暗網目標偵測框架與 YOLO
Darknet 是一個使用 C、C++ 和 CUDA 製作的開源神經網路框架。它是 YOLO（You Only Look Once）的基礎，YOLO 是一種尖端的即時物體檢測系統，以其速度和準確性而聞名。
了解 Hank.ai 如何支持 Darknet/YOLO 社群：[Hank.ai 部落格連結]
探索 Darknet/YOLO 官方網站：[Darknet 網站連結]
深入了解全面的 Darknet/YOLO 常見問題：[常見問題連結]
與 Discord 上充滿活力的 Darknet/YOLO 社群互動：[Discord 伺服器連結]
文件
1. YOLOv7：[論文連結]
2. Scaled-YOLOv4：[論文連結]
3. YOLOv4：[論文連結]
4. YOLOv3：[論文連結]
一般資訊
Darknet/YOLO框架在速度和準確性方面繼續主導其他框架和YOLO版本。其開源性質和完全免收許可費用，可以無縫整合到現有項目和商業產品中。
Darknet V3（「Jazz」）於 2024 年 10 月發布，實現了卓越的效能，使用 NVIDIA RTX 3090 GPU 以驚人的 1000 FPS 處理樂高資料集影片。這意味著每個視訊畫面的處理時間不到 1 毫秒。
透過 [Discord 伺服器連結] 加入活躍的 Darknet/YOLO Discord 伺服器以獲得支援、討論和協作學習。
Darknet/YOLO 適合各種設備，從 Raspberry Pi 到高階訓練設備，支援 CPU 和 GPU 版本。 GPU 版本需要 NVIDIA 提供的支援 CUDA 的 GPU。
Darknet/YOLO 與 Linux、Windows 和 Mac 作業系統相容。請在下面找到詳細的建造說明。
暗網版本
最初的暗網工具由 Joseph Redmon 在 2013 年至 2017 年期間開發，缺乏版本號。我們將此版本指定為 0.x。
Alexey Bochkovskiy 從 2017 年到 2021 年繼續維護流行的 Darknet 儲存庫，同樣沒有版本號。我們將此稱為版本 1.x。
由 Hank.ai 贊助並自 2023 年起由 Stéphane Charette 維護的 Darknet 儲存庫引入了「version」命令。 2023 年至 2024 年底期間，它返回了版本 2.x「OAK」。
開發目標是盡量減少對現有功能的干擾，同時熟悉程式碼庫。主要改進包括：
統一建置過程：重寫建置步驟，以在 Windows 和 Linux 上實作基於 CMake 的一致建置流程。
C++ 程式碼庫：轉換程式碼庫以利用 C++ 編譯器。
增強的訓練圖表：改進了訓練過程中的chart.png視覺化。
錯誤修復和最佳化：與表現相關的增強，重點是減少訓練時間。
該程式碼庫的最後一個分支是版本 2.1，位於「v2」分支。
下一階段的開發於 2024 年中期開始，並最終於 2024 年 10 月發布 3.x「JAZZ」版本。
您始終可以存取先前的“v2”分支來執行這些版本中的命令。如果您遇到任何遺失的命令，請通知我們，我們將調查它們的重新整合。
Darknet V3 的重大變更包括：
命令刪除：刪除過時和不常用的命令。
表現優化：訓練和推理表現的增強。
Legacy API修改：對遺留C API的修改；使用原始 Darknet API 的應用程式可能需要進行細微調整。
新的 C/C++ API：引進新的 Darknet V3 C 和 C++ API。
更新的範例程式碼：在「src-examples」目錄中包含新應用程式和範例程式碼。
有關新 API 的詳細資訊：[Darknet V3 API 文件連結]
探索更新的範例程式碼：[Darknet V3 API 檔案連結]
MSCOCO 預訓練權重
為了方便起見，幾個流行的 YOLO 版本已經在 MSCOCO 資料集上進行了預訓練。該資料集包含 80 個類，可以在「cfg/coco.names」文字檔案中輕鬆識別。
除了 MSCOCO 之外，Darknet/YOLO 還為 LEGO Gears 和 Rolodex 等更簡單的資料集提供預訓練權重，讓您嘗試各種場景。有關詳細信息，請參閱 Darknet/YOLO 常見問題解答。
MSCOCO 預訓練權重可從多個來源存取，包括此儲存庫：
YOLOv2（2016 年 11 月）：
YOLOv2-tiny：[權重連結]
YOLOv2-full：[權重連結]
YOLOv3（2018 年 5 月）：
YOLOv3-tiny：[權重連結]
YOLOv3-full：[權重連結]
YOLOv4（2020 年 5 月）：
YOLOv4-tiny：[權重連結]
YOLOv4-full：[權重連結]
YOLOv7（2022 年 8 月）：
YOLOv7-tiny：[權重連結]
YOLOv7-full：[權重連結]
這些預先訓練的權重主要用於演示目的。 MSCOCO 對應的 .cfg 和 .names 檔案位於「cfg」目錄中。命令範例：
`
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
`
請記住，我們鼓勵訓練您自己的人脈。 MSCOCO 主要用作確認設定正確運行的基準。
大樓
2023 年之前使用的各種建置方法已合併為一個統一的解決方案。 Darknet 依賴 C++17 或更高版本、OpenCV，並利用 CMake 產生必要的專案文件。
建造、安裝和運行 Darknet/YOLO 不需要 C++ 專業知識，類似於無需機械師即可駕駛汽車。
Google合作實驗室
Google Colab 指令與 Linux 指令相同。幾個 Jupyter 筆記本示範了各種任務，例如訓練新網路。
瀏覽「colab」子目錄中的筆記本或按照下面的 Linux 說明進行操作。
Linux CMake方法
Linux 暗網建置教學課程
選用：如果您有現代 NVIDIA GPU，則此時可以安裝 CUDA 或 CUDA+cuDNN。如果安裝，Darknet 將使用您的 GPU 來加速映像（和視訊）處理。
您必須從 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。
記得重建暗網。
Darknet 可以在沒有它的情況下運行，但如果您想訓練自訂網絡，則需要 CUDA 或 CUDA+cuDNN。
1.安裝先決條件：
`bash
sudo apt-get install build-essential git libopencv-dev cmake
`
2.克隆暗網儲存庫：
`bash
mkdir ~/srccd ~/src
git 克隆 https://github.com/hank-ai/darknetcd darknet
`
3.建立建置目錄：
`bash
mkdir buildcd build
`
4.配置CMake：
`bash
cmake -DCMAKEBUILDTYPE=發布 ..
`
5. 建構暗網：
`bash
使-j4
`
6. 打包暗網：
`bash
包裹
`
7.安裝包：
`bash
sudo dpkg -i darknet-VERSION.deb
`
如果您使用的是舊版的 CMake，則需要先升級 CMake，然後才能執行上面的 cmake 指令。可以使用以下命令在 Ubuntu 上升級 CMake：
`bash
sudo apt-get purge cmake
sudo snap install cmake --經典
`
如果使用 bash 作為命令 shell，此時您需要重新啟動 shell。如果使用魚，它應該立即選擇新路徑。
進階用戶：
如果您喜歡 RPM 安裝套件而不是 DEB 文件，請修改「CM_package.cmake」中的相關行。在執行“make -j4 package”之前，請調整這些行：
`cmake
設定（CPACKGENERATOR“DEB”）#設定（CPACKGENERATOR“RPM”）
`
對於 Centos 和 OpenSUSE 等發行版，請如下修改這些行：
`cmake
設定（CPACK_GENERATOR“DEB”）
設定（CPACK_GENERATOR“RPM”）
`
使用發行版的套件管理器安裝建置的套件。對於基於 Debian 的系統（例如 Ubuntu）：
`bash
sudo dpkg -i darknet-2.0.1-Linux.deb
`
.deb 套件安裝將複製以下檔案：
/usr/bin/darknet：主要的 Darknet 執行檔。從 CLI 執行“darknet version”以確認安裝成功。
/usr/include/darknet.h： C、C++ 和 Python 開發人員的 Darknet API。
/usr/include/darknet_version.h：包含開發人員的版本資訊。
/usr/lib/libdarknet.so：C、C++ 和 Python 開發人員連結的函式庫。
/opt/darknet/cfg/...：儲存所有.cfg 範本。
恭喜！ Darknet 已建置並安裝到 /usr/bin/ 中。執行“暗網版本”來驗證安裝。
如果你沒有 /usr/bin/darknet，這表示你只是建造了它，而不是安裝了它。確保如上所述安裝 .deb 或 .rpm 檔案。
Windows CMake方法
這些說明假定全新安裝 Windows 11 22H2。
1. 使用 Winget 安裝先決條件：
`bash
winget 安裝 Git.Git
winget 安裝 Kitware.CMake
winget安裝nsis.nsis
winget安裝Microsoft.VisualStudio.2022.社區
`
2.修改Visual Studio安裝：
- 按一下「Windows 開始」功能表並執行「Visual Studio 安裝程式」。
- 按一下「修改」。
- 選擇「使用 C++ 進行桌面開發」。
- 點擊右下角的“修改”，然後按一下“是”。
3.安裝微軟VCPKG：
- 安裝完成後，按一下「Windows 開始」功能表並選擇「VS 2022 的開發人員命令提示字元」。不要使用 PowerShell 執行這些步驟，這會導致問題！
- 進階使用者：您可以執行普通命令提示字元或 ssh 進入裝置並手動執行“Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat”，而不是使用開發人員命令提示字元。
4.使用VCPKG安裝OpenCV：
`bash
疾病管制署:
mkdir c:srccd c:src
git 克隆 https://github.com/microsoft/vcpkgcd 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
`
在此步驟中請耐心等待，因為下載和建置依賴項可能需要大量時間。
進階用戶：
- 請注意，在建置 OpenCV 時您可能需要添加許多其他可選模組。運行 .vcpkg.exe 搜尋 opencv 以查看完整清單。
選用：如果您有現代 NVIDIA GPU，則此時可以安裝 CUDA 或 CUDA+cuDNN。如果安裝，Darknet 將使用您的 GPU 來加速映像（和視訊）處理。
您必須從 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。
記得重建暗網。
Darknet 可以在沒有它的情況下運行，但如果您想訓練自訂網絡，則需要 CUDA 或 CUDA+cuDNN。
1.安裝CUDA：
造訪 https://developer.nvidia.com/cuda-downloads 下載並安裝 CUDA。
2.安裝cuDNN：
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。
3.驗證CUDA安裝：
安裝 CUDA 後，請確保可以執行 nvcc.exe 和 nvidia-smi.exe。您可能需要調整 PATH 變數。
4.整合cuDNN：
解壓縮下載的 cuDNN 檔案並將「bin」、「include」和「lib」目錄複製到 C:Program FilesNVIDIA GPU Compute ToolkitCUDA[版本]。您可能需要覆蓋現有文件。
5.在Visual Studio之後安裝CUDA：
- CUDA 必須在 Visual Studio 之後安裝。如果升級 Visual Studio，請記得重新安裝 CUDA。
6. 克隆暗網並建構：
`bash
cd c:src
git 克隆 https://github.com/hank-ai/darknet.gitcd darknet
mkdir buildcd build
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. 處理缺失的 CUDA/cuDNN DLL：
- 如果遇到缺少 CUDA 或 cuDNN DLL（例如 cublas64_12.dll）的錯誤，請手動將相關 CUDA .dll 檔案複製到 darknet.exe 所在的目錄中。例如：
`bash
複製“C： Program Files NVIDIA GPU計算工具包 CUDA v12.2 bin * .dll” src-cliRelease
`
（這是一個範例。驗證您的 CUDA 版本並執行適當的命令。）
- 重新執行最後一個msbuild.exe指令以產生NSIS安裝包。
進階用戶：
cmake 指令輸出是常規 Visual Studio 解決方案檔案 (Darknet.sln)。如果您喜歡使用 Visual Studio GUI 而不是 msbuild.exe 進行構建，則可以在 Visual Studio 中載入 Darknet 專案並忽略命令列步驟。
您現在應該有 C:srcDarknetbuildsrc-cliReleasedarknet.exe 執行檔。執行 C:srcDarknetbuildsrc-cliReleasedarknet.exe 版本來測試安裝。
若要正確安裝 Darknet，包括程式庫、包含檔案和必要的 DLL，請執行上一個步驟中建置的 NSIS 安裝精靈。在建置目錄中找到darknet-VERSION.exe 文件，例如darknet-2.0.31-win64.exe。
NSIS 安裝套件將：
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 3 方 .dll 檔案（例如，來自 OpenCV）。
安裝必要的 Darknet .dll、.lib 和 .h 文件，以便從其他應用程式使用 darknet.dll。
安裝模板 .cfg 檔案。
現在你已經完成了！安裝精靈完成後，Darknet 將安裝在 C:Program FilesDarknet 中。執行 C:Program FilesDarknetbindarknet.exe 版本來驗證安裝。
如果您沒有 C:/Program Files/darknet/bin/darknet.exe，這表示您只是建置了它，而不是安裝了它。確保您按照前面所述完成了 NSIS 安裝精靈的每個面板。
使用暗網
命令列介面
這並不是 Darknet 支援的所有命令的詳盡列表。
除了 Darknet CLI 之外，請注意 DarkHelp 專案 CLI，它為 Darknet/YOLO 提供了替代介面。它包括暗網中不直接提供的一些高級功能。您可以同時使用 Darknet CLI 和 DarkHelp CLI；它們並不互相排斥。
對於下面的大多數命令，您將需要 .weights 檔案以及相應的 .names 和 .cfg 檔案。您可以訓練自己的網路（強烈建議！）或從公開資源下載預先訓練的神經網路。一些例子包括：
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）
以下是一些範例命令及其用法：
基本指令：
幫助：
`bash
暗網幫助
`
版本：
`bash
暗網版本
`
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
`
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
`
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
`
網路攝影機輸入：
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
`
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
`
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
`
在特定 GPU 上運行：
V2：
`bash
暗網探測器示範 Animals.data Animals.cfg Animals_best.weights -i 1 test.mp4
`
檢查網路準確性：
地圖：
`bash
暗網探測器地圖 Driving.data Driving.cfg moving_best.weights ...
`
- 此指令將顯示資料集中每個類別的平均精確度 (AP)。
映射@IoU=75：
`bash
暗網探測器地圖animals.dataanimals.cfganimalsbest.weights-iothresh 0.75
`
- 此指令計算 IoU 閾值 0.75 時的 mAP。
計算錨點：
錨點重新計算的最佳實踐是使用 DarkMark，因為它會運行 100 次連續計算並選擇最佳錨點。但是，您可以使用較舊的暗網方法：
`bash
暗網探測器 calcanchors Animals.data -numof_clusters 6 -寬度 320 -高度 256
`
訓練新網路：
基礎訓練：
`bash
暗網探測器-map-dont_show火車animals.dataanimals.cfg
`
- 最佳權重將保存為animals_best.weights，訓練進度在chart.png中可見。
詳細訓練：
`bash
暗網探測器-map-dont_show--verbose火車animals.dataanimals.cfg
`
- 此命令在訓練期間提供更詳細的資訊。
訓練
暗網/YOLO 常見問題相關部分的快速連結：
文件和目錄設定：[連結到常見問題解答部分]
選擇正確的設定檔：[連結到常見問題解答部分]
訓練指令：[連結到常見問題解答部分]
最直接的註解和訓練方法是使用 DarkMark 建立所有必要的 Darknet 檔案。這是訓練新神經網路的推薦方法。
手動訓練設定：
1. 建立資料夾：建立一個新資料夾來儲存您的訓練文件。例如，~/nn/animals/。
2. 複製設定檔：將 Darknet 設定檔作為範本（例如 cfg/yolov4-tiny.cfg）複製到您的資料夾中。您現在擁有 ~/nn/animals/animals.cfg。
3. 建立.names 檔案：在同一資料夾中建立animals.names 文字檔案。
- 編輯文件以列出您要偵測的類別。每個類別必須單獨佔一行，不能有空行或註解。例如：
`
狗
貓
鳥
馬
`
4. 建立.data 檔案：在同一資料夾中建立animals.data 文字檔案。
- .data 檔案定義訓練和驗證資料集、類別名稱和備份目錄。例如：
`
班級=4
train=/home/使用者名稱/nn/animals/animals_train.txt
valid=/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. 建立圖像和註解資料夾：建立一個資料夾（例如~/nn/animals/dataset）來儲存圖像和註解。
- 每個圖像都需要一個包含註釋的相應 .txt 檔案。註釋格式具體；它無法手動創建。使用 DarkMark 或類似軟體對影像進行註釋。
- YOLO 註釋格式在 Darknet/YOLO FAQ 中進行了解釋。
6. 建立「train」和「valid」檔案：建立.data 檔案中提到的「train」和「valid」文字檔。
- 這些文件分別列出了用於訓練和驗證的圖像。每個影像應位於單獨的行上。您可以使用相對或絕對路徑。
7、修改設定檔：
- 使用文字編輯器開啟 .cfg 檔案並進行以下調整：
-batch=64：這個值通常就可以了。
- 細分：從細分=1 開始。您可能需要根據 GPU 記憶體和網路尺寸增加此值。請參閱 Darknet/YOLO 常見問題以取得指導。
- maxbatches：將其設定為 2000 * 類別數。例如，對於 4 個類，maxbatches=8000。
- 步驟：將其設定為最大批次的 80% 和 90%。例如，maxbatches=8000，steps=6400,7200。
- 寬度和高度：這些是網路尺寸。有關維度計算建議，請參閱 Darknet/YOLO 常見問題。
- 類別：更改classes=... 行以匹配.names 檔案中的類別數（在本例中，classes=4）。
- 過濾器：修改每個[yolo]部分之前的每個[卷積]部分中的filters=...行。該值的計算方式為 (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
`
- 訓練可能需要一段時間。最佳權重將儲存為animals_best.weights。訓練進度在 Chart.png 檔案中可見。有關其他訓練參數，請參閱 Darknet/YOLO 常見問題。
- 如果您想要更詳細的訓練信息，請添加 --verbose 參數：
`bash
暗網探測器-map-dont_show--verbose火車animals.dataanimals.cfg
`
其他工具和鏈接
DarkMark：此工具可協助管理您的 Darknet/YOLO 專案、註釋影像、驗證註解以及產生 Darknet 訓練所需的檔案。
DarkHelp：Darknet 的強大替代 CLI，提供影像平鋪、影片中的物件追蹤等功能以及用於商業應用程式的強大 C++ API。
Darknet/YOLO 常見問題：用於回答有關 Darknet/YOLO 問題的寶貴資源。
Stéphane 的 YouTube 頻道：尋找大量教學和範例影片。
Darknet/YOLO Discord 伺服器：加入伺服器以詢問支援問題並與其他 Darknet/YOLO 使用者聯繫。
路線圖
最後更新: 2024-10-30
完全的
交換 qsort()：在程式碼庫的相關部分將 qsort() 替換為 std::sort()。 （剩下的一些實例仍然使用 qsort()）
刪除過時的函數：刪除了 check_mistakes、getchar() 和 system()。
C++ 程式碼庫：將 Darknet 轉換為使用 C++ 編譯器（Linux 上為 g++，Windows 上為 VisualStudio）。
Windows 建置：修復了 Windows 建置過程。
Python 支援：修復了 Python 整合。
暗網庫：建構了暗網庫。
預測標籤：重新啟用預測標籤（「字母」代碼）。
CUDA/GPU 代碼：重新啟用 CUDA/GPU 功能。
CUDNN：重新啟用 CUDNN 支援。
CUDNN half：重新啟用 CUDNN 半精確度支援。
CUDA 架構：刪除了 CUDA 架構的硬編碼。
CUDA版本資訊：改進了CUDA版本資訊。
AVX：重新啟用 AVX 支援。
刪除了舊文件：刪除了舊的解決方案和 Makefile。
OpenCV 依賴項：使 OpenCV 成為必需的依賴項。
pthread 函式庫：刪除了對舊 pthread 函式庫的依賴。
STB：刪除了 STB 相依性。
CMakeLists.txt：重寫 CMakeLists.txt 以使用新的 CUDA 偵測方法。
刪除了過時的檔案：刪除了舊的“字母”代碼並刪除了資料/標籤中的 700 多個圖像。
外源建置：啟用外源建置。
版本號：改進版本號輸出。
訓練表現：訓練的表現最佳化（正在進行的任務）。
推理表現：推理表現最佳化（正在進行的任務）。
按引用傳遞：盡可能使用按引用傳遞以提高效率。
程式碼清理：清理了 .hpp 檔案。
重寫darknet.h：更新了Darknet API頭檔。
cv::Mat 用法：使用 cv::Mat 作為正確的 C++ 對象，而不是強制轉換為 void*。
影像結構：修復了與內部影像結構相關的不一致和問題。
Jetson 支援：修復了基於 ARM 的 Jetson 裝置的建置。
- 由於 NVIDIA 停止支援（無 C++17 編譯器），較舊的 Jetson 裝置不太可能修復。
- 新的 Jetson Orin 設備正在運作。
V3 中的 Python API：修復了 Darknet V3 中的 Python API。
短期目標
交換 printf()：用 std::cout 取代 printf()（正在進行中）。
Zed 相機支援：重新審視並改進對 Zed 相機的支援。
命令列解析：實作更強大且一致的命令列解析（正在進行中）。
中期目標
刪除字元代碼：刪除所有字元代碼並將其替換為 std::string。
編譯器警告：不要隱藏警告並解決編譯器警告（正在進行中）。
cv::Mat 用法：增強 cv::Mat 的使用，而不是 C 中的自訂影像結構（正在進行中）。
清單功能：用 std::vector 或 std::list 取代舊的清單功能。
灰階影像支援：修復了對 1 通道灰階影像的支援。
N 通道影像支援：增加超過 3 個通道（例如深度或熱通道）的影像的支援。
正在進行的程式碼清理：繼續進行正在進行的程式碼清理（正在進行中）。
長期目標
CUDA/CUDNN 問題：解決不同 GPU 之間的 CUDA/CUDNN 相容性問題。
重寫 CUDA/CUDNN 程式碼：重寫 CUDA/CUDNN 程式碼以提高效能和相容性。
非 NVIDIA GPU 支援：研究對非 NVIDIA GPU 的支援。
旋轉邊界框：實現對旋轉邊界框或角度資訊的支援。
關鍵點/骨架：新增對關鍵點和骨架的支援。
熱圖：實現熱圖支援（正在進行中）。
分段：新增對分段的支援。
