暗网目标检测框架和 YOLO
Darknet 是一个使用 C、C++ 和 CUDA 制作的开源神经网络框架。它是 YOLO（You Only Look Once）的基础，YOLO 是一种尖端的实时物体检测系统，以其速度和准确性而闻名。
了解 Hank.ai 如何支持 Darknet/YOLO 社区：[Hank.ai 博客链接]
探索 Darknet/YOLO 官方网站：[Darknet 网站链接]
深入了解全面的 Darknet/YOLO 常见问题解答：[常见问题解答链接]
与 Discord 上充满活力的 Darknet/YOLO 社区互动：[Discord 服务器链接]
文件
1. YOLOv7：[论文链接]
2. Scaled-YOLOv4：[论文链接]
3. YOLOv4：[论文链接]
4. YOLOv3：[论文链接]
一般信息
Darknet/YOLO框架在速度和准确性方面继续主导其他框架和YOLO版本。其开源性质和完全免收许可费用，可以无缝集成到现有项目和商业产品中。
Darknet V3（“Jazz”）于 2024 年 10 月发布，实现了卓越的性能，使用 NVIDIA RTX 3090 GPU 以惊人的 1000 FPS 处理乐高数据集视频。这意味着每个视频帧的处理时间不到 1 毫秒。
通过 [Discord 服务器链接] 加入活跃的 Darknet/YOLO Discord 服务器以获得支持、讨论和协作学习。
Darknet/YOLO 适合各种设备，从 Raspberry Pi 到高端训练设备，支持 CPU 和 GPU 版本。 GPU 版本需要 NVIDIA 提供的支持 CUDA 的 GPU。
Darknet/YOLO 与 Linux、Windows 和 Mac 操作系统兼容。请在下面找到详细的搭建说明。
暗网版本
最初的暗网工具由 Joseph Redmon 在 2013 年至 2017 年期间开发，缺乏版本号。我们将此版本指定为 0.x。
Alexey Bochkovskiy 从 2017 年到 2021 年继续维护流行的 Darknet 存储库，同样没有版本号。我们将此称为版本 1.x。
由 Hank.ai 赞助并自 2023 年起由 Stéphane Charette 维护的 Darknet 存储库引入了“version”命令。 2023 年至 2024 年底期间，它返回了版本 2.x“OAK”。
开发目标是尽量减少对现有功能的干扰，同时熟悉代码库。主要改进包括：
统一构建过程：重写构建步骤，以在 Windows 和 Linux 上实现基于 CMake 的一致构建过程。
C++ 代码库：转换代码库以利用 C++ 编译器。
增强的训练图表：改进了训练过程中的chart.png可视化。
错误修复和优化：与性能相关的增强，重点是减少训练时间。
该代码库的最后一个分支是版本 2.1，位于“v2”分支中。
下一阶段的开发于 2024 年中期开始，并最终于 2024 年 10 月发布 3.x“JAZZ”版本。
您始终可以访问以前的“v2”分支来执行这些版本中的命令。如果您遇到任何丢失的命令，请通知我们，我们将调查它们的重新集成。
Darknet V3 的重大变化包括：
命令删除：删除过时和不常用的命令。
性能优化：训练和推理性能的增强。
Legacy API修改：对遗留C API的修改；使用原始 Darknet API 的应用程序可能需要进行细微调整。
新的 C/C++ API：引入新的 Darknet V3 C 和 C++ API。
更新的示例代码：在“src-examples”目录中包含新应用程序和示例代码。
有关新 API 的详细信息：[Darknet V3 API 文档链接]
探索更新的示例代码：[Darknet V3 API 文件链接]
MSCOCO 预训练权重
为了方便起见，几个流行的 YOLO 版本已经在 MSCOCO 数据集上进行了预训练。该数据集包含 80 个类，可以在“cfg/coco.names”文本文件中轻松识别。
除了 MSCOCO 之外，Darknet/YOLO 还为 LEGO Gears 和 Rolodex 等更简单的数据集提供预训练权重，允许您尝试各种场景。有关详细信息，请参阅 Darknet/YOLO 常见问题解答。
MSCOCO 预训练权重可从多个来源访问，包括此存储库：
YOLOv2（2016 年 11 月）：
YOLOv2-tiny：[权重链接]
YOLOv2-full：[权重链接]
YOLOv3（2018 年 5 月）：
YOLOv3-tiny：[权重链接]
YOLOv3-full：[权重链接]
YOLOv4（2020 年 5 月）：
YOLOv4-tiny：[权重链接]
YOLOv4-full：[权重链接]
YOLOv7（2022 年 8 月）：
YOLOv7-tiny：[权重链接]
YOLOv7-full：[权重链接]
这些预先训练的权重主要用于演示目的。 MSCOCO 相应的 .cfg 和 .names 文件位于“cfg”目录中。命令示例：
`
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
`
请记住，我们鼓励训练您自己的网络。 MSCOCO 主要用作确认设置正确运行的基准。
建筑
2023 年之前使用的各种构建方法已合并为一个统一的解决方案。 Darknet 依赖于 C++17 或更高版本、OpenCV，并利用 CMake 生成必要的项目文件。
构建、安装和运行 Darknet/YOLO 不需要 C++ 专业知识，类似于无需机械师即可驾驶汽车。
谷歌合作实验室
Google Colab 指令与 Linux 指令相同。几个 Jupyter 笔记本演示了各种任务，例如训练新网络。
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
Linux 暗网构建教程
可选：如果您有现代 NVIDIA GPU，则此时可以安装 CUDA 或 CUDA+cuDNN。如果安装，Darknet 将使用您的 GPU 来加速图像（和视频）处理。
您必须从 Darknet 构建目录中删除 CMakeCache.txt 文件，以强制 CMake 重新查找所有必需的文件。
记得重建暗网。
Darknet 可以在没有它的情况下运行，但如果您想训练自定义网络，则需要 CUDA 或 CUDA+cuDNN。
1.安装先决条件：
`bash
sudo apt-get install build-essential git libopencv-dev cmake
`
2.克隆暗网存储库：
`bash
mkdir ~/srccd ~/src
git 克隆 https://github.com/hank-ai/darknetcd darknet
`
3.创建构建目录：
`bash
mkdir buildcd build
`
4.配置CMake：
`bash
cmake -DCMAKEBUILDTYPE=发布 ..
`
5. 构建暗网：
`bash
使-j4
`
6. 打包暗网：
`bash
包裹
`
7.安装包：
`bash
sudo dpkg -i darknet-VERSION.deb
`
如果您使用的是旧版本的 CMake，则需要先升级 CMake，然后才能运行上面的 cmake 命令。可以使用以下命令在 Ubuntu 上升级 CMake：
`bash
sudo apt-get purge cmake
sudo snap install cmake --经典
`
如果使用 bash 作为命令 shell，此时您需要重新启动 shell。如果使用鱼，它应该立即选择新路径。
高级用户：
如果您更喜欢 RPM 安装包而不是 DEB 文件，请修改“CM_package.cmake”中的相关行。在运行“make -j4 package”之前，调整这些行：
`cmake
设置（CPACKGENERATOR“DEB”）#设置（CPACKGENERATOR“RPM”）
`
对于 Centos 和 OpenSUSE 等发行版，请按如下方式修改这些行：
`cmake
设置（CPACK_GENERATOR“DEB”）
设置（CPACK_GENERATOR“RPM”）
`
使用发行版的包管理器安装构建的包。对于基于 Debian 的系统（例如 Ubuntu）：
`bash
sudo dpkg -i darknet-2.0.1-Linux.deb
`
.deb 包安装将复制以下文件：
/usr/bin/darknet：主要的 Darknet 可执行文件。从 CLI 运行“darknet version”以确认安装成功。
/usr/include/darknet.h：面向 C、C++ 和 Python 开发人员的 Darknet API。
/usr/include/darknet_version.h：包含开发人员的版本信息。
/usr/lib/libdarknet.so：C、C++ 和 Python 开发人员链接的库。
/opt/darknet/cfg/...：存储所有.cfg 模板。
恭喜！ Darknet 已构建并安装到 /usr/bin/ 中。运行“暗网版本”来验证安装。
如果你没有 /usr/bin/darknet，这意味着你只是构建了它，而不是安装了它。确保如上所述安装 .deb 或 .rpm 文件。
Windows CMake方法
这些说明假定全新安装 Windows 11 22H2。
1. 使用 Winget 安装先决条件：
`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：
- 单击“Windows 开始”菜单并运行“Visual Studio 安装程序”。
- 单击“修改”。
- 选择“使用 C++ 进行桌面开发”。
- 单击右下角的“修改”，然后单击“是”。
3.安装微软VCPKG：
- 安装完成后，单击“Windows 开始”菜单并选择“VS 2022 的开发人员命令提示符”。不要使用 PowerShell 执行这些步骤，这会导致问题！
- 高级用户：您可以运行普通命令提示符或 ssh 进入设备并手动执行“Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat”，而不是使用开发人员命令提示符。
4.使用VCPKG安装OpenCV：
`bash
CDC：
mkdir c:srccd c:src
git 克隆 https://github.com/microsoft/vcpkgcd 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
`
在此步骤中请耐心等待，因为下载和构建依赖项可能需要大量时间。
高级用户：
- 请注意，在构建 OpenCV 时您可能需要添加许多其他可选模块。运行 .vcpkg.exe 搜索 opencv 以查看完整列表。
可选：如果您有现代 NVIDIA GPU，则此时可以安装 CUDA 或 CUDA+cuDNN。如果安装，Darknet 将使用您的 GPU 来加速图像（和视频）处理。
您必须从 Darknet 构建目录中删除 CMakeCache.txt 文件，以强制 CMake 重新查找所有必需的文件。
记得重建暗网。
Darknet 可以在没有它的情况下运行，但如果您想训练自定义网络，则需要 CUDA 或 CUDA+cuDNN。
1.安装CUDA：
访问 https://developer.nvidia.com/cuda-downloads 下载并安装 CUDA。
2.安装cuDNN：
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。
3.验证CUDA安装：
安装 CUDA 后，确保可以运行 nvcc.exe 和 nvidia-smi.exe。您可能需要调整 PATH 变量。
4.集成cuDNN：
解压下载的 cuDNN 存档并将“bin”、“include”和“lib”目录复制到 C:Program FilesNVIDIA GPU Compute ToolkitCUDA[版本]。您可能需要覆盖现有文件。
5.在Visual Studio之后安装CUDA：
- CUDA 必须在 Visual Studio 之后安装。如果升级 Visual Studio，请记住重新安装 CUDA。
6. 克隆暗网并构建：
`bash
cd c:src
git 克隆 https://github.com/hank-ai/darknet.gitcd darknet
mkdir buildcd build
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. 处理缺失的 CUDA/cuDNN DLL：
- 如果遇到缺少 CUDA 或 cuDNN DLL（例如 cublas64_12.dll）的错误，请手动将相关 CUDA .dll 文件复制到 darknet.exe 所在的目录中。例如：
`bash
复制“C： Program Files NVIDIA GPU计算工具包 CUDA v12.2 bin * .dll” src-cliRelease
`
（这是一个示例。验证您的 CUDA 版本并执行适当的命令。）
- 重新运行最后一个msbuild.exe命令以生成NSIS安装包。
高级用户：
cmake 命令输出是常规 Visual Studio 解决方案文件 (Darknet.sln)。如果您更喜欢使用 Visual Studio GUI 而不是 msbuild.exe 进行构建，则可以在 Visual Studio 中加载 Darknet 项目并忽略命令行步骤。
您现在应该有 C:srcDarknetbuildsrc-cliReleasedarknet.exe 可执行文件。运行 C:srcDarknetbuildsrc-cliReleasedarknet.exe 版本来测试安装。
要正确安装 Darknet，包括库、包含文件和必要的 DLL，请运行上一步中构建的 NSIS 安装向导。在构建目录中找到darknet-VERSION.exe 文件，例如darknet-2.0.31-win64.exe。
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 3 方 .dll 文件（例如，来自 OpenCV）。
安装必要的 Darknet .dll、.lib 和 .h 文件，以便从其他应用程序使用 darknet.dll。
安装模板 .cfg 文件。
现在你已经完成了！安装向导完成后，Darknet 将安装在 C:Program FilesDarknet 中。运行 C:Program FilesDarknetbindarknet.exe 版本来验证安装。
如果您没有 C:/Program Files/darknet/bin/darknet.exe，这表明您只是构建了它，而不是安装了它。确保您按照前面所述完成了 NSIS 安装向导的每个面板。
使用暗网
命令行界面
这并不是 Darknet 支持的所有命令的详尽列表。
除了 Darknet CLI 之外，请注意 DarkHelp 项目 CLI，它为 Darknet/YOLO 提供了替代接口。它包括暗网中不直接提供的一些高级功能。您可以同时使用 Darknet CLI 和 DarkHelp CLI；它们并不相互排斥。
对于下面的大多数命令，您将需要 .weights 文件以及相应的 .names 和 .cfg 文件。您可以训练自己的网络（强烈推荐！）或从公开资源下载预先训练的神经网络。一些例子包括：
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）
以下是一些示例命令及其用法：
基本命令：
帮助：
`bash
暗网帮助
`
版本：
`bash
暗网版本
`
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
`
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
`
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
`
网络摄像头输入：
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
`
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
`
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
`
在特定 GPU 上运行：
V2：
`bash
暗网探测器演示 Animals.data Animals.cfg Animals_best.weights -i 1 test.mp4
`
检查网络准确性：
地图：
`bash
暗网探测器地图 Driving.data Driving.cfg moving_best.weights ...
`
- 此命令将显示数据集中每个类别的平均精度 (AP)。
映射@IoU=75：
`bash
暗网探测器地图animals.dataanimals.cfganimalsbest.weights-iothresh 0.75
`
- 此命令计算 IoU 阈值 0.75 时的 mAP。
计算锚点：
锚点重新计算的最佳实践是使用 DarkMark，因为它会运行 100 次连续计算并选择最佳锚点。但是，您可以使用较旧的暗网方法：
`bash
暗网探测器 calcanchors Animals.data -numof_clusters 6 -宽度 320 -高度 256
`
训练新网络：
基础训练：
`bash
暗网探测器-map-dont_show火车animals.dataanimals.cfg
`
- 最佳权重将保存为animals_best.weights，训练进度在chart.png中可见。
详细训练：
`bash
暗网探测器-map-dont_show--verbose火车animals.dataanimals.cfg
`
- 此命令在训练期间提供更详细的信息。
训练
暗网/YOLO 常见问题解答相关部分的快速链接：
文件和目录设置：[链接到常见问题解答部分]
选择正确的配置文件：[链接到常见问题解答部分]
训练命令：[链接到常见问题解答部分]
最直接的注释和训练方法是使用 DarkMark 创建所有必要的 Darknet 文件。这是训练新神经网络的推荐方法。
手动训练设置：
1. 创建文件夹：创建一个新文件夹来存储您的训练文件。例如，~/nn/animals/。
2. 复制配置文件：将 Darknet 配置文件作为模板（例如 cfg/yolov4-tiny.cfg）复制到您的文件夹中。您现在拥有 ~/nn/animals/animals.cfg。
3. 创建.names 文件：在同一文件夹中创建animals.names 文本文件。
- 编辑文件以列出您要检测的类。每个类必须单独占一行，不能有空行或注释。例如：
`
狗
猫
鸟
马
`
4. 创建.data 文件：在同一文件夹中创建animals.data 文本文件。
- .data 文件定义训练和验证数据集、类名称和备份目录。例如：
`
班级=4
train=/home/用户名/nn/animals/animals_train.txt
valid=/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. 创建图像和注释文件夹：创建一个文件夹（例如~/nn/animals/dataset）来存储图像和注释。
- 每个图像都需要一个包含注释的相应 .txt 文件。注释格式具体；它无法手动创建。使用 DarkMark 或类似软件对图像进行注释。
- YOLO 注释格式在 Darknet/YOLO FAQ 中进行了解释。
6. 创建“train”和“valid”文件：创建.data 文件中提到的“train”和“valid”文本文件。
- 这些文件分别列出了用于训练和验证的图像。每个图像应位于单独的行上。您可以使用相对或绝对路径。
7、修改配置文件：
- 使用文本编辑器打开 .cfg 文件并进行以下调整：
-batch=64：这个值通常就可以了。
- 细分：从细分=1 开始。您可能需要根据 GPU 内存和网络尺寸增加此值。请参阅 Darknet/YOLO 常见问题解答以获取指导。
- maxbatches：将其设置为 2000 * 类数。例如，对于 4 个类，maxbatches=8000。
- 步骤：将其设置为最大批次的 80% 和 90%。例如，maxbatches=8000，steps=6400,7200。
- 宽度和高度：这些是网络尺寸。有关维度计算建议，请参阅 Darknet/YOLO 常见问题解答。
- 类：更改classes=... 行以匹配.names 文件中的类数（在本例中，classes=4）。
- 过滤器：修改每个[yolo]部分之前的每个[卷积]部分中的filters=...行。该值的计算方式为 (numberofclasses + 5) * 3。例如，对于 4 个类，过滤器=27。
8. 开始训练：
`bash
cd ~/nn/动物/
暗网探测器-map-dont_show火车animals.dataanimals.cfg
`
- 训练可能需要一段时间。最佳权重将保存为animals_best.weights。训练进度在 Chart.png 文件中可见。有关其他训练参数，请参阅 Darknet/YOLO 常见问题解答。
- 如果您想要更详细的训练信息，请添加 --verbose 参数：
`bash
暗网探测器-map-dont_show--verbose火车animals.dataanimals.cfg
`
其他工具和链接
DarkMark：该工具可帮助管理您的 Darknet/YOLO 项目、注释图像、验证注释以及生成 Darknet 训练所需的文件。
DarkHelp：Darknet 的强大替代 CLI，提供图像平铺、视频中的对象跟踪等功能以及用于商业应用程序的强大 C++ API。
Darknet/YOLO 常见问题解答：用于回答有关 Darknet/YOLO 问题的宝贵资源。
Stéphane 的 YouTube 频道：查找大量教程和示例视频。
Darknet/YOLO Discord 服务器：加入服务器以询问支持问题并与其他 Darknet/YOLO 用户联系。
路线图
最后更新: 2024-10-30
完全的
交换 qsort()：在代码库的相关部分将 qsort() 替换为 std::sort()。 （剩下的一些实例仍然使用 qsort()）
删除过时的函数：删除了 check_mistakes、getchar() 和 system()。
C++ 代码库：将 Darknet 转换为使用 C++ 编译器（Linux 上为 g++，Windows 上为 VisualStudio）。
Windows 构建：修复了 Windows 构建过程。
Python 支持：修复了 Python 集成。
暗网库：构建了暗网库。
预测标签：重新启用预测标签（“字母”代码）。
CUDA/GPU 代码：重新启用 CUDA/GPU 功能。
CUDNN：重新启用 CUDNN 支持。
CUDNN half：重新启用 CUDNN 半精度支持。
CUDA 架构：删除了 CUDA 架构的硬编码。
CUDA版本信息：改进了CUDA版本信息。
AVX：重新启用 AVX 支持。
删除了旧文件：删除了旧的解决方案和 Makefile。
OpenCV 依赖项：使 OpenCV 成为必需的依赖项。
pthread 库：删除了对旧 pthread 库的依赖。
STB：删除了 STB 依赖性。
CMakeLists.txt：重写 CMakeLists.txt 以使用新的 CUDA 检测方法。
删除了过时的文件：删除了旧的“字母”代码并删除了数据/标签中的 700 多个图像。
外源构建：启用外源构建。
版本号：改进版本号输出。
训练性能：训练的性能优化（正在进行的任务）。
推理性能：推理性能优化（正在进行的任务）。
按引用传递：尽可能使用按引用传递以提高效率。
代码清理：清理了 .hpp 文件。
重写darknet.h：更新了Darknet API头文件。
cv::Mat 用法：使用 cv::Mat 作为正确的 C++ 对象，而不是将其强制转换为 void*。
图像结构：修复了与内部图像结构相关的不一致和问题。
Jetson 支持：修复了基于 ARM 的 Jetson 设备的构建。
- 由于 NVIDIA 停止支持（无 C++17 编译器），较旧的 Jetson 设备不太可能得到修复。
- 新的 Jetson Orin 设备正在运行。
V3 中的 Python API：修复了 Darknet V3 中的 Python API。
短期目标
交换 printf()：用 std::cout 替换 printf()（正在进行中）。
Zed 相机支持：重新审视并改进对 Zed 相机的支持。
命令行解析：实现更强大和一致的命令行解析（正在进行中）。
中期目标
删除字符代码：删除所有字符代码并将其替换为 std::string。
编译器警告：不要隐藏警告并解决编译器警告（正在进行中）。
cv::Mat 用法：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）。
列表功能：用 std::vector 或 std::list 替换旧的列表功能。
灰度图像支持：修复了对 1 通道灰度图像的支持。
N 通道图像支持：添加对超过 3 个通道（例如深度或热通道）的图像的支持。
正在进行的代码清理：继续进行正在进行的代码清理（正在进行中）。
长期目标
CUDA/CUDNN 问题：解决不同 GPU 之间的 CUDA/CUDNN 兼容性问题。
重写 CUDA/CUDNN 代码：重写 CUDA/CUDNN 代码以提高性能和兼容性。
非 NVIDIA GPU 支持：研究对非 NVIDIA GPU 的支持。
旋转边界框：实现对旋转边界框或角度信息的支持。
关键点/骨架：添加对关键点和骨架的支持。
热图：实现热图支持（正在进行中）。
分段：添加对分段的支持。
