sst

暗網目標偵測框架與 YOLO

!darknet 和 hank.ai 徽標

Darknet 是一個用 C、C++ 和 CUDA 寫的開源神經網路框架。它為開發和部署物件偵測模型提供了強大的基礎。

YOLO（You Only Look Once）是一個基於 Darknet 框架構建的最先進的即時目標檢測系統。它在速度和準確性方面表現出色，使其成為各種應用的流行選擇。

想要了解更多關於 Hank.ai 如何為 Darknet/YOLO 社群做出貢獻的資訊？

探索 Darknet/YOLO 官方網站：

深入了解全面的 Darknet/YOLO 常見問題：

加入充滿活力的 Darknet/YOLO Discord 社群：

文件

YOLOv7：論文鏈接

Scaled-YOLOv4：論文鏈接

YOLOv4：論文鏈接

YOLOv3：論文鏈接

一般資訊

Darknet/YOLO 框架仍然是目標偵測領域的領導者，始終提供優於其他框架和 YOLO 版本的速度和準確性優勢。

主要特點：

1.開源和免費：該框架完全免費和開源，允許您將其無縫地合併到您的專案中，而沒有任何許可限制。

2. 高效能：2024 年 10 月發布的 Darknet V3（「Jazz」）實現了令人印象深刻的效能，使用 NVIDIA RTX 3090 GPU 的 LEGO 資料集達到了 1000 FPS。

3. 多功能部署：Darknet/YOLO相容於各種設備，從Raspberry Pi和雲端伺服器到桌面和高階訓練設備。

4. 跨平台支援：眾所周知，它可以在 Linux、Windows 和 Mac 作業系統上完美運作。

需要協助或想討論 Darknet/YOLO？加入 Discord 上充滿活力的社群：

暗網版本

暗網的演變可以透過它的版本來追溯：

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

2.版本1.x（2017-2021）：此版本由Alexey Bochkovskiy維護，也缺少版本號。

3. 版本 2.x「OAK」（2023）：由 Hank.ai 贊助並由 Stéphane Charette 維護的 Darknet 儲存庫引入了版本命令。此版本帶來了重大改進，包括：

* 使用適用於 Windows 和 Linux 的 CMake 統一建置步驟。

* 轉換為 C++ 編譯器。

* 增強訓練期間的圖表.png 視覺化。

* 錯誤修復和性能優化以提高訓練效率。

4. 版本 2.1：v2 程式碼庫的最後一個分支。

5. 版本 3.x「JAZZ」（2024 年 10 月）：此最新版本介紹了：

* 訓練和推理的效能最佳化。

* 修改後的舊版 C API，需要對使用原始 Darknet API 的應用程式進行細微調整。

* 新的 Darknet V3 C 和 C++ API。

* src-examples 目錄中的新應用程式和範例程式碼。

為了與舊版本相容，v2 分支仍然可以存取。如果您需要使用先前版本中的特定命令，請告訴我們，我們將嘗試將它們加回。

MSCOCO 預訓練權重

YOLO 的幾個熱門版本都在 MSCOCO 資料集上進行了預訓練，為試驗該框架提供了一個方便的起點。 MSCOCO 包含 80 個類，在 cfg/coco.names 檔案中列出。

可用的預訓練權重：

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

請記住：雖然這些預先訓練的權重對於演示很有幫助，但訓練您自己的網路以獲得量身定制的解決方案至關重要。 MSCOCO 主要用於驗證您的設定是否正常運作。

使用預訓練權重的範例指令：

`bash

顯示帶註釋的圖像

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

顯示帶註釋的視頻

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

`

大樓

Darknet 利用 CMake 來簡化 Windows 和 Linux 的建置過程。它需要 C++17 或更新的編譯器以及 OpenCV。

建置指令現已統一，取代了舊的、更複雜的方法。

注意：如果您遇到舊教學的問題或與本指南不一致的建置步驟，請參閱此處提供的最新說明。

我們鼓勵軟體開發人員訪問 https://darknetcv.ai/ 以深入了解 Darknet/YOLO 框架的內部工作原理。

Google合作實驗室

Google Colab 指令反映了 Linux 指令。

瀏覽 colab 子目錄中的筆記本，或依照下面的 Linux 說明進行操作。

Linux CMake方法

1.安裝必要的套件：

`bash

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

`

2.克隆暗網儲存庫：

`bash

mkdir ~/src 目錄

cd ~/src

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

CD暗網

mkdir 構建

光碟建構

`

3.配置CMake：

`bash

cmake -DCMAKEBUILDTYPE=發布 ..

`

4. 建構暗網：

`bash

使-j4

`

5. 打包暗網：

`bash

包裹

sudo dpkg -i darknet-VERSION.deb

`

可選：用於 GPU 加速的 CUDA 或 CUDA+cuDNN

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

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 nvcc 和 nvidia-smi 可以存取。您可能需要調整 PATH 變數。

如果您稍後安裝CUDA或CUDA+cuDNN或升級NVIDIA軟體：

刪除 Darknet 建置目錄中的 CMakeCache.txt 檔案以強制 CMake 重新尋找依賴項。

重建暗網。

要在 Ubuntu 上升級 CMake：

`bash

sudo apt-get purge cmake

sudo snap install cmake --經典

`

進階用戶：

要建置 RPM 安裝檔案而不是 DEB 文件，請將 CMpackage.cmake 中的 CPACKGENERATOR 修改為「RPM」。

對於 Centos 和 OpenSUSE，將 CPACK_GENERATOR 變更為「RPM」。

建置安裝套件後，使用適當的套件管理器進行安裝。

確認：

從命令列執行 darknet 版本以確認安裝。

Windows CMake方法

1.安裝所需軟體：

`bash

winget 安裝 Git.Git

winget 安裝 Kitware.CMake

winget安裝nsis.nsis

winget 安裝 Microsoft.VisualStudio.2022.Community

`

2.修改Visual Studio安裝：

* 開啟「Visual Studio 安裝程式」。

* 點選“修改”。

* 選擇「使用 C++ 進行桌面開發」。

* 按一下“修改”，然後按一下“是”。

3. 開啟 VS 2022 的開發人員命令提示字元：

* 不要使用 PowerShell。

4.安裝微軟VCPKG：

`bash

疾病管制署:

mkdir c:src

cd c:src

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

cd vcpkg

bootstrap-vcpkg.bat

.vcpkg.exe 整合安裝

.vcpkg.exe 整合 powershell

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

`

5.可選：CUDA或CUDA+cuDNN用於GPU加速

* 依照 https://developer.nvidia.com/cuda-downloads 上的說明安裝 CUDA。

* 依照 https://developer.nvidia.com/rdp/cudnn-download 或 https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows 中的說明安裝 cuDNN。

安裝後，請確保 nvcc.exe 和 nvidia-smi.exe 可以存取。您可能需要修改 PATH 變數。

如果您稍後安裝CUDA或CUDA+cuDNN或升級NVIDIA軟體：

* 確保在 Visual Studio 之後安裝 CUDA。

* 如果 Visual Studio 升級，請重新安裝 CUDA。

6.克隆暗網並建構它：

`bash

cd c:src

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

CD暗網

mkdir 構建

光碟建構

cmake -DCMAKEBUILDTYPE=發布-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;設定=發布 PACKAGE.vcxproj

`

7. 複製 CUDA DLL（如果需要）：

* 如果您收到缺少 CUDA 或 cuDNN DLL 的錯誤，請手動將它們複製到 Darknet 輸出目錄中。例如：

`bash

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

`

8.重新運行msbuild.exe指令產生NSIS安裝包：

`bash

msbuild.exe /property:平台=x64;設定=發布 PACKAGE.vcxproj

`

進階用戶：

您可以使用 Visual Studio GUI 中 CMake 產生的 Darknet.sln 解決方案文件，而不是命令列工具。

確認：

執行 C:srcDarknetbuildsrc-cliReleasedarknet.exe 版本以確認安裝。

若要安裝 Darknet，請執行 NSIS 安裝精靈：

在建置目錄中尋找 darknet-VERSION.exe 檔案。

執行安裝精靈來安裝 CLI 應用程式、程式庫、包含檔案和必要的 DLL。

使用暗網

命令列介面

注意：以下命令並不詳盡。

除了 Darknet CLI 之外，還可以考慮使用 DarkHelp 專案 CLI，它提供替代功能和進階功能。

大多數指令需要 .weights 檔案及其對應的 .names 和 .cfg 檔案。您可以訓練自己的網路或從網路下載預先訓練的模型。範例包括：

LEGO Gears：影像中的物件偵測。

Rolodex：影像中的文字偵測。

MSCOCO：標準 80 級物體偵測。

命令：

1.幫助：

`bash

暗網幫助

`

2.版本：

`bash

暗網版本

`

3. 使用影像預測：

* V2：

`bash

暗網探測器測試 cars.data cars.cfg cars_best.weights image1.jpg

`

* V3：

`bash

darknet02displayannotatedimages cars.cfg image1.jpg

`

* 黑暗幫助：

`bash

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

`

4、輸出座標：

* V2：

`bash

暗網探測器測試animals.dataanimals.cfganimalsbest.weights-extoutputdog.jpg

`

* V3：

`bash

darknet01inference_images 動物 狗.jpg

`

* 黑暗幫助：

`bash

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

`

5. 處理影片：

* V2：

`bash

暗網探測器示範 Animals.data Animals.cfg Animalbest.weights -extoutput test.mp4

`

* V3：

`bash

darknet03display_videos Animals.cfg test.mp4

`

* 黑暗幫助：

`bash

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

`

6. 從網路攝影機讀取資料：

* V2：

`bash

暗網探測器示範 Animals.data Animals.cfg Animals_best.weights -c 0

`

* V3：

`bash

darknet08display_網路攝影機動物

`

7. 將結果儲存到影片：

* V2：

`bash

暗網探測器示範 Animals.data Animals.cfg Animalbest.weights test.mp4 -outfilename res.avi

`

* V3：

`bash

darknet05processvideos多線程animals.cfganimals.namesanimals_best.weightstest.mp4

`

* 黑暗幫助：

`bash

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

`

8.JSON輸出：

* V2：

`bash

暗網探測器示範animals.data Animals.cfg Animalbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput

`

* V3：

`bash

darknet06imagestojson 動物 image1.jpg

`

* 黑暗幫助：

`bash

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

`

9. 在特定GPU上運作：

`bash

暗網探測器示範 Animals.data Animals.cfg Animals_best.weights -i 1 test.mp4

`

10. 檢查神經網路的準確性：

`bash

暗網探測器地圖 Driving.data Driving.cfg moving_best.weights ...

`

11.計算mAP@IoU=75：

`bash

暗網探測器地圖animals.dataanimals.cfganimalsbest.weights-iothresh 0.75

`

12. 重新計算錨點：

`bash

暗網探測器 calcanchors Animals.data -numof_clusters 6 -寬度 320 -高度 256

`

13. 訓練新網路：

`bash

暗網探測器-map-dont_show火車animals.dataanimals.cfg

`

訓練

為了簡化註解和訓練，請使用 DarkMark。這是創建新神經網路的推薦方法。

手動訓練設定（如果您願意）：

1.建立專案資料夾：

* 例如，~/nn/animals/ 用於動物檢測。

2.複製Darknet設定檔作為範本：

* 例如，cfg/yolov4-tiny.cfg。

3. 建立animals.names文字檔：

* 列出每個類，每行一個條目，沒有空白行或註解。例子：

`

狗

貓

鳥

馬

`

4. 建立animals.data文字檔：

`

班級 = 4

火車 = /home/使用者名稱/nn/animals/animals_train.txt

有效 = /home/使用者名稱/nn/animals/animals_valid.txt

名稱 = /home/使用者名稱/nn/animals/animals.names

備份= /home/用戶名/nn/animals

`

5. 為圖像和註解建立一個資料夾（例如~/nn/animals/dataset）。

* 使用 DarkMark 或類似軟體對影像進行註釋。 Darknet/YOLO FAQ 中概述了 YOLO 註釋格式。

6. 建立animalstrain.txt和animalsvalid.txt：

* 列出用於訓練和驗證的所有圖像，每行一張圖像。

7.修改.cfg檔：

* 設定批次=64。

* 根據您的網路尺寸和 GPU 記憶體調整細分。從細分=1 開始。

* 將 max_batches 設定為類別數的 2000 倍（例如，4 個類別為 8000）。

* 將步長設定為 max_batches 的 80% 和 90%。

* 調整寬度和高度以符合您所需的網路尺寸。

* 修改類別以反映 .names 檔案中的類別數量。

更新每個 [yolo] 部分之前的 [卷積] 部分中的過濾器：(numberofclasses + 5) 3.

8. 開始訓練：

`bash

cd ~/nn/動物/

暗網探測器-map-dont_show火車animals.dataanimals.cfg

`

如需更多訓練細節和進階參數，請參閱 Darknet/YOLO 常見問題。

其他工具和鏈接

DarkMark：管理 Darknet/YOLO 專案、註釋影像、驗證註解並產生訓練檔案。

DarkHelp：為 Darknet 提供替代 CLI，支援影像平鋪、物件追蹤以及用於商業應用程式的強大 C++ API。

Darknet/YOLO 常見問題：用於回答您的問題的綜合資源。

Stéphane 的 YouTube 頻道：訪問大量教學和範例影片。

Darknet/YOLO Discord 伺服器：與其他使用者聯繫以獲得支援和討論。

路線圖

最後更新於 2024 年 10 月 30 日：

完全的：

在訓練期間適用的情況下，將 qsort() 替換為 std::sort() 。

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

將 Darknet 轉換為使用 C++ 編譯器（Linux 上為 g++，Windows 上為 VisualStudio）。

修復了 Windows 建置。

重新啟用預測標籤（“字母”代碼）。

重新啟用 CUDA/GPU 程式碼、CUDNN 和 CUDNN 一半。

刪除了硬編碼的 CUDA 架構。

改進了 CUDA 版本資訊。

重新啟用 AVX。

刪除了舊的解決方案和 Makefile。

使 OpenCV 成為非可選依賴項。

刪除了舊的 pthread 庫相依性。

刪除了機上盒。

重寫 CMakeLists.txt 以改進 CUDA 檢測。

刪除了舊的“字母”代碼和相關圖像。

實施了源外建構。

增強版本號輸出。

訓練期間的性能優化（正在進行中）。

推理期間的性能優化（正在進行中）。

盡可能實現按引用傳遞。

清理了 .hpp 檔案。

重寫了darknet.h。

消除了將 cv::Mat 轉換為 void 並將其用作 C++ 物件。

修復了內部影像結構的不一致問題。

修復了基於 ARM 的 Jetson 設備的建置（新的 Jetson Orin 設備正在運行）。

在 V3 中修復了 Python API。

短期目標：

將 printf() 替換為 std::cout （正在進行中）。

重新審視舊版 Zed 相機支援。

提高命令列解析一致性（正在進行中）。

中期目標：

刪除所有 char 程式碼並替換為 std::string。

消除編譯器警告並提高程式碼清晰度（正在進行中）。

增強 cv::Mat 的使用，而不是 C 中的自訂影像結構（正在進行中）。

用 std::vector 或 std::list 取代舊的清單功能。

新增對 1 通道灰階影像的支援。

擴展對 N 通道影像的支援（N > 3，例如深度或熱通道）。

正在進行的程式碼清理（正在進行中）。

長期目標：

解決所有 GPU 上的 CUDA/CUDNN 問題。

重寫CUDA+cuDNN程式碼。

探索對非 NVIDIA GPU 的支援。

實現旋轉邊界框或“角度”支援。

新增關鍵點/骨架。

引入熱圖（正在進行中）。

探索細分。

請繼續關注 Darknet/YOLO 框架的更新和貢獻！