符（不是PowerShell！），运行以下命令来安装Microsoft VCPKG，它将用于构建OpenCV：

`bash

cd c:mkdir c:srccd c:src

git clone https://github.com/microsoft/vcpkgcd vcpkg

bootstrap-vcpkg.bat

.vcpkg.exe integrate install

.vcpkg.exe integrate powershell

.vcpkg.exe install opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows

`

在最后一步中耐心等待，因为这可能需要很长时间才能运行。它需要下载并构建许多东西。

高级用户：

请注意，在构建OpenCV时，你可能想添加许多其他可选模块。运行.vcpkg.exe search opencv以查看完整列表。

可选：如果你有现代NVIDIA GPU，你现在可以安装CUDA或CUDA+cuDNN。如果已安装，Darknet将使用你的GPU来加速图像（和视频）处理。

你必须从Darknet构建目录中删除CMakeCache.txt文件，以强制CMake重新查找所有必要的文件。

记得重新构建Darknet。

Darknet可以在没有它的情况下运行，但如果你想训练自定义网络，则需要CUDA或CUDA+cuDNN。

访问https://developer.nvidia.com/cuda-downloads下载并安装CUDA。

访问https://developer.nvidia.com/rdp/cudnn-download或https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows下载并安装cuDNN。

安装CUDA后，确保你可以运行nvcc.exe和nvidia-smi.exe。你可能需要修改PATH变量。

下载cuDNN后，解压缩并将bin、include和lib目录复制到C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/。你可能需要覆盖一些文件。

如果你在稍后时间安装CUDA或CUDA+cuDNN，或者升级到较新版本的NVIDIA软件：

CUDA必须在Visual Studio之后安装。如果你升级了Visual Studio，请记住重新安装CUDA。

一旦所有之前的步骤都成功完成，你需要克隆Darknet并构建它。在此步骤中，我们还需要告诉CMake vcpkg的位置，以便它可以找到OpenCV和其他依赖项：

`bash

cd c:src

git clone https://github.com/hank-ai/darknet.gitcd darknet

mkdir buildcd build

cmake -DCMAKEBUILDTYPE=Release -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=Release PACKAGE.vcxproj

`

如果你收到有关某些缺少CUDA或cuDNN DLL（例如cublas64_12.dll）的错误，则手动将CUDA .dll文件复制到与Darknet.exe相同的输出目录中。例如：

`bash

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

`

（这是一个示例！检查以确保你运行的是哪个版本，并运行适合你已安装内容的命令。）

复制完文件后，重新运行最后一个msbuild.exe命令以生成NSIS安装包：

`bash

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

`

高级用户：

请注意，cmake命令的输出是普通的Visual Studio解决方案文件，Darknet.sln。如果你是一名软件开发人员，经常使用Visual Studio GUI而不是msbuild.exe来构建项目，你可以忽略命令行并在Visual Studio中加载Darknet项目。

你现在应该拥有这个可以运行的文件：C:srcDarknetbuildsrc-cliReleasedarknet.exe。运行以下命令进行测试：C:srcDarknetbuildsrc-cliReleasedarknet.exe version。

要正确安装Darknet、库、包含文件和必要的DLL，运行在最后一步构建的NSIS安装向导。查看build目录中的文件darknet-VERSION.exe。例如：

`bash

darknet-2.0.31-win64.exe

`

安装NSIS安装包将：

创建一个名为Darknet的目录，例如C:Program FilesDarknet。

安装CLI应用程序、darknet.exe和其他示例应用程序。

安装所需的第三方.dll文件，例如来自OpenCV的那些文件。

安装必要的Darknet .dll、.lib和.h文件，以便从另一个应用程序使用darknet.dll。

安装模板.cfg文件。

你现在完成了！一旦安装向导完成，Darknet将安装到C:Program FilesDarknet中。运行以下命令进行测试：C:Program FilesDarknetbindarknet.exe version。

如果你没有C:/Program Files/darknet/bin/darknet.exe，这意味着你没有安装它，你只是构建了它！确保你完成了上一步中NSIS安装向导的每个面板。

Using Darknet

CLI

以下不是Darknet支持的所有命令的完整列表。

除了Darknet CLI之外，还要注意DarkHelp项目CLI，它提供了Darknet/YOLO的替代CLI。DarkHelp CLI还具有几个Darknet中没有的 advanced功能。你可以同时使用Darknet CLI和DarkHelp CLI，它们并不相互排斥。

对于下面显示的大多数命令，你需要.weights文件以及相应的.names和.cfg文件。你可以训练自己的网络（强烈推荐！）或下载其他人已经训练并免费在互联网上提供的 neural network。预训练数据集的示例包括：

LEGO Gears（在图像中查找物体）

Rolodex（在图像中查找文本）

MSCOCO（标准80类目标检测）

可运行的命令包括：

列出一些可能运行的命令和选项：

`bash

darknet help

`

检查版本：

`bash

darknet version

`

使用图像进行预测：

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

V3: darknet02displayannotatedimages cars.cfg image1.jpg

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

输出坐标：

V2: darknet detector test animals.data animals.cfg animalsbest.weights -extoutput dog.jpg

V3: darknet01inference_images animals dog.jpg

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

使用视频：

V2: darknet detector demo animals.data animals.cfg animalsbest.weights -extoutput test.mp4

V3: darknet03display_videos animals.cfg test.mp4

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

从网络摄像头读取：

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

V3: darknet08display_webcam animals

将结果保存到视频中：

V2: darknet detector demo animals.data animals.cfg animalsbest.weights test.mp4 -outfilename res.avi

V3: darknet05processvideosmultithreaded animals.cfg animals.names animals_best.weights test.mp4

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

JSON：

V2: darknet detector demo animals.data animals.cfg animalsbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput

V3: darknet06imagestojson animals image1.jpg

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

在特定GPU上运行：

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

检查神经网络的准确性：

`bash

darknet detector map driving.data driving.cfg driving_best.weights ...

Id Name AvgPrecision TP FN FP TN Accuracy ErrorRate Precision Recall Specificity FalsePosRate

-- ---- ------------ ------ ------ ------ ------ -------- --------- --------- ------ ----------- ------------

0 vehicle 91.2495 32648 3903 5826 65129 0.9095 0.0905 0.8486 0.8932 0.9179 0.0821

1 motorcycle 80.4499 2936 513 569 5393 0.8850 0.1150 0.8377 0.8513 0.9046 0.0954

2 bicycle 89.0912 570 124 104 3548 0.9475 0.0525 0.8457 0.8213 0.9715 0.0285

3 person 76.7937 7072 1727 2574 27523 0.8894 0.1106 0.7332 0.8037 0.9145 0.0855

4 many vehicles 64.3089 1068 509 733 11288 0.9087 0.0913 0.5930 0.6772 0.9390 0.0610

5 green light 86.8118 1969 239 510 4116 0.8904 0.1096 0.7943 0.8918 0.8898 0.1102

6 yellow light 82.0390 126 38 30 1239 0.9525 0.0475 0.8077 0.7683 0.9764 0.0236

7 red light 94.1033 3449 217 451 4643 0.9237 0.0763 0.8844 0.9408 0.9115 0.0885

`

检查准确率mAP@IoU=75：

`bash

darknet detector map animals.data animals.cfg animalsbest.weights -iouthresh 0.75

`

重新计算锚点最好在DarkMark中完成，因为它会连续运行100次，并从所有计算出的锚点中选择最佳锚点。但如果你想在Darknet中运行旧版本：

`bash

darknet detector calcanchors animals.data -numof_clusters 6 -width 320 -height 256

`

训练新网络：

`bash

darknet detector -map -dont_show train animals.data animals.cfg

`

（另请参阅下面的训练部分）

Training

有关Darknet/YOLO常见问题解答相关部分的快速链接：

如何设置我的文件和目录？

我应该使用哪个配置文件？

训练自己的网络时应该使用哪个命令？

使用DarkMark创建所有必要的Darknet文件，这是注释和训练的最简单方法。这绝对是训练新神经网络的推荐方法。

如果你想手动设置各种文件来训练自定义网络：

1. 创建一个新文件夹来存储文件。在这个示例中，将创建一个神经网络来检测动物，因此创建以下目录：~/nn/animals/。

2. 复制你想要用作模板的Darknet配置文件之一。例如，请参阅cfg/yolov4-tiny.cfg。将它放在你创建的文件夹中。在这个示例中，我们现在有~/nn/animals/animals.cfg。

3. 在放置配置文件的同一文件夹中创建一个animals.names文本文件。在这个示例中，我们现在有~/nn/animals/animals.names。

4. 使用文本编辑器编辑animals.names文件。列出你想要使用的类别。每行必须只有一个条目，没有空行和注释。在这个示例中，.names文件将包含恰好4行：

`

dog

cat

bird

horse

`

5. 在同一个文件夹中创建一个animals.data文本文件。在这个示例中，.data文件将包含：

`

classes = 4

train = /home/username/nn/animals/animals_train.txt

valid = /home/username/nn/animals/animals_valid.txt

names = /home/username/nn/animals/animals.names

backup = /home/username/nn/animals

`

6. 创建一个文件夹来存储你的图像和注释。例如，这可以是~/nn/animals/dataset。每个图像都需要一个对应的.txt文件来描述该图像的注释。.txt注释文件的格式非常具体。你不能手动创建这些文件，因为每个注释都需要包含注释的精确坐标。请参阅DarkMark或其他类似软件来注释你的图像。YOLO注释格式在Darknet/YOLO常见问题解答中进行了描述。

7. 创建.data文件中命名的“train”和“valid”文本文件。这两个文本文件需要分别列出所有Darknet必须用于训练和验证（在计算mAP%时）的图像。每行恰好一张图像。路径和文件名可以是相对的或绝对的。

8. 使用文本编辑器修改你的.cfg文件。

9. 确保batch=64。

10. 注意subdivisions。根据网络尺寸和你GPU上的可用内存，你可能需要增加subdivisions。要使用的最佳值为1，因此从该值开始。如果1对你不起作用，请参阅Darknet/YOLO常见问题解答。

11. 注意maxbatches=...。启动时要使用的一个好值是类别的数量乘以2000。在这个示例中，我们有4种动物，因此4 * 2000 = 8000。这意味着我们将使用maxbatches=8000。

12. 注意steps=...。这应该设置为maxbatches的80%和90%。在这个示例中，由于maxbatches设置为8000，因此我们将使用steps=6400,7200。

13. 注意width=...和height=...。这些是网络尺寸。Darknet/YOLO常见问题解答解释了如何计算要使用的最佳尺寸。

14. 搜索所有classes=...行的实例，并使用.names文件中的类别数量修改它。在这个示例中，我们将使用classes=4。

15. 搜索每个[yolo]部分之前[convolutional]部分中所有filters=...行的实例。要使用的值为(类别数量 + 5) 3。这意味着在这个示例中，(4 + 5) 3 = 27。因此，我们将在适当的行上使用filters=27。

开始训练！运行以下命令：

`bash

cd ~/nn/animals/