馬麥醬
0.1.7
Marmite
Marmite [Markdown makes sites] is a very simple static site generator.
Downcodes小編說：「Marmite 是一個非常簡單的靜態網站產生器。我經常使用其他SSG，但總是發現從頭開始設定它們太麻煩了。只需要一個markdown 文件目錄並運行一個命令就能產生網站，這聽起來真的很方便。
如何使用
Marmite 只做一件簡單的事：
將markdown 檔案轉換為HTML
它還可以處理靜態檔案或媒體檔案的產生或複製到輸出目錄。
安裝
使用cargo 安裝：
`bash
cargo install marmite
`
或從發布頁面下載預先編譯的二進位。
使用
使用起來非常簡單！
`bash
$ marmite folderwithmarkdownfiles pathtogeneratedsite
`
網站將產生在pathtogenerated_site/ 目錄下。
CLI
`bash
❯ marmite --help
Marmite is the easiest static site generator.
Usage: marmite [OPTIONS]
Arguments:
Options:
--serve Serve the site with a built-in HTTP server
--watch Detect changes and rebuild the site automatically
--bind
Address to bind the server [default: localhost:8000]
--config
Path to custom configuration file [default: marmite.yaml]
--debug Print debug messages
--init-templates Initialize templates in the project
--start-theme Initialize a theme with templates and static assets
-h, --help Print help
-V, --version Print version
`
開始使用
閱讀教程，了解如何開始使用Marmite https://rochacbruno.github.io/marmite/getting-started.html 並花幾分鐘創建你的部落格。
文件
在https://rochacbruno.github.io/marmite/ 上閱讀更多關於如何自訂範本、新增評論等內容。
總結
Marmite 非常簡單。
如果這種簡單性不適合你的需求，還有其他很棒的靜態網站產生器。以下是一些我推薦的：
Jekyll
Hugo
Gatsby
Next.js
Darknet 物件偵測框架和YOLO
概述
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物件偵測系統，它運行在Darknet 框架中。
重要連結：
Hank.ai 如何幫助Darknet/YOLO 社區
Darknet/YOLO 網站
Darknet/YOLO 常見問題解答
Darknet/YOLO Discord 伺服器
論文
YOLOv7 論文
Scaled-YOLOv4 論文
YOLOv4 論文
YOLOv3 論文
一般資訊
Darknet/YOLO 框架在速度和準確性方面一直優於其他框架和YOLO 版本。
該框架是完全免費和開源的。你可以將Darknet/YOLO 整合到現有的專案和產品中，包括商業產品，無需許可或支付費用。
2024 年10 月發布的Darknet V3（“Jazz”）可以在使用NVIDIA RTX 3090 GPU 時以高達1000 FPS 的速度準確運行LEGO 數據集視頻，這意味著Darknet/YOLO 在1 毫秒或更短的時間內讀取、調整大小和處理每個視訊畫面。
Darknet/YOLO 的CPU 版本可在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等簡單設備上運作。 Darknet/YOLO 的GPU 版本需要NVIDIA 的CUDA 相容GPU。
Darknet/YOLO 可在Linux、Windows 和Mac 上運作。請參閱下面的建置說明。
Darknet 版本
Joseph Redmon 在2013-2017 年寫的原始Darknet 工具沒有版本號。我們認為它是0.x 版本。
Alexey Bochkovskiy 在2017-2021 年維護的下一個流行的Darknet 儲存庫也沒有版本號。我們認為它是1.x 版本。
Hank.ai 贊助並由Stéphane Charette 從2023 年開始維護的Darknet 儲存庫是第一個具有版本命令的儲存庫。從2023 年到2024 年底，它會回到版本2.x "OAK"。
目標是在熟悉程式碼庫的同時盡可能少地破壞現有的功能。
重寫了建置步驟，因此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。
增強了訓練過程中的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時間有關。
此程式碼庫的最後一個分支是在v2 分支中的2.1 版本。
下一階段的開發於2024 年中開始，並於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一個，你可以隨時檢出先前的v2 分支。讓我們知道，以便我們可以調查添加任何缺少的命令。
刪除了許多舊的和未維護的命令。
許多效能優化，包括訓練和推理過程中的最佳化。
修改了舊的C API；使用原始Darknet API 的應用程式需要少量修改：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 預訓練權重
為了方便起見，幾個流行的YOLO 版本都使用MSCOCO 資料集進行了預訓練。此資料集包含80 個類別，可以在文字檔cfg/coco.names 中看到。
有幾個其他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。
MSCOCO 預訓練權重可以從幾個不同的位置下載，也可以從此儲存庫下載：
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
MSCOCO 預訓練權重僅用於演示目的。對應的.cfg 和.names 檔案（用於MSCOCO）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。
建構
過去（2023 年以前）的各種建構方法已經合併成一個統一的解決方案。 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++ 就可以建造、安裝或運行Darknet/YOLO，就像你不需要是機械師就可以駕駛汽車一樣。
Google Colab
Google Colab 指示與Linux 指示相同。提供了一些Jupyter 筆記本，展示如何執行某些任務，例如訓練新的網路。
請參閱colab 子目錄中的筆記本，或遵循下面的Linux 指示。
Linux CMake 方法
1. 安裝必要軟體：
`bash
sudo apt-get install build-essential git libopencv-dev cmake
`
2. 克隆Darknet 儲存庫：
`bash
git clone https://github.com/hank-ai/darknet
`
3. 建立建置目錄：
`bash
cd darknet
mkdir build
cd build
`
4. 使用CMake 產生建置檔：
`bash
cmake -DCMAKEBUILDTYPE=Release ..
`
5. 建置Darknet：
`bash
make -j4
`
6. 安裝Darknet（可選）：
`bash
make package
sudo dpkg -i darknet-VERSION.deb
`
注意：
如果你的系統上安裝了NVIDIA GPU，可以安裝CUDA 或CUDA+cuDNN 以加速映像（和影片）處理。
如果你在安裝CUDA 或CUDA+cuDNN 後或升級了NVIDIA 軟體後，需要刪除建置目錄中的CMakeCache.txt 文件，並重新建置Darknet。
可以使用darknet version 指令檢查Darknet 是否已成功安裝。
Windows CMake 方法
1. 安裝必要軟體：
`bash
winget install Git.Git
winget install Kitware.CMake
winget install nsis.nsis
winget install Microsoft.VisualStudio.2022.Community
`
2. 修改Visual Studio 安裝：
- 開啟「Windows 開始」功能表並執行「Visual Studio Installer」。
- 點選「修改」。
- 選擇「使用C++ 進行桌面開發」。
- 點擊右下角的“修改”，然後點擊“是”。
3. 安裝Microsoft VCPKG：
`bash
cd c:
mkdir c:src
cd c:src
git clone https://github.com/microsoft/vcpkg
cd 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
`
4. 克隆Darknet 儲存庫：
`bash
cd c:src
git clone https://github.com/hank-ai/darknet.git
cd darknet
mkdir build
cd build
`
5. 使用CMake 產生建置檔：
`bash
cmake -DCMAKEBUILDTYPE=Release -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
`
6. 建置Darknet：
`bash
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj
`
7. 安裝Darknet：
- 執行建置目錄中的darknet-VERSION.exe 檔案以啟動NSIS 安裝精靈。
注意：
如果你的系統上安裝了NVIDIA GPU，可以安裝CUDA 或CUDA+cuDNN 以加速映像（和影片）處理。
如果你在安裝CUDA 或CUDA+cuDNN 後或升級了NVIDIA 軟體後，需要刪除建置目錄中的CMakeCache.txt 文件，並重新建置Darknet。
可以使用darknet.exe version 指令檢查Darknet 是否已成功安裝。
使用Darknet
CLI
以下不是Darknet 支援的所有命令的完整清單。
除了Darknet CLI 之外，還要注意DarkHelp 專案CLI，它為Darknet/YOLO 提供了替代的CLI。 DarkHelp CLI 還具有Darknet 中無法使用的幾個進階功能。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，你需要使用與.names 和.cfg 檔案相對應的.weights 檔案。你可以訓練自己的網路（強烈建議！）或下載其他人已經訓練並免費發佈在網路上的神經網路。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（標準的80 類物件偵測）
要運行的命令包括：
darknet help：顯示幫助資訊。
darknet version：檢查版本。
darknet detector test cars.data cars.cfg cars_best.weights image1.jpg：使用影像進行預測（V2）。
darknet02displayannotatedimages cars.cfg image1.jpg：使用影像進行預測（V3）。
DarkHelp cars.cfg cars.cfg cars_best.weights image1.jpg：使用影像進行預測（DarkHelp）。
darknet detector test animals.data animals.cfg animalsbest.weights -extoutput dog.jpg：輸出座標（V2）。
darknet01inference_images animals dog.jpg：輸出座標（V3）。
DarkHelp --json animals.cfg animals.names animals_best.weights dog.jpg：輸出座標（DarkHelp）。
darknet detector demo animals.data animals.cfg animalsbest.weights -extoutput test.mp4：處理影片（V2）。
darknet03display_videos animals.cfg test.mp4：處理影片（V3）。
DarkHelp animals.cfg animals.names animals_best.weights test.mp4：處理影片（DarkHelp）。
darknet detector demo animals.data animals.cfg animals_best.weights -c 0：從網路攝影機讀取（V2）。
darknet08display_webcam animals：從網路攝影機讀取（V3）。
darknet detector demo animals.data animals.cfg animalsbest.weights test.mp4 -outfilename res.avi：將結果儲存到影片（V2）。
darknet05processvideosmultithreaded animals.cfg animals.names animals_best.weights test.mp4：將結果儲存到影片（V3）。
DarkHelp animals.cfg animals.names animals_best.weights test.mp4：將結果儲存到影片（DarkHelp）。
darknet detector demo animals.data animals.cfg animalsbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput：使用JSON 格式（V2）。
darknet06imagestojson animals image1.jpg：使用JSON 格式（V3）。
DarkHelp --json animals.names animals.cfg animals_best.weights image1.jpg：使用JSON 格式（DarkHelp）。
darknet detector demo animals.data animals.cfg animals_best.weights -i 1 test.mp4：在特定GPU 上運作。
darknet detector map driving.data driving.cfg driving_best.weights ...：檢查神經網路的準確性。
darknet detector map animals.data animals.cfg animalsbest.weights -iouthresh 0.75：檢查mAP@IoU=75 的準確性。
darknet detector calcanchors animals.data -numof_clusters 6 -width 320 -height 256：重新計算錨點。
darknet detector -map -dont_show train animals.data animals.cfg：訓練新的網路。
訓練
如何設定我的文件和目錄？
我應該使用哪個設定檔？
訓練自己的網路時我該使用什麼指令？
使用DarkMark 註解和訓練是最簡單的方法，它可以建立所有必要的Darknet 檔案。這絕對是訓練新的神經網路的推薦方法。
如果你喜歡手動設定各種文件來訓練自訂網絡，請按照以下步驟操作：
1. 建立一個新的資料夾來儲存檔案。例如，將建立一個用於檢測動物的神經網絡，因此將建立以下目錄：~/nn/animals/。
2. 複製一個你想用來當模板的Darknet 設定檔。例如，請參閱cfg/yolov4-tiny.cfg。將它放在你創建的資料夾中。對於這個例子，我們現在有了~/nn/animals/animals.cfg。
3. 在放置設定檔的同一個資料夾中建立一個animals.names 文字檔。對於這個例子，我們現在有了~/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。每行必須有且只有一項，沒有空白行或註解。對於這個例子，.names 檔案將包含以下4 行：
`
dog
cat
鳥
horse
`
5. 在同一個資料夾中建立一個animals.data 文字檔。對於這個例子，.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。每個圖像都需要一個相應的.txt 文件，它描述了該圖像的註釋。 .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Darknet 必須用於訓練和驗證（在計算mAP% 時）的所有圖像。每行一個影像。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 檔案。
- 確保batch=64。
- 注意subdivisions。根據網路維度和GPU 上可用的記憶體量，你可能需要增加subdivisions。最佳值為1，所以先從它開始。如果1 不適合你，請參考Darknet/YOLO 常見問題。
- 注意maxbatches=...。開始時，一個好的值是類別的數量乘以2000。對於這個例子，我們有4 個動物，所以4 * 2000 = 8000。這意味著我們將使用maxbatches=8000。
- 注意steps=...。這應該設定為maxbatches 的80% 和90%。對於這個例子，由於maxbatches 設定為8000，所以我們將使用steps=6400,7200。
- 注意width=... 和height=...。這些是網路維度。 Darknet/YOLO 常見問題解答說明如何計算要使用的最佳尺寸。
- 在所有classes=... 行中尋找並使用你的.names 檔案中的類別數量來修改它。對於這個例子，我們將使用classes=4。
- 在每個[yolo] 部分之前的[convolutional] 部分中尋找所有filters=... 行。要使用的值是(類別數量+ 5) 3。這意味著對於這個例子，(4 + 5) 3 = 27。因此，我們在適當的行上使用filters=27。
9. 開始訓練！運行以下命令：
`bash
cd ~/nn/animals/
darknet detector -map -dont_show train animals.data animals.cfg
`
請耐心等待。最佳權重將儲存為animals_best.weights。可以透過查看chart.png 檔案來觀察訓練的進度。請參閱Darknet/YOLO 常見問題解答，以了解你可能想要在訓練新網路時使用的其他參數。
如果你想在訓練期間看到更多詳細信息，請添加--verbose 參數。例如：
`bash
darknet detector -map -dont_show --verbose train animals.data animals.cfg
`
其他工具和鏈接
要管理你的Darknet/YOLO 專案、註釋圖像、驗證你的註釋並產生與Darknet 一起訓練所需的必要文件，請參閱DarkMark。
要獲得Darknet 的強大替代CLI，請使用影像平鋪、影片中的物件追蹤或強大的C++ API（可以輕鬆用於商業應用程式），請參閱DarkHelp。
請參閱Darknet/YOLO 常見問題解答，看看它是否可以幫助你解答問題。
請參閱Stéphane 的YouTube 頻道上的許多教學和範例影片。
如果你有支援問題或想與其他Darknet/YOLO 用戶聊天，請加入Darknet/YOLO Discord 伺服器。
路線圖
最後更新時間：2024-10-30
已完成
在訓練期間將qsort() 替換為std::sort()（其他一些模糊的替換仍然存在）
刪除check_mistakes、getchar() 和system()
將Darknet 轉換為使用C++ 編譯器（Linux 上的g++，Windows 上的VisualStudio）
修復Windows 建置
修復Python 支持
建置darknet 庫
重新啟用預測上的標籤（「alphabet」代碼）
重新啟用CUDA/GPU 程式碼
重新啟用CUDNN
重新啟用CUDNN half
不要硬編碼CUDA 架構
更好的CUDA 版本信息
重新啟用AVX
刪除舊的解決方案和Makefile
使OpenCV 成為非可選項
刪除對舊pthread 函式庫的依賴
刪除STB
重寫CMakeLists.txt 以使用新的CUDA 檢測
刪除舊的「alphabet」程式碼，並刪除data/labels 中的700 多張圖像
在原始碼外部構建
擁有更好的版本號輸出
與訓練相關的效能最佳化（正在進行的任務）
與推理相關的效能最佳化（正在進行的任務）
盡可能使用傳值引用
清理.hpp 文件
重寫darknet.h
不要將cv::Mat 轉換為void*，而是將其用作正確的C++ 對象
修復或保持內部影像結構的使用方式一致
修復ARM 架構Jetson 裝置的構建
- 原始的Jetson 裝置不太可能被修復，因為它們不再受NVIDIA 支援（沒有C++17 編譯器）
- 新的Jetson Orin 設備正在運行
修復V3 中的Python API
- 需要更好的Python 支援（是否有Python 開發人員願意協助解決這個問題？）
短期目標
將printf() 替換為std::cout（正在進行中）
查看舊的zed 攝影機支持
更好的和更一致的命令列解析（正在進行中）
中期目標
刪除所有char* 程式碼，並替換為std::string
不要隱藏警告並清理編譯器警告（正在進行中）
更好地使用cv::Mat 代替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
修復對單通道灰階影像的支持
添加對N 通道圖像的支持，其中N > 3（例如，帶有額外深度或熱通道的圖像）
持續進行程式碼清理（正在進行中）
長期目標
修復CUDA/CUDNN 與所有GPU 相關的問題
重寫CUDA+cuDNN 程式碼
考慮添加對非NVIDIA GPU 的支持
旋轉的邊界框，或某種形式的“角度”支持
關鍵點/骨架
熱圖（進行中）
分割
