Picturehouses下載 - Picturehouses源碼下載

Picturehouses

其他源碼

下載

Darknet Object Detection Framework and YOLO

Downcodes小編整理

Darknet是一個用C、C++和CUDA寫的開源神經網路框架。

YOLO（You Only Look Once）是一個最先進的即時目標偵測系統，它在Darknet框架中運作。

閱讀Hank.ai如何幫助Darknet/YOLO社區

宣布Darknet V3 "Jazz"

查看Darknet/YOLO網站

請閱讀Darknet/YOLO常見問題解答

加入Darknet/YOLO Discord伺服器

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、更準確。

該框架完全免費且開源。你可以將Darknet/YOLO整合到現有的專案和產品中，包括商業產品，無需許可或付費。

2024年10月發布的Darknet V3（“Jazz”）可以使用NVIDIA RTX 3090 GPU以高達1000 FPS的精度運行LEGO數據集視頻，這意味著每個視頻幀在1毫秒或更短的時間內由Darknet/ YOLO讀取、調整大小和處理。

如果你需要協助或想討論Darknet/YOLO，請加入Darknet/YOLO Discord伺服器：https://discord.gg/zSq8rtW

Darknet/YOLO的CPU版本可以在簡單的裝置上運行，例如樹莓派、雲端和colab伺服器、桌上型電腦、筆記型電腦以及高階訓練設備。 Darknet/YOLO的GPU版本需要NVIDIA的CUDA支援GPU。

Darknet/YOLO已知可在Linux、Windows和Mac上運作。請查看下面的建置說明。

Darknet Version

由Joseph Redmon在2013-2017年編寫的原始Darknet工具沒有版本號。我們認為這是0.x版本。

Alexey Bochkovskiy在2017-2021年維護的下一個流行Darknet repo也沒有版本號。我們認為這是1.x版本。

Hank.ai贊助並由Stéphane Charette從2023年開始維護的Darknet repo是第一個具有版本命令的repo。從2023年到2024年底，它返回版本2.x“OAK”。

目標是在盡可能少破壞現有功能的同時，熟悉程式碼庫。

重寫建置步驟，以便我們有一種統一的方式來使用CMake在Windows和Linux上建置。

將程式碼庫轉換為使用C++編譯器。

在訓練時增強chart.png。

錯誤修復和與效能相關的最佳化，主要與減少訓練網路所需的時間有關。

這個程式碼庫的最後一個分支是v2分支中的版本2.1。

下一階段的開發於2024年中期開始，並在2024年10月發布。版本命令現在返回3.x“JAZZ”。

如果你需要執行這些指令中的任何一個，你總是可以檢出先前的v2分支。請告知我們，以便我們能夠調查添加回任何缺少的命令。

刪除了許多舊的和未維護的命令。

許多性能優化，無論是在訓練時還是在推理期間。

舊的C API已被修改；使用原始Darknet API的應用程式將需要進行一些小的修改：https://darknetcv.ai/api/api.html

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

src-examples中的新應用程式和範例程式碼：https://darknetcv.ai/api/files.html

MSCOCO Pre-trained Weights

為了方便起見，幾個流行的YOLO版本在MSCOCO資料集上進行了預訓練。這個資料集有80個類別，可以在文字檔cfg/coco.names中看到。

還有其他幾個更簡單的資料集和預訓練權重可用於測試Darknet/YOLO，例如LEGO Gears和Rolodex。有關詳細信息，請參閱Darknet/YOLO常見問題解答。

MSCOCO預訓練權重可以從多個不同位置下載，也可以從這個repo下載：

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預訓練權重僅用於演示目的。 MSCOCO的對應.cfg和.names檔案位於cfg目錄中。範例命令：

`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

`

請注意，人們應該訓練自己的網路。 MSCOCO通常用於確認一切正常。

Building

過去（2023年以前）可用的各種建置方法已合併到一個統一的解決方案中。 Darknet需要C++17或更高版本、OpenCV，並使用CMake產生必要的專案檔。

你不需要了解C++來建造、安裝或運行Darknet/YOLO，就像你不需要成為機械師才能開車一樣。

Google Colab

Google Colab說明與Linux說明相同。有幾個Jupyter筆記本展示如何執行某些任務，例如訓練新的網路。

查看colab子目錄中的筆記本，或按照下面的Linux說明操作。

Linux CMake Method

Darknet在Linux上的建構教學

可選：如果你有現代NVIDIA GPU，現在可以安裝CUDA或CUDA+cuDNN。如果已安裝，Darknet將使用你的GPU來加速映像（和影片）處理。

你必須從Darknet建置目錄中刪除CMakeCache.txt文件，以強制CMake重新尋找所有必要的文件。

記得重新建置Darknet。

Darknet可以在沒有它的情況下運行，但如果你想訓練自訂網絡，則需要CUDA或CUDA+cuDNN。

請造訪https://developer.nvidia.com/cuda-downloads下載並安裝CUDA。

請造訪https://developer.nvidia.com/rdp/cudnn-download或https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview下載並安裝cuDNN。

安裝CUDA後，請確保你可以執行nvcc和nvidia-smi。你可能需要修改PATH變數。

如果你稍後安裝CUDA或CUDA+cuDNN，或是升級到較新版本的NVIDIA軟體：

這些說明假定（但不強制要求！）運行Ubuntu 22.04的系統。如果你使用的是其他發行版，請視需要進行調整。

`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

`

如果你使用的是舊版的CMake，則需要在執行上面的cmake指令之前升級CMake。在Ubuntu上升級CMake可以使用以下指令：

`bash

sudo apt-get purge cmake

sudo snap install cmake --classic

`

如果你使用bash作為你的命令外殼，你可能需要重新啟動你的外殼。如果你使用fish，它應該立即拾取新路徑。

進階用戶：

如果你想建立RPM安裝文件而不是DEB文件，請參閱CM_package.cmake中的相關行。在運行make -j4 package之前，你需要編輯這兩行：

`cmake

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

`

對於Centos和OpenSUSE等發行版，你需要將CM_package.cmake中的這兩行切換為：

`cmake

SET (CPACK_GENERATOR "DEB")

SET (CPACK_GENERATOR "RPM")

`

要安裝安裝包，一旦它建置完成，使用你發行版的通常套件管理器。例如，在基於Debian的系統上，例如Ubuntu：

`bash

sudo dpkg -i darknet-2.0.1-Linux.deb

`

安裝.deb套件將複製以下檔案：

/usr/bin/darknet 是通常的Darknet可執行檔。從CLI運行darknet version以確認它是否已正確安裝。

/usr/include/darknet.h 是Darknet API，供C、C++和Python開發人員使用。

/usr/include/darknet_version.h 包含開發人員使用的版本資訊。

/usr/lib/libdarknet.so 是供C、C++和Python開發人員連結的函式庫。

/opt/darknet/cfg/... 是所有.cfg模板儲存的位置。

你現在完成了！ Darknet已建置並安裝到/usr/bin/中。執行以下命令進行測試：darknet version。

如果你沒有/usr/bin/darknet，這意味著你沒有安裝它，你只是建造了它！確保你安裝了.deb或.rpm文件，如上所述。

Windows CMake Method

這些說明假設Windows 11 22H2全新安裝。

打開一個普通的cmd.exe命令提示字元視窗並執行以下命令：

`bash

winget install Git.Git

winget install Kitware.CMake

winget install nsis.nsis

winget install Microsoft.VisualStudio.2022.Community

`

此時，我們需要修改Visual Studio安裝以包含對C++應用程式的支援：

1. 點選「Windows開始」選單，並執行「Visual Studio Installer」。

2. 點選“修改”。

3. 選擇「使用C++進行桌面開發」。

4. 點選右下角的“修改”，然後點選“是”。

一旦所有內容都下載並安裝完畢，再次點擊「Windows開始」選單，並選擇「VS 2022的開發者命令提示字元」。不要為這些步驟使用PowerShell，你將會遇到問題！

進階用戶：

除了執行開發者命令提示符，你也可以使用普通的命令提示字元或ssh進入設備，手動執行「Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat」。

一旦你如上所述運行了開發者命令提示字元（不是PowerShell！），請執行以下命令來安裝Microsoft VCPKG，它將用於建立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

`

在最後一步中耐心等待，因為這可能需要很長時間才能運行。它需要下載並構建許多東西。

進階用戶：

請注意，在建造OpenCV時，你可能會想要添加許多其他可選模組。運行.vcpkg.exe search opencv以查看完整列表。

可選：如果你有現代NVIDIA GPU，現在可以安裝CUDA或CUDA+cuDNN。如果已安裝，Darknet將使用你的GPU來加速映像（和影片）處理。

你必須從Darknet建置目錄中刪除CMakeCache.txt文件，以強制CMake重新尋找所有必要的文件。

記得重新建置Darknet。

Darknet可以在沒有它的情況下運行，但如果你想訓練自訂網絡，則需要CUDA或CUDA+cuDNN。

請造訪https://developer.nvidia.com/cuda-downloads下載並安裝CUDA。

請造訪https://developer.nvidia.com/rdp/cudnn-download或https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows下載並安裝cuDNN。

安裝CUDA後，確保你可以執行nvcc.exe和nvidia-smi.exe。你可能需要修改PATH變數。

下載cuDNN後，解壓縮並將bin、include和lib目錄複製到C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/。你可能需要覆蓋一些文件。

如果你稍後安裝CUDA或CUDA+cuDNN，或是升級到較新版本的NVIDIA軟體：

CUDA必須在Visual Studio之後安裝。如果你升級了Visual Studio，請記得重新安裝CUDA。

一旦所有先前的步驟都成功完成，你需要克隆Darknet並建立它。在此步驟中，我們還需要告訴CMake vcpkg的位置，以便它可以找到OpenCV和其他依賴：

`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

`

如果你收到有關某些缺少CUDA或cuDNN DLL（例如cublas64_12.dll）的錯誤，則手動將CUDA .dll檔案複製到與Darknet.exe相同的輸出目錄中。例如：

`bash

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

`

（這是一個範例！檢查以確保你運行的是哪個版本，並執行適合你已安裝內容的命令。）

複製完檔案後，重新執行最後一個msbuild.exe命令以產生NSIS安裝包：

`bash

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

`

進階用戶：

請注意，cmake指令的輸出是普通的Visual Studio解決方案文件，Darknet.sln。如果你是軟體開發人員，經常使用Visual Studio GUI而不是msbuild.exe來建置項目，你可以忽略命令列並在Visual Studio中載入Darknet專案。

你現在應該擁有這個可以運行的檔案：C:srcDarknetbuildsrc-cliReleasedarknet.exe。執行以下命令進行測試：C:srcDarknetbuildsrc-cliReleasedarknet.exe version。

要正確安裝Darknet、庫、包含檔案和必要的DLL，請執行在最後一步建置的NSIS安裝精靈。查看build目錄中的檔案darknet-VERSION.exe。例如：

`bash

darknet-2.0.31-win64.exe

`

安裝NSIS安裝包將：

建立一個名為Darknet的目錄，例如C:Program FilesDarknet。

安裝CLI應用程式、darknet.exe和其他範例應用程式。

安裝所需的第三方.dll文件，例如來自OpenCV的那些文件。

安裝必要的Darknet .dll、.lib和.h文件，以便從另一個應用程式使用darknet.dll。

安裝模板.cfg檔。

你現在完成了！一旦安裝精靈完成，Darknet將安裝到C:Program FilesDarknet。執行以下命令進行測試：C:Program FilesDarknetbindarknet.exe version。

如果你沒有C:/Program Files/darknet/bin/darknet.exe，這表示你沒有安裝它，你只是建置了它！確保你完成了上一個步驟中NSIS安裝精靈的每個面板。

Using Darknet

CLI

以下不是Darknet支援的所有命令的完整列表。

除了Darknet CLI之外，還要注意DarkHelp專案CLI，它提供了Darknet/YOLO的替代CLI。 DarkHelp CLI還具有幾個Darknet中沒有的advanced功能。你可以同時使用Darknet CLI和DarkHelp CLI，它們並不互相排斥。

對於下面顯示的大多數指令，你需要.weights檔案以及對應的.names和.cfg檔。你可以訓練自己的網路（強烈推薦！）或下載其他人已經訓練並免費在網路上提供的neural network。預訓練資料集的範例包括：

LEGO Gears（在影像中尋找物體）

Rolodex（在圖像中尋找文字）

MSCOCO（標準80類目標偵測）

可運行的命令包括：

列出一些可能運行的命令和選項：

`bash

darknet help

`

檢查版本：

`bash

darknet version

`

使用影像進行預測：

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

輸出座標：

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

使用影片：

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

從網路攝影機讀取：

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

V3: darknet08display_webcam animals

將結果儲存到影片中：

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上運行：

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

檢查神經網路的準確性：

`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 光 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

`

檢查準確率mAP@IoU=75：

`bash

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

`

重新計算錨點最好在DarkMark中完成，因為它會連續運行100次，並從所有計算的錨點中選擇最佳錨點。但如果你想在Darknet中運行舊版本：

`bash

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

`

訓練新網路：

`bash

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

`

（另請參閱下面的訓練部分）

Training

有關Darknet/YOLO常見問題解答相關部分的快速連結：

如何設定我的文件和目錄？

我應該使用哪個設定檔？

訓練自己的網路時應該使用哪個指令？

使用DarkMark創建所有必要的Darknet文件，這是註釋和訓練的最簡單方法。這絕對是訓練新神經網路的推薦方法。

如果你想手動設定各種文件來訓練自訂網路：

1. 建立一個新資料夾來儲存檔案。在這個範例中，將建立一個神經網路來偵測動物，因此建立以下目錄：~/nn/animals/。

2. 複製你想要用來當模板的Darknet設定檔之一。例如，請參閱cfg/yolov4-tiny.cfg。將它放在你創建的資料夾中。在這個範例中，我們現在有~/nn/animals/animals.cfg。

3. 在放置設定檔的相同資料夾中建立一個animals.names文字檔。在這個範例中，我們現在有~/nn/animals/animals.names。

4. 使用文字編輯器編輯animals.names檔案。列出你想要使用的類別。每行必須只有一個條目，沒有空白行和註解。在這個範例中，.names檔案將包含恰好4行：

`

dog

cat

鳥

horse

`

5. 在同一個資料夾中建立一個animals.data文字檔。在這個範例中，.data檔案將包含：

`

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. 建立一個資料夾來儲存你的圖像和註解。例如，這可以是~/nn/animals/dataset。每個影像都需要一個對應的.txt檔案來描述該影像的註解。 .txt註解文件的格式非常具體。你不能手動建立這些文件，因為每個註釋都需要包含註釋的精確座標。請參閱DarkMark或其他類似軟體來註釋你的圖像。 YOLO註解格式在Darknet/YOLO常見問題中進行了描述。

7. 建立.data檔案中命名的「train」和「valid」文字檔。這兩個文字檔案需要分別列出所有Darknet必須用於訓練和驗證（在計算mAP%時）的圖像。每行恰好一張圖像。路徑和檔案名稱可以是相對的或絕對的。

8. 使用文字編輯器修改你的.cfg檔。

9. 確保batch=64。

10. 注意subdivisions。根據網路尺寸和你GPU上的可用內存，你可能需要增加subdivisions。要使用的最佳值為1，因此從該值開始。如果1對你不起作用，請參閱Darknet/YOLO常見問題。

11. 注意maxbatches=...。啟動時要使用的一個好值是類別的數量乘以2000。在這個範例中，我們有4種動物，因此4 * 2000 = 8000。這意味著我們將使用maxbatches=8000。

12. 注意steps=...。這應該設定為maxbatches的80%和90%。在這個範例中，由於maxbatches設定為8000，因此我們將使用steps=6400,7200。

13. 注意width=...和height=...。這些是網路尺寸。 Darknet/YOLO常見問題解答說明如何計算要使用的最佳尺寸。

14. 搜尋所有classes=...行的實例，並使用.names檔案中的類別數量修改它。在這個範例中，我們將使用classes=4。

15. 搜尋每個[yolo]部分之前[convolutional]部分中所有filters=...行的實例。要使用的值為(類別數量+ 5) 3。這意味著在這個範例中，(4 + 5) 3 = 27。因此，我們將在適當的行上使用filters=27。

開始訓練！運行以下命令：

`bash

cd ~/nn/animals/