Darknet herunterladen

Möchten Sie über neue Veröffentlichungen in pjreddie/darknet benachrichtigt werden? Für das Training verwenden wir Faltgewichte, die auf Imagenet vortrainiert werden. Wir verwenden Gewichte aus dem Darknet53 Modell. Sie können einfach die Gewichte für die Faltungsschichten hier herunterladen (76 MB). Unter Linux finden Sie ausführbare Datei ./darknet im Root-Verzeichnis, während unter Windows finden Sie es in der Verzeichnis ./darknet statt darknet.exe,/darknet Detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights Great! Schauen Sie sich jetzt die coolen Dinge an, die Sie mit Darknet hier machen können. Download für Android-Handy mjpg-stream soft: IP Webcam / Smart WebCam Nur wenn Sie ein Experte in neuronalen Erkennungsnetzen sind – neu berechnen Anker für Ihr Dataset für Breite und Höhe aus cfg-datei: darknet.exe Detektor calc_anchors daten/obj.data -num_of_clusters 9 -breite 416 -höhe 416 dann setzen Sie die gleichen 9 Anker in jedem der 3 [yolo]-Layer in Ihrer cfg-Datei. Aber Sie sollten Indizes von Ankermasken= für jede [yolo]-Schicht ändern, also hat die 1.-[yolo]-Schicht für YOLOv4 Anker kleiner als 30×30, 2. kleiner als 60×60, 3. verbleibend und umgekehrt für YOLOv3. Außerdem sollten Sie vor jeder [yolo]-Schicht die Filter=(Klassen + 5)*-Anzahl der Maske> ändern. Wenn viele der berechneten Anker nicht unter die entsprechenden Ebenen passen – dann versuchen Sie es einfach mit allen Standardankern. (Wenn Sie ein anderes GitHub-Repository verwenden, verwenden Sie den Rückruf von darknet.exe-Detektoren…

statt darknet.exe Detektorkarte…) Dann stoppen und mit teilweise trainiertem Modell /backup/yolov4_1000.weights laufen Training mit Multigpu (bis zu 4 GPUs): darknet.exe Detektor zug cfg/coco.data cfg/yolov4.cfg /backup/yolov4_1000.weights -gpus 0,1,2,3 Die CMakeLists.txt wird versuchen, installierte optionale Abhängigkeiten wie CUDA, cudnn, ZED zu finden. Außerdem wird eine freigegebene Objektbibliotheksdatei erstellt, um das Darknet für die Codeentwicklung zu verwenden. Laden Sie vortrainierte Gewichtungen für die faltigen Schichten herunter und legen Sie sie in das Verzeichnis build-darknet-x64 ich werde Ihr Leben sehr einfach machen. Klicken Sie auf diesen Link und wählen Sie Herunterladen aus. Wenn Sie Windows 7 oder 8 haben, ändern Sie natürlich die Version. Für das Training von Yolo basierend auf anderen Modellen (DenseNet201-Yolo oder ResNet50-Yolo) können Sie vortrainierte Gewichte herunterladen und erhalten, wie in dieser Datei gezeigt: github.com/AlexeyAB/darknet/blob/master/build/darknet/x64/partial.cmd Wenn Sie Eincustom-Modell, das nicht auf anderen Modellen basiert, erstellt haben, dann können Sie es ohne vortrainierte Gewichte trainieren, dann werden zufällige Anfangsgewichte verwendet. 1.4. Wenn Sie ohne CUDNN bauen möchten, dann: öffnen Sie die Datei “darknet.sln -> (rechte Maustaste auf projekt) -> Eigenschaften -> C/C++ -> Präprozessor-Definitionen, und entfernen Sie diese: CUDNN; Wenn Sie GPU mit Tensor Cores (nVidia Titan V / Tesla V100 / DGX-2 und höher) Beschleunigung Detection 3x, Training 2x haben: `darknet.sln -> (rechts auf projekt) -> Eigenschaften -> C/C++ -> Präprozessor -> Präprozessordefinitionen, und fügen Sie hier hinzu: CUDNN_HALF; Auch können Sie Ihre eigenen darknet.sln & darknet.vcxproj erstellen, dieses Beispiel für CUDA 9.1 und OpenCV 3.0 Wenn Sie das Modell trainieren, um linke und rechte Objekte als separate Klassen zu unterscheiden (links/rechts, links/rechts auf Straßenschildern, …) dann zum Deaktivieren flip datenAugmentation – fügen Sie flip=0 hier hinzu: github.com/AlexeyAB/darknet/blob/3d2d0a7c98dbc8923d9ff705b81ff4f7940ea6ff/cfg/yolov3.cfg#L17 Der code im Tutorial zur Verfügung gestellt ist nur von der Anmeldung für den Autor Newsletter.

Wenn Sie also das Popup unten sehen, klicken Sie bitte auf “Code herunterladen” und melden Sie sich an. Sie zahlen nichts und Sie können sich ehrlich abmelden, nachdem Sie bekommen, was Sie brauchen. Ich kenne den Autor nicht und versuche auch nicht, seinen Newsletter zu bewerben, aber es ist ein riesiger Zeitmesser. Nach jeder 100 Iteration können Sie das Training ab diesem Zeitpunkt beenden und später beginnen. Nach 2000 Iterationen können Sie z. B. das Training beenden, und später einfach mit dem Training beginnen: darknet.exe detector train data/obj.data yolo-obj.cfg backup-yolo-obj_2000.weights for training for small objects (kleiner als 16×16, nachdem die Größe des Bildes auf 416×416 geändert wurde) – Set layers = 23 statt github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L895 set stride=4 statt github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L892 und set stride=4 statt github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L989 Der Moment, auf den wir alle gewartet haben, ist endlich da! Navigieren Sie zu diesem Link für den Darknet-Code.

This entry was posted in Uncategorized. Bookmark the permalink.

Comments are closed.