安西布尔

安西布尔

Ansible 是一个非常简单的 IT 自动化系统。它能够熟练地处理配置管理、应用程序部署、云配置、临时任务执行、网络自动化和多节点编排。 Ansible 使您能够轻松执行复杂的更改，例如使用负载均衡器进行零停机滚动更新。在其官方网站上深入了解 Ansible 的功能。

设计原则

1. 使用 Ansible

您可以使用 pip 或您首选的包管理器无缝安装 Ansible 的发布版本。请参阅我们详细的安装指南，了解跨不同平台的全面说明。

2. 增强高级用户和开发人员的能力

对于高级用户和开发人员，开发分支提供对最新功能和修复的访问。虽然总体稳定，但重要的是要承认在使用此分支时可能会发生重大更改。如果您选择与开发分支合作，我们强烈建议您参与 Ansible 社区。

沟通

加入充满活力的 Ansible 论坛，与社区互动、寻求帮助并提出问题。如需其他沟通渠道，请浏览我们有关与 Ansible 社区联系的专用指南。

为 Ansible 做出贡献

编码指南

我们在开发者指南中精心记录了我们的编码指南。我们强烈建议您查看以下部分：

1. 分行信息

2. 路线图

根据团队和社区的宝贵反馈，为每个主要或次要版本（例如 2.7、2.8）发布了初始路线图。 Ansible 路线图页面概述了我们的计划并提供了影响我们方向的途径。

作者

Ansible 最初由 Michael DeHaan 构想，并受益于超过 5000 名用户（并且还在不断增加）的贡献。感谢所有做出贡献的人！

Ansible 很荣幸得到红帽公司赞助。

执照

GNU 通用公共许可证 v3.0 或更高版本。请参阅复制以获取完整的许可证文本。

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 开发的开源神经网络框架。

YOLO（You Only Look Once）代表了一种在暗网框架内运行的尖端实时物体检测系统。

了解 Hank.ai 如何为 Darknet/YOLO 社区做出贡献：https://darknetcv.ai/

探索 Darknet/YOLO 官方网站：https://pjreddie.com/darknet/

请参阅全面的 Darknet/YOLO 常见问题解答：https://pjreddie.com/darknet/yolo/

加入活跃的 Darknet/YOLO Discord 服务器：https://discord.gg/zSq8rtW

文件

1.YOLOv7论文：https://arxiv.org/abs/2207.02696

2. Scaled-YOLOv4 论文：https://arxiv.org/abs/2102.12074

3.YOLOv4论文：https://arxiv.org/abs/2004.10934

4.YOLOv3论文：https://arxiv.org/abs/1804.02769

一般信息

Darknet/YOLO 框架在速度和准确性方面继续优于其他框架和 YOLO 版本。

其完全的自由和开源性质使您可以将 Darknet/YOLO 无缝集成到现有项目和产品中，包括商业项目和产品，而无需许可限制或费用。

Darknet V3（“Jazz”）于 2024 年 10 月发布，在使用 NVIDIA RTX 3090 GPU 时以令人印象深刻的 1000 FPS 处理乐高数据集视频，展示了其强大功能。这相当于每个视频帧的处理时间为 1 毫秒或更短，展现了卓越的效率。

如需与 Darknet/YOLO 相关的任何帮助或讨论，请加入专用 Discord 服务器：https://discord.gg/zSq8rtW。

Darknet/YOLO 的 CPU 版本适用于各种设备，包括 Raspberry Pi、云和 Colab 服务器、台式机、笔记本电脑和高端训练设备。 Darknet/YOLO 的 GPU 版本需要 NVIDIA 提供的支持 CUDA 的 GPU。

Darknet/YOLO 已被验证可以在 Linux、Windows 和 Mac 操作系统上无缝运行。请参阅下面列出的搭建说明。

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。我们认为这是版本 0.x。

随后流行的 Darknet 存储库由 Alexey Bochkovskiy 在 2017 年至 2021 年期间维护，也缺少版本号。我们将其归类为版本 1.x。

从 2023 年开始，由 Hank.ai 赞助并由 Stéphane Charette 管理的 Darknet 存储库首次引入了版本命令。从 2023 年到 2024 年底，它返回了版本 2.x“OAK”。

开发目标集中于最大限度地减少对现有功能的干扰，同时熟悉代码库。

2.x 版本的主要改进：

1. 统一构建过程：在 Windows 和 Linux 上使用 CMake 重写了统一方法的构建步骤。

2. C++ 转换：转换代码库以利用 C++ 编译器。

3.增强训练可视化：改进了训练过程中chart.png的可视化。

4. 性能优化：解决了错误并实施了与性能相关的优化，主要集中在减少训练时间。

版本 2.1 代表此代码库的最终分支，可在 v2 分支中使用。

下一阶段的开发于 2024 年中期开始，并最终于 2024 年 10 月发布版本 3.x“JAZZ”。

如果您需要访问该版本的特定命令，您可以保留查看之前的 v2 分支的选项。如果您遇到任何丢失的命令，请通知我们进行调查和可能的重新集成。

3.x 版本的重大变化：

1.命令修剪：删除了大量过时且无人维护的命令。

2. 增强性能：在训练和推理过程中实施了广泛的性能优化。

3. API修改：旧版C API进行了修改；依赖原始 Darknet API 的应用程序将需要进行细微调整。请参阅更新的文档以获取指导：https://darknetcv.ai/api/api.html

4.新API介绍：引入了新的Darknet V3 C和C++ API：https://darknetcv.ai/api/api.html

5.扩展示例代码：在 src-examples 目录中添加了新的应用程序和示例代码：https://darknetcv.ai/api/files.html

MSCOCO 预训练权重

为了方便用户，几个流行的 YOLO 版本在 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 文本文件中找到。

其他更简单的数据集和预训练权重可随时用于测试 Darknet/YOLO，包括 LEGO Gears 和 Rolodex。有关详细信息，请参阅 Darknet/YOLO 常见问题解答。

您可以从各个位置获取 MSCOCO 预训练权重，包括此存储库：

YOLOv2（2016 年 11 月）：

yolov2-小

yolov2-完整

YOLOv3（2018 年 5 月）：

yolov3-小

yolov3-完整

YOLOv4（2020 年 5 月）：

yolov4-小

yolov4-完整

YOLOv7（2022 年 8 月）：

yolov7-小

yolov7-完整

提供 MSCOCO 预训练权重用于演示目的。 MSCOCO 相应的 .cfg 和 .names 文件位于 cfg 目录中。

命令示例：

`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

`

强烈建议训练您自己的网络。 MSCOCO 通常用于确保框架的功能按预期运行。

建筑

以前的构建方法（2023 年之前）已合并为统一的解决方案。 Darknet 需要 C++17 或更高版本的 OpenCV，并利用 CMake 生成必要的项目文件。

构建 Darknet/YOLO 不需要 C++ 专业知识；类似于驾驶汽车，您无需成为机械师即可使用它。

我们鼓励软件开发人员访问 https://darknetcv.ai/ 以深入了解 Darknet/YOLO 对象检测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。几个 Jupyter 笔记本演示了特定任务，例如训练新网络。

浏览 colab 子目录中的笔记本或按照下面提供的 Linux 说明进行操作。

Linux CMake方法

1. 必备软件：

构建要点： sudo apt-get install build-essential git libopencv-dev cmake

2. 存储库克隆：

创建源目录：mkdir ~/srccd ~/src

克隆存储库： git clone https://github.com/hank-ai/darknetcd darknet

3. 构建目录：

创建构建目录：mkdir buildcd build

4.CMake配置：

配置 CMake：cmake -DCMAKEBUILDTYPE=Release ..

5. 构建暗网：

构建：make -j4

6. 软件包安装：

创建包：包

安装软件包： sudo dpkg -i darknet-VERSION.deb

可选：CUDA 或 CUDA+cuDNN 安装

为了加速图像和视频处理，您可以选择安装 CUDA 或 CUDA+cuDNN。

CUDA安装：

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

cuDNN 安装：

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。

CUDA 安装后：

确保您可以执行 nvcc 和 nvidia-smi。您可能需要修改 PATH 变量。

升级CUDA或CUDA+cuDNN：

从 Darknet 构建目录中删除 CMakeCache.txt 文件，以强制 CMake 重新查找必要的文件。

重建暗网。

CMake版本升级（如有必要）：

清除现有的 CMake： sudo apt-get purge cmake

安装最新的 CMake： sudo snap install cmake --classic

重新启动 shell (bash) 或确保新路径被识别 (fish)。

高级用户：

要构建 RPM 安装文件而不是 DEB，请修改 CM_package.cmake 中的相关行。在运行 make -j4 package 之前，调整以下行：

`cmake

设置（CPACK_GENERATOR“DEB”）

设置（CPACK_GENERATOR“RPM”）

`

对于 CentOS 和 OpenSUSE 等发行版，请修改以下行：

`cmake

设置（CPACK_GENERATOR“DEB”）

设置（CPACK_GENERATOR“RPM”）

`

构建安装包后，使用发行版的包管理器进行安装。例如，在基于 Debian 的系统（如 Ubuntu）上：

`bash

sudo dpkg -i darknet-2.0.1-Linux.deb

`

安装后：

安装的文件包括：

- /usr/bin/darknet：Darknet 可执行文件。运行 darknet 版本以确认安装。

- /usr/include/darknet.h：面向 C、C++ 和 Python 开发人员的 Darknet API。

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

- /usr/lib/libdarknet.so：用于 C、C++ 和 Python 开发中链接的库。

- /opt/darknet/cfg/...：所有 .cfg 模板的位置。

Darknet 现已成功构建并安装在 /usr/bin/ 中。要验证，请运行 darknet 版本。

Windows CMake方法

1.先决条件：

使用 Winget 安装以下内容：

- Git：winget 安装 Git.Git

- CMake：winget 安装 Kitware.CMake

- NSIS: winget 安装 nsis.nsis

- Visual Studio 2022 社区：winget install Microsoft.VisualStudio.2022.Community

2. Visual Studio配置：

从 Windows 开始菜单中打开“Visual Studio 安装程序”。

单击“修改”。

选择“使用 C++ 进行桌面开发”。

单击右下角的“修改”，然后单击“是”。

3. 开发者命令提示符：

打开“Windows 开始”菜单并选择“VS 2022 的开发人员命令提示符”。请勿使用 PowerShell 执行这些步骤。

4. Microsoft VCPKG 安装（适用于 OpenCV）：

导航到 C:: cd c:

创建src目录：mkdir c:src

克隆 VCPKG： cd c:src git clone https://github.com/microsoft/vcpkg

引导 VCPKG：cd vcpkg bootstrap-vcpkg.bat

集成 VCPKG：.vcpkg.exe 集成安装

安装 OpenCV（包括依赖项）： .vcpkg.exe install opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows

5. 可选：CUDA 或 CUDA+cuDNN 安装 (Windows)

为了加速图像和视频处理，您可以选择安装 CUDA 或 CUDA+cuDNN。

CUDA安装：

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

cuDNN 安装：

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。

CUDA 安装后：

确保您可以执行 nvcc.exe。您可能需要修改 PATH 变量。

解压下载的cuDNN，并将bin、include、lib目录复制到C:/Program Files/NVIDIA GPUComputing Toolkit/CUDA/[版本]/中。您可能需要覆盖一些文件。

升级CUDA或CUDA+cuDNN：

CUDA 必须在 Visual Studio 之后安装。如果升级 Visual Studio，请重新安装 CUDA。

6. 克隆和构建暗网：

导航到您的源目录： cd c:src

克隆存储库： git clone https://github.com/hank-ai/darknet.git

创建构建目录： cd darknetmkdir build

使用 VCPKG 配置 CMake： cd build cmake -DCMAKEBUILDTYPE=Release -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..

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

生成NSIS安装包：msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj

7. 处理丢失的 CUDA/cuDNN DLL：

如果遇到有关缺少 CUDA 或 cuDNN DLL（例如 cublas64_12.dll）的错误，请手动将相关 CUDA .dll 文件复制到与 Darknet.exe 相同的输出目录。例如：

`bash

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

`

调整命令中的版本号以匹配您的安装。

重新运行msbuild.exe命令生成NSIS安装包。

高级用户：

cmake 命令生成 Visual Studio 解决方案文件 (Darknet.sln)。如果您更喜欢 Visual Studio GUI，则可以在 Visual Studio 中加载 Darknet 项目，而不是使用命令行工具。

构建后验证：

验证 C:srcDarknetbuildsrc-cliReleasedarknet.exe 是否存在。运行 C:srcDarknetbuildsrc-cliReleasedarknet.exe 版本进行确认。

安装：

运行NSIS安装向导（例如，构建目录中的darknet-VERSION.exe）来安装Darknet、库、包含文件和必要的DLL。

安装后验证：

验证 C:/Program Files/darknet/bin/darknet.exe 是否存在。运行 C:/Program Files/darknet/bindarknet.exe 版本进行确认。

使用暗网

命令行界面

此列表不包含所有暗网命令。

除了 Darknet CLI 之外，还可以考虑使用 DarkHelp 项目 CLI，它提供了替代且更高级的界面。两个 CLI 可以一起使用。

对于大多数命令，您需要一个 .weights 文件以及相应的 .names 和 .cfg 文件。您可以训练自己的网络或下载预先训练的网络。

预训练数据集：

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。

常用 CLI 命令：

1.帮助：暗网帮助

2.版本：暗网版本

3.图像预测（V2）：

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

4.图像预测（V3）：

darknet02displayannotatedimages cars.cfg image1.jpg

5.图像预测（DarkHelp）：

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

6. 输出坐标（V2）：

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

7. 输出坐标（V3）：

darknet01inference_images 动物 狗.jpg

8.输出坐标（DarkHelp）：

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

9. 视频处理（V2）：

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

10.视频处理（V3）：

darknet03display_videos Animals.cfg test.mp4

11.视频处理（DarkHelp）：

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

12.网络摄像头处理（V2）：

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

13.网络摄像头处理（V3）：

darknet08display_网络摄像头动物

14.视频保存（V2）：

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

15.视频保存（V3）：

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

16.视频保存（DarkHelp）：

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

17.JSON输出（V2）：

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

18.JSON输出（V3）：

darknet06imagestojson 动物 image1.jpg

19. JSON 输出（DarkHelp）：

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

20.GPU选择（V2）：

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

21. 网络准确性检查：

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

22. 精度检查（mAP@IoU=75）：

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

23.锚点重新计算（推荐使用DarkMark）：

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

24. 训练新网络：

darknet detector -map -dont_show train Animals.data Animals.cfg（参见下面的训练部分）

训练

暗网/YOLO 常见问题解答相关部分的快速链接：

设置：https://pjreddie.com/darknet/yolo/

配置文件选择：https://pjreddie.com/darknet/yolo/

训练命令：https://pjreddie.com/darknet/yolo/

最简化的注释和训练方法涉及利用 DarkMark。这是训练新神经网络的推荐方法。

手动训练设置：

1. 创建项目文件夹：例如~/nn/animals/。

2. 复制配置模板：

选择一个配置文件（例如cfg/yolov4-tiny.cfg）。

将其放入项目文件夹中。

现在你有了~/nn/animals/animals.cfg。

3. 创建animals.names文件：

在项目文件夹中创建一个名为animals.names 的文本文件。

使用您想要的类编辑此文件。

确保每个类都在单独的行上，没有空行或注释。

例如：

`

狗

猫

鸟

马

`

4. 创建animals.data文件：

在项目文件夹中创建一个名为animals.data 的文本文件。

内容应类似于：

`

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. 创建数据集文件夹：

创建一个文件夹来存储图像和注释。例如，~/nn/animals/dataset。

每个图像都需要一个相应的 .txt 文件来定义其注释。

您无法手动创建这些 .txt 文件；需要使用 DarkMark 或类似工具来注释图像并生成这些文件。

有关 YOLO 注释格式，请参阅 Darknet/YOLO FAQ。

6. 创建animalstrain.txt 和animalsvalid.txt 文件：

按照 Animals.data 文件中的指定创建这些文本文件。

这些文件分别列出了用于训练和验证的所有图像。

每行一张图像，使用相对或绝对路径。

7.修改配置文件（animals.cfg）：

批次：设置批次=64。

细分：从细分=1 开始。根据网络尺寸和 GPU 内存根据需要进行调整。

最大批次：一个好的起始值是 maxbatches=2000 * numberofclasses。在此示例中，maxbatches=8000（4 只动物）。

步骤：设置为 max_batches 的 80% 和 90%。在此示例中，步数=6400,7200。

宽度和高度：定义网络尺寸。请参阅 Darknet/YOLO 常见问题解答以获取指导。

类：设置classes=... 以匹配.names 文件中的类数（本例中为4）。

过滤器：在yolo层之前的每个卷积层中，将filters=...设置为(numberofclasses + 5) * 3。在本例中，filters=27。

8. 开始训练：

导航到您的项目文件夹：cd ~/nn/animals/

开始训练：darknet detector -map -dont_show train Animals.data Animals.cfg

要有耐心。最佳权重将保存为animals_best.weights。

通过查看chart.png文件观察训练进度。

有关其他训练参数，请参阅 Darknet/YOLO 常见问题解答。

要获得更详细的训练输出，请添加 --verbose 标志：

`bash

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

`

其他工具和链接

DarkMark：用于管理 Darknet/YOLO 项目、注释图像、验证注释以及生成训练文件。 https://darknetcv.ai/darkmark/

DarkHelp：提供 Darknet、图像平铺、对象跟踪和商业友好的 C++ API 的强大替代 CLI。 https://darknetcv.ai/darkhelp/

Darknet/YOLO 常见问题解答：常见问题的解答。 https://pjreddie.com/darknet/yolo/

Stéphane 的 YouTube 频道：提供教程和示例视频。 https://www.youtube.com/@stephane-charette

Darknet/YOLO Discord Server：用于支持问题和社区讨论。 https://discord.gg/zSq8rtW

路线图

最后更新：2024-10-30

完全的

在训练期间将 qsort() 替换为 std::sort()。

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

将 Darknet 迁移到 C++ 编译器（Linux 上的 g++，Windows 上的 VisualStudio）。

解决了 Windows 构建问题。

重新启用 Python 支持。

建立了暗网库。

重新启用预测标签（“字母”代码）。

重新启用 CUDA/GPU 代码。

重新启用 CUDNN。

重新启用 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。

删除了对旧 pthread 库的依赖。

删除了机顶盒。

重写 CMakeLists.txt 以使用新的 CUDA 检测。

删除了旧的“字母”代码并删除了数据/标签中的 700 多个图像。

启用外源构建。

改进了版本号输出。

实施与培训相关的性能优化（正在进行）。

实施了与推理相关的性能优化（正在进行）。

在适用的情况下采用引用传递。

清理了 .hpp 文件。

重写darknet.h。

避免将 cv::Mat 转换为 void* 并将其用作正确的 C++ 对象。

解决了内部图像结构使用的不一致问题。

修复了基于 ARM 的 Jetson 设备的构建。

新的 Jetson Orin 设备可以正常运行。

解决了 V3 中的 Python API 问题。

短期目标

将 printf() 替换为 std::cout （正在进行中）。

研究旧的 zed 相机支持。

改进命令行解析以实现一致性（正在进行中）。

中期目标

删除所有 char* 代码并替换为 std::string。

消除隐藏警告并解决编译器警告（正在进行中）。

增强 cv::Mat 的使用，而不是自定义 C 图像结构（正在进行中）。

用 std::vector 或 std::list 替换旧的列表功能。

修复对 1 通道灰度图像的支持。

添加对 N 通道图像（其中 N > 3）的支持（例如，具有深度或热通道的图像）。

继续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。

介绍关键点/骨架。

添加对热图的支持（正在进行中）。

纳入细分。