Darknet herunterladen

Off
Uncategorized

(im ursprünglichen Repository github.com/pjreddie/darknet wird die Gewichtungsdatei nur einmal alle 10 000 Iterationen gespeichert if(iterationen > 1000)) Legen Sie Bilddateien (.jpg) Ihrer Objekte in das Verzeichnis build-darknet-x64-data-obj-Create file obj.names in das Verzeichnis build-darknet-x64-daten – mit Objektnamen – jeweils in der neuen Zeile 1.1. Suchen Sie Dateien opencv_world320.dll und opencv_ffmpeg320_64.dll (oder opencv_world340.dll und opencv_ffmpeg340_64.dll) in C:`opencv_3.0`opencv`build`x64`vc14`bin und legen Sie es in der Nähe von darknet.exe Um Das darknet zu testen, sollte das Ausführen des folgenden Befehls zu einer Ausgabe ohne Fehler führen. Erstellen Sie die Datei obj.data im Verzeichnis build-darknet-x64-daten, (wobei (wobei Klassen = Anzahl der Objekte): Für das Training von Yolo basierend auf anderen Modellen (DenseNet201-Yolo oder ResNet50-Yolo) können Sie vortrainierte Gewichtungen herunterladen und erhalten, wie in dieser Datei gezeigt: github.com/AlexeyAB/darknet/blob/master/build/darknet/x64/partial.cmd Wenn Sie Einbaumodell, das nicht auf anderen Modellen basiert, erstellt haben, dann können Sie es ohne vortrainierte Gewichtungen trainieren, dann werden zufällige Anfangsgewichtungen verwendet. 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. Ich werde dein 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. Möchten Sie über neue Veröffentlichungen in pjreddie/darknet benachrichtigt werden? Trainieren Sie es zuerst auf 1 GPU für wie 1000 Iterationen: darknet.exe Detektor zug cfg/coco.data cfg/yolov4.cfg yolov4.conv.137 (Wenn Sie ein anderes GitHub-Repository verwenden, dann verwenden Sie darknet.exe DetektorRückruf… statt darknet.exe Detektorkarte…) Die CMakeLists.txt versucht, installierte optionale Abhängigkeiten wie CUDA, cudnn, ZED zu finden und gegen diese zu bauen. Außerdem wird eine freigegebene Objektbibliotheksdatei erstellt, um das Darknet für die Codeentwicklung zu verwenden. Großartig! Schauen Sie sich jetzt die coolen Dinge an, die Sie mit Darknet hier machen können. Um unter Linux zu trainieren, verwenden Sie den Befehl: ./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137 (verwenden Sie einfach ./darknet statt darknet.exe) Um die verschiedenen Möglichkeiten für Schulungen zu sehen, die diesem Darknet-Framework zur Verfügung stehen, lesen Sie bitte diesen Link. Kopieren Sie die Datei cudnn64_7.dll in den Ordner “Build”darknet-x64 in der Nähe von darknet.exe Wenn Sie keine GPU haben, aber OpenCV 3.0 (mit Pfaden: C:`opencv_3.0`opencv`build`include & C:`opencv_3.0`opencv`build`x64`vc14`lib` haben), dann öffnen Sie Build-Build-Darknet_no_gpu.s, Legen Sie x64 und Release fest, und führen Sie die: Build -> Build -> Build darknet_no_gpu Um Yolo als C++ DLL-Datei yolo_cpp_dll.dll zu kompilieren – öffnen Sie die Lösung build-darknet-yolo_cpp_dll.sln, setzen Sie x64 und Release, und führen Sie die: Build -> Build-yolo_cpp_dll Download vortrainierter Gewichte für die konvolutionalen Ebenen und legen Sie sie in das Verzeichnis., Wir verwenden Gewichte aus dem Darknet53 Modell. Sie können einfach die Gewichte für die Faltungsschichten hier herunterladen (76 MB). 8.1. Für das Training mit mAP (mittlere Durchschnittsgenauigkeiten) Berechnung für jede 4 Epochen (set valid=valid.txt oder train.txt in obj.data datei) und laufen: darknet.exe detektor train data/obj.data yolo-obj.cfg yolov4.conv.137 -map Just make in the darknet directory. (Sie können versuchen, es auf Google Colab in Cloud-Link zu kompilieren und auszuführen (drücken Sie die Schaltfläche “Öffnen auf Spielplatz” in der oberen linken Ecke) und sehen Sie sich den Videolink an) Bevor Sie erstellen, können Sie solche Optionen in der Makefile: Link festlegen Wenn Sie CUDA 10.0, cuDNN 7.4 und OpenCV 3.x (mit Pfaden: C:`opencv_3.0`opencv`build`include & C:`opencv_3.0`opencv`build`x64`vc14`lib` haben), dann öffnen Sie build-darknet.sln, setzen Sie x64 und setzen Sie hsto.org/webt/uh/fk/-e/uhfk-eb0q-hwd9hsxhrikbokd6u.jpeg und machen Sie die: Build ->

Comments are closed.