ansible

安西布爾

Ansible 是一個非常簡單的 IT 自動化系統。它能夠熟練地處理配置管理、應用程式部署、雲端配置、臨時任務執行、網路自動化和多節點編排。 Ansible 可讓您輕鬆執行複雜的更改，例如使用負載平衡器進行零停機滾動更新。在其官方網站上深入了解 Ansible 的功能。

設計原則

1. 使用 Ansible

您可以使用 pip 或您首選的套件管理器無縫安裝 Ansible 的發布版本。請參閱我們詳細的安裝指南，以了解不同平台的全面說明。

2. 增強進階使用者和開發人員的能力

對於高級用戶和開發人員，開發分支提供對最新功能和修復的存取。雖然整體穩定，但重要的是要承認在使用此分支時可能會發生重大更改。如果您選擇與開發分支合作，我們強烈建議您參與 Ansible 社群。

溝通

加入充滿活力的 Ansible 論壇，與社群互動、尋求協助並提出問題。如需其他溝通管道，請瀏覽我們與 Ansible 社群聯繫的專用指南。

為 Ansible 做出貢獻

編碼指南

我們在開發者指南中精心記錄了我們的編碼指南。我們強烈建議您查看以下部分：

1. 分行資訊

2. 路線圖

根據團隊和社群的寶貴回饋，為每個主要或次要版本（例如 2.7、2.8）發布了初始路線圖。 Ansible 路線圖頁面概述了我們的計劃並提供了影響我們方向的途徑。

作者

Ansible 最初由 Michael DeHaan 構想，並受益於超過 5000 名用戶（並且還在增加）的貢獻。感謝所有貢獻的人！

Ansible 很榮幸能得到紅帽公司贊助。

執照

GNU 通用公共授權 v3.0 或更高版本。請參閱複製以取得完整的許可證文字。

暗網目標偵測框架與 YOLO

!darknet 和 hank.ai 徽標

Darknet 是一個以 C、C++ 和 CUDA 開發的開源神經網路框架。

YOLO（You Only Look Once）代表了一種在暗網框架內運行的尖端即時物體偵測系統。

了解 Hank.ai 如何為 Darknet/YOLO 社群做出貢獻：https://darknetcv.ai/

探索 Darknet/YOLO 官方網站：https://pjreddie.com/darknet/

請參閱全面的 Darknet/YOLO 常見問題：https://pjreddie.com/darknet/yolo/

加入活躍的 Darknet/YOLO Discord 伺服器：https://discord.gg/zSq8rtW

文件

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

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

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

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

一般資訊

Darknet/YOLO 框架在速度和準確性方面繼續優於其他框架和 YOLO 版本。

其完全的自由和開源性質使您可以將 Darknet/YOLO 無縫整合到現有專案和產品中，包括商業專案和產品，而無需許可限製或費用。

Darknet V3（“Jazz”）於 2024 年 10 月發布，在使用 NVIDIA RTX 3090 GPU 時以令人印象深刻的 1000 FPS 處理樂高數據集視頻，展示了其強大功能。這相當於每個視訊畫面的處理時間為 1 毫秒或更短，展現了卓越的效率。

如需與 Darknet/YOLO 相關的任何協助或討論，請加入專用 Discord 伺服器：https://discord.gg/zSq8rtW。

Darknet/YOLO 的 CPU 版本適用於各種設備，包括 Raspberry Pi、雲端和 Colab 伺服器、桌上型電腦、筆記型電腦和高階訓練設備。 Darknet/YOLO 的 GPU 版本需要 NVIDIA 提供的支援 CUDA 的 GPU。

Darknet/YOLO 已驗證可在 Linux、Windows 和 Mac 作業系統上無縫運行。請參閱下面列出的建置說明。

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。我們認為這是版本 0.x。

隨後流行的 Darknet 儲存庫由 Alexey Bochkovskiy 在 2017 年至 2021 年期間維護，也缺少版本號。我們將其歸類為版本 1.x。

從 2023 年開始，由 Hank.ai 贊助並由 Stéphane Charette 管理的 Darknet 儲存庫首次引入了版本命令。從 2023 年到 2024 年底，它返回了版本 2.x「OAK」。

開發目標集中於最大限度地減少對現有功能的干擾，同時熟悉程式碼庫。

2.x 版本的主要改進：

1. 統一建置過程：在 Windows 和 Linux 上使用 CMake 重寫了統一方法的建置步驟。

2. C++ 轉換：轉換程式碼庫以利用 C++ 編譯器。

3.增強訓練視覺化：改進了訓練過程中chart.png的可視化。

4. 性能優化：解決了錯誤並實施了與性能相關的優化，主要集中在減少訓練時間。

版本 2.1 代表此程式碼庫的最終分支，可在 v2 分支中使用。

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。

如果您需要存取該版本的特定命令，您可以保留查看先前的 v2 分支的選項。如果您遇到任何遺失的命令，請通知我們進行調查和可能的重新整合。

3.x 版本的重大變更：

1.命令修剪：刪除了大量過時且無人維護的命令。

2. 增強性能：在訓練和推理過程中實施了廣泛的性能優化。

3. API修改：舊版C API進行了修改；依賴原始 Darknet API 的應用程式將需要進行細微調整。請參閱更新的文件以獲取指導：https://darknetcv.ai/api/api.html

4.新API介紹：引進了新的Darknet V3 C和C++ API：https://darknetcv.ai/api/api.html

5.擴充範例程式碼：在 src-examples 目錄中新增了新的應用程式和範例程式碼：https://darknetcv.ai/api/files.html

MSCOCO 預訓練權重

為了方便用戶，幾個流行的 YOLO 版本在 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 文字檔案中找到。

其他更簡單的資料集和預訓練權重可隨時用於測試 Darknet/YOLO，包括 LEGO Gears 和 Rolodex。有關詳細信息，請參閱 Darknet/YOLO 常見問題解答。

您可以從各個位置取得 MSCOCO 預訓練權重，包括此儲存庫：

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 預訓練權重用於演示目的。 MSCOCO 對應的 .cfg 和 .names 檔案位於 cfg 目錄中。

命令範例：

`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

`

強烈建議訓練自己的網路。 MSCOCO 通常用於確保框架的功能能如預期運作。

大樓

先前的建置方法（2023 年之前）已合併為統一的解決方案。 Darknet 需要 C++17 或更高版本的 OpenCV，並利用 CMake 產生必要的專案文件。

建立 Darknet/YOLO 不需要 C++ 專業知識；類似於駕駛汽車，您無需成為機械師即可使用它。

我們鼓勵軟體開發人員存取 https://darknetcv.ai/ 以深入了解 Darknet/YOLO 物件偵測框架的內部運作原理。

Google合作實驗室

Google Colab 指令反映了 Linux 指令。幾個 Jupyter 筆記本示範了特定任務，例如訓練新網路。

瀏覽 colab 子目錄中的筆記本或按照下面提供的 Linux 說明進行操作。

Linux CMake方法

1. 必備軟體：

建置重點： sudo apt-get install build-essential git libopencv-dev cmake

2. 儲存庫克隆：

建立來源目錄：mkdir ~/srccd ~/src

克隆儲存庫： git clone https://github.com/hank-ai/darknetcd darknet

3. 建置目錄：

建立建置目錄：mkdir buildcd build

4.CMake配置：

配置 CMake：cmake -DCMAKEBUILDTYPE=Release ..

5. 建構暗網：

建構：make -j4

6. 軟體包安裝：

創建包：包

安裝軟體包： sudo dpkg -i darknet-VERSION.deb

選購：CUDA 或 CUDA+cuDNN 安裝

為了加速影像和視訊處理，您可以選擇安裝 CUDA 或 CUDA+cuDNN。

CUDA安裝：

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

cuDNN 安裝：

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。

CUDA 安裝後：

確保您可以執行 nvcc 和 nvidia-smi。您可能需要修改 PATH 變數。

升級CUDA或CUDA+cuDNN：

從 Darknet 建置目錄中刪除 CMakeCache.txt 文件，以強制 CMake 重新尋找必要的文件。

重建暗網。

CMake版本升級（如有必要）：

清除現有的 CMake： sudo apt-get purge cmake

安裝最新的 CMake： sudo snap install cmake --classic

重新啟動 shell (bash) 或確保新路徑被辨識 (fish)。

進階用戶：

若要建置 RPM 安裝檔案而不是 DEB，請修改 CM_package.cmake 中的相關行。在執行 make -j4 package 之前，請調整以下行：

`cmake

設定（CPACK_GENERATOR“DEB”）

設定（CPACK_GENERATOR“RPM”）

`

對於 CentOS 和 OpenSUSE 等發行版，請修改以下行：

`cmake

設定（CPACK_GENERATOR“DEB”）

設定（CPACK_GENERATOR“RPM”）

`

建置安裝套件後，使用發行版的套件管理器進行安裝。例如，在基於 Debian 的系統（如 Ubuntu）上：

`bash

sudo dpkg -i darknet-2.0.1-Linux.deb

`

安裝後：

安裝的檔案包括：

- /usr/bin/darknet：Darknet 執行檔。執行 darknet 版本以確認安裝。

- /usr/include/darknet.h：針對 C、C++ 和 Python 開發人員的 Darknet API。

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

- /usr/lib/libdarknet.so：用於 C、C++ 和 Python 開發中連結的函式庫。

- /opt/darknet/cfg/...：所有 .cfg 範本的位置。

Darknet 現已成功建置並安裝在 /usr/bin/ 中。要驗證，請執行 darknet 版本。

Windows CMake方法

1.先決條件：

使用 Winget 安裝以下內容：

- Git：winget 安裝 Git.Git

- CMake：winget 安裝 Kitware.CMake

- NSIS: winget 安裝 nsis.nsis

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

2. Visual Studio配置：

從 Windows 開始功能表中開啟「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. 開發者命令提示字元：

開啟「Windows 開始」功能表並選擇「VS 2022 的開發人員命令提示字元」。請勿使用 PowerShell 執行這些步驟。

4. Microsoft VCPKG 安裝（適用於 OpenCV）：

導航至 C:: cd c:

建立src目錄：mkdir c:src

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

引導 VCPKG：cd vcpkg bootstrap-vcpkg.bat

整合 VCPKG：.vcpkg.exe 整合安裝

安裝 OpenCV（包含依賴項）： .vcpkg.exe install opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows

5. 選購：CUDA 或 CUDA+cuDNN 安裝 (Windows)

為了加速影像和視訊處理，您可以選擇安裝 CUDA 或 CUDA+cuDNN。

CUDA安裝：

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

cuDNN 安裝：

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。

CUDA 安裝後：

確保您可以執行 nvcc.exe。您可能需要修改 PATH 變數。

解壓縮下載的cuDNN，並將bin、include、lib目錄複製到C:/Program Files/NVIDIA GPUComputing Toolkit/CUDA/[版本]/中。您可能需要覆蓋一些文件。

升級CUDA或CUDA+cuDNN：

CUDA 必須在 Visual Studio 之後安裝。如果升級 Visual Studio，請重新安裝 CUDA。

6. 克隆和建構暗網：

導航到您的來源目錄： cd c:src

複製儲存庫： git clone https://github.com/hank-ai/darknet.git

建立建置目錄： cd darknetmkdir build

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

建置解決方案： msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln

產生NSIS安裝包：msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj

7. 處理遺失的 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 檔案複製到與 Darknet.exe 相同的輸出目錄。例如：

`bash

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

`

調整命令中的版本號以符合您的安裝。

重新運行msbuild.exe指令產生NSIS安裝包。

進階用戶：

cmake 指令產生 Visual Studio 解決方案檔案 (Darknet.sln)。如果您喜歡 Visual Studio GUI，則可以在 Visual Studio 中載入 Darknet 項目，而不是使用命令列工具。

建置後驗證：

驗證 C:srcDarknetbuildsrc-cliReleasedarknet.exe 是否存在。執行 C:srcDarknetbuildsrc-cliReleasedarknet.exe 版本進行確認。

安裝：

執行NSIS安裝精靈（例如，建置目錄中的darknet-VERSION.exe）來安裝Darknet、程式庫、包含檔案和必要的DLL。

安裝後驗證：

驗證 C:/Program Files/darknet/bin/darknet.exe 是否存在。執行 C:/Program Files/darknet/bindarknet.exe 版本進行確認。

使用暗網

命令列介面

此清單不包含所有暗網命令。

除了 Darknet CLI 之外，還可以考慮使用 DarkHelp 專案 CLI，它提供了替代且更高級的介面。兩個 CLI 可以一起使用。

對於大多數命令，您需要一個 .weights 檔案以及相應的 .names 和 .cfg 檔案。您可以訓練自己的網路或下載預先訓練的網路。

預訓練資料集：

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。

常用 CLI 指令：

1.幫助：暗網幫助

2.版本：暗網版本

3.影像預測（V2）：

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

4.影像預測（V3）：

darknet02displayannotatedimages cars.cfg image1.jpg

5.影像預測（DarkHelp）：

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

6. 輸出座標（V2）：

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

7. 輸出座標（V3）：

darknet01inference_images 動物 狗.jpg

8.輸出座標（DarkHelp）：

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

9. 視訊處理（V2）：

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

10.視訊處理（V3）：

darknet03display_videos Animals.cfg test.mp4

11.視訊處理（DarkHelp）：

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

12.網路攝影機處理（V2）：

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

13.網路攝影機處理（V3）：

darknet08display_網路攝影機動物

14.影片保存（V2）：

暗網探測器演示animals.dataanimals.cfganimalsbest.weightstest.mp4-outfilenameres.avi

15.影片保存（V3）：

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

16.影片保存（DarkHelp）：

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

17.JSON輸出（V2）：

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

18.JSON輸出（V3）：

darknet06imagestojson 動物 image1.jpg

19. JSON 輸出（DarkHelp）：

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

20.GPU選擇（V2）：

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

21. 網路準確性檢查：

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

22. 精度檢查（mAP@IoU=75）：

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

23.錨點重新計算（建議使用DarkMark）：

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

24. 訓練新網路：

darknet detector -map -dont_show train Animals.data Animals.cfg（請參閱下面的訓練部分）

訓練

暗網/YOLO 常見問題相關部分的快速連結：

設定：https://pjreddie.com/darknet/yolo/

設定檔選擇：https://pjreddie.com/darknet/yolo/

訓練指令：https://pjreddie.com/darknet/yolo/

最簡化的註釋和訓練方法涉及利用 DarkMark。這是訓練新神經網路的推薦方法。

手動訓練設定：

1. 建立專案資料夾：例如~/nn/animals/。

2. 複製配置模板：

選擇一個設定檔（例如cfg/yolov4-tiny.cfg）。

將其放入項目資料夾中。

現在你有了~/nn/animals/animals.cfg。

3. 建立animals.names檔案：

在專案資料夾中建立一個名為animals.names 的文字檔案。

使用您想要的類別編輯此文件。

確保每個類別都在單獨的行上，沒有空白行或註解。

例如：

`

狗

貓

鳥

馬

`

4. 建立animals.data檔：

在專案資料夾中建立一個名為animals.data 的文字檔案。

內容應類似：

`

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. 建立資料集資料夾：

建立一個資料夾來儲存圖像和註釋。例如，~/nn/animals/dataset。

每個圖像都需要一個相應的 .txt 檔案來定義其註釋。

您無法手動建立這些 .txt 檔案；需要使用 DarkMark 或類似工具來註釋圖像並產生這些文件。

有關 YOLO 註釋格式，請參閱 Darknet/YOLO FAQ。

6. 建立animalstrain.txt 和animalsvalid.txt 檔案：

按照 Animals.data 檔案中的指定來建立這些文字檔案。

這些文件分別列出了用於訓練和驗證的所有圖像。

每行一張影像，使用相對或絕對路徑。

7.修改設定檔（animals.cfg）：

批次：設定批次=64。

細分：從細分=1 開始。根據網路尺寸和 GPU 記憶體根據需要進行調整。

最大批次：一個好的起始值是 maxbatches=2000 * numberofclasses。在此範例中，maxbatches=8000（4 隻動物）。

步驟：設定為 max_batches 的 80% 和 90%。在此範例中，步驟=6400,7200。

寬度和高度：定義網路尺寸。請參閱 Darknet/YOLO 常見問題以取得指導。

類別：設定classes=... 以符合.names 檔案中的類別數（本例中為4）。

過濾器：在yolo層之前的每個卷積層中，將filters=...設為(numberofclasses + 5) * 3。

8. 開始訓練：

導航到您的專案資料夾：cd ~/nn/animals/

開始訓練：darknet detector -map -dont_show train Animals.data Animals.cfg

要有耐心。最佳權重將儲存為animals_best.weights。

透過查看chart.png檔案觀察訓練進度。

有關其他訓練參數，請參閱 Darknet/YOLO 常見問題。

若要獲得更詳細的訓練輸出，請新增 --verbose 標誌：

`bash

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

`

其他工具和鏈接

DarkMark：用於管理 Darknet/YOLO 專案、註釋影像、驗證註釋以及產生訓練檔案。 https://darknetcv.ai/darkmark/

DarkHelp：提供 Darknet、圖像平鋪、物件追蹤和商業友好的 C++ API 的強大替代 CLI。 https://darknetcv.ai/darkhelp/

Darknet/YOLO 常見問題：常見問題的答案。 https://pjreddie.com/darknet/yolo/

Stéphane 的 YouTube 頻道：提供教學和範例影片。 https://www.youtube.com/@stephane-charette

Darknet/YOLO Discord Server：用於支援問題和社群討論。 https://discord.gg/zSq8rtW

路線圖

最後更新：2024-10-30

完全的

在訓練期間將 qsort() 替換為 std::sort()。

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

將 Darknet 遷移到 C++ 編譯器（Linux 上的 g++，Windows 上的 VisualStudio）。

解決了 Windows 建置問題。

重新啟用 Python 支援。

建立了暗網庫。

重新啟用預測標籤（“字母”代碼）。

重新啟用 CUDA/GPU 代碼。

重新啟用 CUDNN。

重新啟用 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。

刪除了對舊 pthread 函式庫的依賴。

刪除了機上盒。

重寫 CMakeLists.txt 以使用新的 CUDA 檢測。

刪除了舊的“字母”代碼並刪除了資料/標籤中的 700 多個圖像。

啟用外源建置。

改進了版本號輸出。

實施與培訓相關的性能優化（正在進行中）。

實施與推理相關的性能優化（正在進行中）。

在適用的情況下採用引用傳遞。

清理了 .hpp 檔案。

重寫darknet.h。

避免將 cv::Mat 轉換為 void* 並將其用作正確的 C++ 物件。

解決了內部影像結構使用的不一致問題。

修復了基於 ARM 的 Jetson 設備的建置。

新的 Jetson Orin 設備可以正常運作。

解決了 V3 中的 Python API 問題。

短期目標

將 printf() 替換為 std::cout （正在進行中）。

研究舊的 zed 相機支援。

改進命令列解析以實現一致性（正在進行中）。

中期目標

刪除所有 char* 程式碼並替換為 std::string。

消除隱藏警告並解決編譯器警告（正在進行中）。

增強 cv::Mat 的使用，而不是自訂 C 影像結構（正在進行中）。

用 std::vector 或 std::list 取代舊的清單功能。

修復對 1 通道灰階影像的支援。

新增對 N 通道影像（其中 N > 3）的支援（例如，具有深度或熱通道的影像）。

繼續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。

介紹關鍵點/骨架。

添加對熱圖的支援（正在進行中）。

納入細分。