sst

暗网目标检测框架和 YOLO

!darknet 和 hank.ai 徽标

Darknet 是一个用 C、C++ 和 CUDA 编写的开源神经网络框架。它为开发和部署对象检测模型提供了强大的基础。

YOLO（You Only Look Once）是一个基于 Darknet 框架构建的最先进的实时目标检测系统。它在速度和准确性方面表现出色，使其成为各种应用的流行选择。

想要了解更多有关 Hank.ai 如何为 Darknet/YOLO 社区做出贡献的信息？

探索 Darknet/YOLO 官方网站：

深入了解全面的 Darknet/YOLO 常见问题解答：

加入充满活力的 Darknet/YOLO Discord 社区：

文件

YOLOv7：论文链接

Scaled-YOLOv4：论文链接

YOLOv4：论文链接

YOLOv3：论文链接

一般信息

Darknet/YOLO 框架仍然是目标检测领域的领导者，始终提供优于其他框架和 YOLO 版本的速度和准确性优势。

主要特点：

1. 开源和免费：该框架完全免费和开源，允许您将其无缝地合并到您的项目中，而没有任何许可限制。

2. 高性能：2024 年 10 月发布的 Darknet V3（“Jazz”）实现了令人印象深刻的性能，使用 NVIDIA RTX 3090 GPU 的 LEGO 数据集达到了 1000 FPS。

3. 多功能部署：Darknet/YOLO兼容各种设备，从Raspberry Pi和云服务器到桌面和高端训练设备。

4. 跨平台支持：众所周知，它可以在 Linux、Windows 和 Mac 操作系统上完美运行。

需要帮助或想讨论 Darknet/YOLO？加入 Discord 上充满活力的社区：

暗网版本

暗网的演变可以通过它的版本来追溯：

1.版本0.x（2013-2017）：由Joseph Redmon开发的原始Darknet工具缺乏正式的版本号。

2.版本1.x（2017-2021）：该版本由Alexey Bochkovskiy维护，也缺少版本号。

3. 版本 2.x“OAK”（2023）：由 Hank.ai 赞助并由 Stéphane Charette 维护的 Darknet 存储库引入了版本命令。该版本带来了重大改进，包括：

* 使用适用于 Windows 和 Linux 的 CMake 统一构建步骤。

* 转换为 C++ 编译器。

* 增强训练期间的图表.png 可视化。

* 错误修复和性能优化以提高训练效率。

4. 版本 2.1：v2 代码库的最后一个分支。

5. 版本 3.x“JAZZ”（2024 年 10 月）：此最新版本介绍了：

* 训练和推理的性能优化。

* 修改后的旧版 C API 需要对使用原始 Darknet API 的应用程序进行细微调整。

* 新的 Darknet V3 C 和 C++ API。

* src-examples 目录中的新应用程序和示例代码。

为了与旧版本兼容，v2 分支仍然可以访问。如果您需要使用以前版本中的特定命令，请告诉我们，我们将尝试将它们添加回来。

MSCOCO 预训练权重

YOLO 的几个流行版本都在 MSCOCO 数据集上进行了预训练，为试验该框架提供了一个方便的起点。 MSCOCO 包含 80 个类，在 cfg/coco.names 文件中列出。

可用的预训练权重：

YOLOv2（2016 年 11 月）：

* yolov2-tiny.weights

* yolov2-full.weights

YOLOv3（2018 年 5 月）：

* yolov3-tiny.weights

* yolov3-full.weights

YOLOv4（2020 年 5 月）：

* yolov4-tiny.weights

* yolov4-full.weights

YOLOv7（2022 年 8 月）：

* yolov7-tiny.weights

* yolov7-full.weights

请记住：虽然这些预先训练的权重对于演示很有帮助，但训练您自己的网络以获得量身定制的解决方案至关重要。 MSCOCO 主要用于验证您的设置是否正常运行。

使用预训练权重的示例命令：

`bash

显示带注释的图像

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

显示带注释的视频

darknet03display_videos coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi

使用 DarkHelp CLI

DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg

DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi

`

建筑

Darknet 利用 CMake 来简化 Windows 和 Linux 的构建过程。它需要 C++17 或更新的编译器以及 OpenCV。

构建指令现已统一，取代了旧的、更复杂的方法。

注意：如果您遇到旧教程的问题或与本指南不一致的构建步骤，请参阅此处提供的最新说明。

我们鼓励软件开发人员访问 https://darknetcv.ai/ 以深入了解 Darknet/YOLO 框架的内部工作原理。

谷歌合作实验室

Google Colab 指令反映了 Linux 指令。

浏览 colab 子目录中的笔记本，或按照下面的 Linux 说明进行操作。

Linux CMake方法

1.安装必要的包：

`bash

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

`

2.克隆暗网存储库：

`bash

mkdir ~/src 目录

cd ~/src

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

CD暗网

mkdir 构建

光盘构建

`

3.配置CMake：

`bash

cmake -DCMAKEBUILDTYPE=发布 ..

`

4. 构建暗网：

`bash

使-j4

`

5. 打包暗网：

`bash

包裹

sudo dpkg -i darknet-VERSION.deb

`

可选：用于 GPU 加速的 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 nvcc 和 nvidia-smi 可以访问。您可能需要调整 PATH 变量。

如果您稍后安装CUDA或CUDA+cuDNN或升级NVIDIA软件：

删除 Darknet 构建目录中的 CMakeCache.txt 文件以强制 CMake 重新查找依赖项。

重建暗网。

要在 Ubuntu 上升级 CMake：

`bash

sudo apt-get purge cmake

sudo snap install cmake --经典

`

高级用户：

要构建 RPM 安装文件而不是 DEB 文件，请将 CMpackage.cmake 中的 CPACKGENERATOR 修改为“RPM”。

对于 Centos 和 OpenSUSE，将 CPACK_GENERATOR 更改为“RPM”。

构建安装包后，使用适当的包管理器进行安装。

确认：

从命令行运行 darknet 版本以确认安装。

Windows CMake方法

1.安装所需软件：

`bash

winget 安装 Git.Git

winget 安装 Kitware.CMake

winget安装nsis.nsis

winget安装Microsoft.VisualStudio.2022.社区

`

2.修改Visual Studio安装：

* 打开“Visual Studio 安装程序”。

* 单击“修改”。

* 选择“使用 C++ 进行桌面开发”。

* 单击“修改”，然后单击“是”。

3. 打开 VS 2022 的开发人员命令提示符：

* 不要使用 PowerShell。

4.安装微软VCPKG：

`bash

CDC：

mkdir c:src

cd c:src

git 克隆 https://github.com/microsoft/vcpkg

cd vcpkg

bootstrap-vcpkg.bat

.vcpkg.exe 集成安装

.vcpkg.exe 集成 powershell

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

`

5.可选：CUDA或CUDA+cuDNN用于GPU加速

* 按照 https://developer.nvidia.com/cuda-downloads 上的说明安装 CUDA。

* 按照 https://developer.nvidia.com/rdp/cudnn-download 或 https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows 中的说明安装 cuDNN。

安装后，确保 nvcc.exe 和 nvidia-smi.exe 可以访问。您可能需要修改 PATH 变量。

如果您稍后安装CUDA或CUDA+cuDNN或升级NVIDIA软件：

* 确保在 Visual Studio 之后安装 CUDA。

* 如果 Visual Studio 升级，请重新安装 CUDA。

6.克隆暗网并构建它：

`bash

cd c:src

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

CD暗网

mkdir 构建

光盘构建

cmake -DCMAKEBUILDTYPE=发布-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:平台=x64;配置=发布 PACKAGE.vcxproj

`

7. 复制 CUDA DLL（如果需要）：

* 如果您收到有关缺少 CUDA 或 cuDNN DLL 的错误，请手动将它们复制到 Darknet 输出目录中。例如：

`bash

复制“C：Program FilesNVIDIA GPU计算工具包CUDAv12.2bin * .dll”src-cliRelease

`

8、重新运行msbuild.exe命令生成NSIS安装包：

`bash

msbuild.exe /property:平台=x64;配置=发布 PACKAGE.vcxproj

`

高级用户：

您可以使用 Visual Studio GUI 中 CMake 生成的 Darknet.sln 解决方案文件，而不是命令行工具。

确认：

运行 C:srcDarknetbuildsrc-cliReleasedarknet.exe 版本以确认安装。

要安装 Darknet，请运行 NSIS 安装向导：

在构建目录中查找 darknet-VERSION.exe 文件。

运行安装向导来安装 CLI 应用程序、库、包含文件和必要的 DLL。

使用暗网

命令行界面

注意：以下命令并不详尽。

除了 Darknet CLI 之外，还可以考虑使用 DarkHelp 项目 CLI，它提供替代功能和高级功能。

大多数命令需要 .weights 文件及其相应的 .names 和 .cfg 文件。您可以训练自己的网络或从互联网下载预先训练的模型。示例包括：

LEGO Gears：图像中的对象检测。

Rolodex：图像中的文本检测。

MSCOCO：标准 80 级物体检测。

命令：

1.帮助：

`bash

暗网帮助

`

2.版本：

`bash

暗网版本

`

3. 使用图像预测：

* V2：

`bash

暗网探测器测试 cars.data cars.cfg cars_best.weights image1.jpg

`

* V3：

`bash

darknet02displayannotatedimages cars.cfg image1.jpg

`

* 黑暗帮助：

`bash

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

`

4、输出坐标：

* V2：

`bash

暗网探测器测试animals.dataanimals.cfganimalsbest.weights-extoutputdog.jpg

`

* V3：

`bash

darknet01inference_images 动物 狗.jpg

`

* 黑暗帮助：

`bash

DarkHelp --json Animals.cfg Animals.names Animals_best.weights Dog.jpg

`

5. 处理视频：

* V2：

`bash

暗网探测器演示 Animals.data Animals.cfg Animalbest.weights -extoutput test.mp4

`

* V3：

`bash

darknet03display_videos Animals.cfg test.mp4

`

* 黑暗帮助：

`bash

DarkHelp Animals.cfg Animals.names Animals_best.weights test.mp4

`

6. 从网络摄像头读取数据：

* V2：

`bash

暗网探测器演示 Animals.data Animals.cfg Animals_best.weights -c 0

`

* V3：

`bash

darknet08display_网络摄像头动物

`

7. 将结果保存到视频：

* V2：

`bash

暗网探测器演示 Animals.data Animals.cfg Animalbest.weights test.mp4 -outfilename res.avi

`

* V3：

`bash

darknet05processvideos多线程animals.cfganimals.namesanimals_best.weightstest.mp4

`

* 黑暗帮助：

`bash

DarkHelp Animals.cfg Animals.names Animals_best.weights test.mp4

`

8.JSON输出：

* V2：

`bash

暗网探测器演示 Animals.data Animals.cfg Animalbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput

`

* V3：

`bash

darknet06imagestojson 动物 image1.jpg

`

* 黑暗帮助：

`bash

DarkHelp --json Animals.names Animals.cfg Animals_best.weights image1.jpg

`

9. 在特定GPU上运行：

`bash

暗网探测器演示 Animals.data Animals.cfg Animals_best.weights -i 1 test.mp4

`

10. 检查神经网络的准确性：

`bash

暗网探测器地图 Driving.data Driving.cfg Driving_best.weights ...

`

11.计算mAP@IoU=75：

`bash

暗网探测器地图animals.dataanimals.cfganimalsbest.weights-iothresh 0.75

`

12. 重新计算锚点：

`bash

暗网探测器 calcanchors Animals.data -numof_clusters 6 -宽度 320 -高度 256

`

13. 训练新网络：

`bash

暗网探测器-map-dont_show火车animals.dataanimals.cfg

`

训练

为了简化注释和训练，请使用 DarkMark。这是创建新神经网络的推荐方法。

手动训练设置（如果您愿意）：

1.创建项目文件夹：

* 例如，~/nn/animals/ 用于动物检测。

2.复制Darknet配置文件作为模板：

* 例如，cfg/yolov4-tiny.cfg。

3. 创建animals.names文本文件：

* 列出每个类，每行一个条目，没有空行或注释。例子：

`

狗

猫

鸟

马

`

4. 创建animals.data文本文件：

`

班级 = 4

火车 = /home/用户名/nn/animals/animals_train.txt

有效 = /home/用户名/nn/animals/animals_valid.txt

名称 = /home/用户名/nn/animals/animals.names

备份= /home/用户名/nn/animals

`

5. 为图像和注释创建一个文件夹（例如~/nn/animals/dataset）。

* 使用 DarkMark 或类似软件对图像进行注释。 Darknet/YOLO FAQ 中概述了 YOLO 注释格式。

6. 创建animalstrain.txt和animalsvalid.txt：

* 列出用于训练和验证的所有图像，每行一张图像。

7.修改.cfg文件：

* 设置批次=64。

* 根据您的网络尺寸和 GPU 内存调整细分。从细分=1 开始。

* 将 max_batches 设置为类数的 2000 倍（例如，4 个类为 8000）。

* 将步长设置为 max_batches 的 80% 和 90%。

* 调整宽度和高度以匹配您所需的网络尺寸。

* 修改类以反映 .names 文件中的类数量。

更新每个 [yolo] 部分之前的 [卷积] 部分中的过滤器：(numberofclasses + 5) 3.

8. 开始训练：

`bash

cd ~/nn/动物/

暗网探测器-map-dont_show火车animals.dataanimals.cfg

`

有关更多训练细节和高级参数，请参阅 Darknet/YOLO 常见问题解答。

其他工具和链接

DarkMark：管理 Darknet/YOLO 项目、注释图像、验证注释并生成训练文件。

DarkHelp：为 Darknet 提供替代 CLI，支持图像平铺、对象跟踪以及用于商业应用程序的强大 C++ API。

Darknet/YOLO 常见问题解答：用于回答您的问题的综合资源。

Stéphane 的 YouTube 频道：访问大量教程和示例视频。

Darknet/YOLO Discord 服务器：与其他用户联系以获得支持和讨论。

路线图

最后更新于 2024 年 10 月 30 日：

完全的：

在训练期间适用的情况下，将 qsort() 替换为 std::sort() 。

删除了 check_mistakes、getchar() 和 system()。

将 Darknet 转换为使用 C++ 编译器（Linux 上为 g++，Windows 上为 VisualStudio）。

修复了 Windows 构建。

重新启用预测标签（“字母”代码）。

重新启用 CUDA/GPU 代码、CUDNN 和 CUDNN 一半。

删除了硬编码的 CUDA 架构。

改进了 CUDA 版本信息。

重新启用 AVX。

删除了旧的解决方案和 Makefile。

使 OpenCV 成为非可选依赖项。

删除了旧的 pthread 库依赖项。

删除了机顶盒。

重写 CMakeLists.txt 以改进 CUDA 检测。

删除了旧的“字母”代码和相关图像。

实施了源外构建。

增强版本号输出。

训练期间的性能优化（正在进行）。

推理期间的性能优化（正在进行）。

尽可能实现按引用传递。

清理了 .hpp 文件。

重写了darknet.h。

消除了将 cv::Mat 转换为 void 并将其用作 C++ 对象。

修复了内部图像结构的不一致问题。

修复了基于 ARM 的 Jetson 设备的构建（新的 Jetson Orin 设备正在运行）。

在 V3 中修复了 Python API。

短期目标：

将 printf() 替换为 std::cout （正在进行中）。

重新审视旧版 Zed 相机支持。

提高命令行解析一致性（正在进行中）。

中期目标：

删除所有 char 代码并替换为 std::string。

消除编译器警告并提高代码清晰度（正在进行中）。

增强 cv::Mat 的使用，而不是 C 中的自定义图像结构（正在进行中）。

用 std::vector 或 std::list 替换旧的列表功能。

添加对 1 通道灰度图像的支持。

扩展对 N 通道图像的支持（N > 3，例如深度或热通道）。

正在进行的代码清理（正在进行中）。

长期目标：

解决所有 GPU 上的 CUDA/CUDNN 问题。

重写CUDA+cuDNN代码。

探索对非 NVIDIA GPU 的支持。

实现旋转边界框或“角度”支持。

添加关键点/骨架。

引入热图（正在进行中）。

探索细分。

请继续关注 Darknet/YOLO 框架的更新和贡献！