---
tags: 課程規劃
---

# Darknet YOLO 入坑手冊
[TOC]

# 電腦視覺 物件偵測 簡介
https://pjreddie.com/darknet/yolo/

ameba pro2 對 yolo 的支援時間會比較晚。

[Vision Transformer(ViT)重點筆記](https://hackmd.io/@YungHuiHsu/ByDHdxBS5)
近年的主流。

[YOLO v4 模型訓練實作](https://ithelp.ithome.com.tw/articles/10282549?sc=pt)
[目標檢測 YOLO v1-v5 全版本差異](https://u9534056.medium.com/%E7%9B%AE%E6%A8%99%E6%AA%A2%E6%B8%AC-yolo-v1-v5-%E5%85%A8%E7%89%88%E6%9C%AC%E5%B7%AE%E7%95%B0-c648cc5e49f1)

# 活動推廣
* 每週一次，30分鐘～一小時一次。以引導為主。短講。
* 提問放在最後。

# 活動內容
* 以讀書會模式進行
* 架構分享
* 基礎功能操作
* YoLo分支的想法

# 前置準備
## 學習路線 (入門到入土)
因考量時程上的關係，本章針對Yolo基礎與如何快速實現

digraph hierarchy {

                nodesep=1.0 // increases the separation between nodes
                
                node [color=Green,fontname=Courier,shape=box] //All nodes will this shape and colour
                edge [color=Blue, style=dashed] //All the lines look like this

                Yolo前置準備工作->{硬體 軟體 知識}
                硬體->{一台很讚的電腦 一片很讚的GPU 環境建置的步驟}
                環境建置的步驟->{GPU驅動安裝 CUDA安裝 cuDNN安裝}
                軟體->{Linux Docker Conda Python Matlab}
                Python->{Pytorch}
                Docker->{什麼事Docker Docker好處是什麼 Docker常用的指令}
                Conda->{什麼事Conda Conda好處是什麼 Conda常用的指令}
                Matlab->{什麼事Matlab Matlab好處是什麼 Matlab常用的指令}
                知識->{Python基礎語法 什麼是NN 目前AI能做到什麼}
                {rank=same;硬體 軟體 知識}  // Put them on the same level
}

## 什麼是機械學習
- 介紹
https://www.wikiwand.com/zh-tw/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0
- 有監督 無監督https://ai4dt.wordpress.com/2018/05/25/%E4%B8%89%E5%A4%A7%E9%A1%9E%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%EF%BC%9A%E7%9B%A3%E7%9D%A3%E5%BC%8F%E3%80%81%E5%BC%B7%E5%8C%96%E5%BC%8F%E3%80%81%E9%9D%9E%E7%9B%A3%E7%9D%A3%E5%BC%8F
-
- https://www.youtube.com/watch?v=sB_IGstiWlc
-

## 什麼是NN(神經網路)
- CNN vs RNN
https://cs.stanford.edu/people/karpathy/convnetjs/demo/classify2d.htmlhttps://cs.stanford.edu/people/karpathy/convnetjs/demo/classify2d.html
## 什麼是 Yolo
https://pjreddie.com/darknet/yolo/
## Dataset是什麼
- 為什麼需要Dataset
- YoloV7資料集結構(範例)
分別有測試,訓練,驗證
data.yaml訓練時會使用到
- 常用整合的Dataset網站:
https://public.roboflow.com/
https://www.kaggle.com/datasets

## GPU或是NPU
我需要什麼樣的設備呢？
如果沒GPU就不能做深度學習了嗎？
## 開發環境的建置
- CUDA, cuDNN
- Docker
- Python(Pytorch)
- Jupyter
## 基礎程式設計能力
- Python
- Matlab
- OpenCV
https://zh.wikipedia.org/zh-tw/OpenCV
OpenCV在電腦視覺領域極常使用到，不只是在AI領域，
可以用於做影像相關的(顏色,物件邊緣,光流)：可以將影響從RGB轉成GBR排序方式，亦可轉為灰皆或是更進一步將影像二元化，可以看作代碼版本的photoshop...
https://blog.csdn.net/jjddss/article/details/72841141
在OpenCV中標準安裝以外，亦可透過安裝OpenCV的contrib，實現人臉偵測或是TCR
https://pyimagesearch.com/2018/09/24/opencv-face-recognition/
https://pyimagesearch.com/2018/09/17/opencv-ocr-and-text-recognition-with-tesseract/
- 统计学
## 命令列基本操作
- Linux
- Windows

## 參考資料
- https://hackmd.io/@neverleave0916/YOLOv4
- https://aiacademy.tw/yolo-v4-intro/
- https://zh-v2.d2l.ai/d2l-zh.pdf PDF版本教材
- https://github.com/d2l-ai/d2l-zh 不错的教材
- https://zhuanlan.zhihu.com/p/39542494 Pytroch设置conda
- www.paperswithcode.com 代碼跟文獻

## GITHUB參考資料
- Matlab運行代碼(初學者可以如有MATLAB授權可快速測試)
https://github.com/matlab-deep-learning/pretrained-yolo-v4

- Pytorch Github資源
https://github.com/bubbliiiing/yolov4-tiny-pytorch
- Darknet Github
https://github.com/AlexeyAB/darknet

# YOLO訓練環境與過程(Pytorch)
1.UBUNTU Linux OK / Windows尚未測試
2.安裝完成Nvidia驅動,CUDA
3.使用CMD建立Python虛擬環境

$ git clone https://github.com/WongKinYiu/yolov7 #YoloV7Github
$ wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7.pt 
$ unzip Aquarium\ Combined.v2-raw-1024.yolov7pytorch.zip -d Aquarium #解壓縮Dataset，此數據結構基於yolov7
$ conda create -n yolov7 python=3.8 #建立env
$ pip install -r requirements.txt #安裝python相依套件
$ pip install numpy==1.20.3 #yolov7有另外要求numpy版本，不這麼做會報錯

4.資料集建置或下載
參考路徑 [https://public.roboflow.com/object-detection/aquarium/2/download/yolov7pytorch](https://public.roboflow.com/object-detection/aquarium/2/download/yolov7pytorch)
使用Yolo v7 PyTorch
下載完成後放在yolov7目錄底下(不喜歡的同學可以選擇不加)

確認環境建制完成後
如果需要指定GPU 可下 --device <num_gup>
如有多張顯示卡 不指定狀況下是都使用
--batch 4 （預設是64）
--data 資料集所在的yaml文件，裡面會描述路徑,標籤與影像數量
此文間有經過修改將，Path改為絕對路徑
--cfg 選擇需要訓練的yolov7規格，路徑中包含v7-tiny版本
--img 設定影像尺寸
--hyp 超參數文件路徑(有興趣的同學可以自行調整)
更多細節可以參考github文件
或者可以參考[https://blog.csdn.net/weixin_51697369/article/details/123446928](https://blog.csdn.net/weixin_51697369/article/details/123446928)

$ python train.py --batch 4 --cfg cfg/training/yolov7.yaml --img 768 1024 --epochs 55 --data ./Aquarium/data.yaml --weights '' --name yolov7 --hyp data/hyp.scratch.p5.yaml

可以使用nvtop進行使用資源檢視如下圖

訓練過程基於設備(CPU/GPU)規格有所差異，等待完成後

55 epochs completed in 0.215 hours.

Optimizer stripped from runs/train/yolov717/weights/last.pt, 74.9MB
Optimizer stripped from runs/train/yolov717/weights/best.pt, 74.9MB

偵測
--conf 設定信心值 約低越容易被偵測到，但相對月不準確
--source 圖片路徑

python detect.py --weights ./runs/train/yolov718/weights/best.pt --conf 0.1 --source ./Aquarium/valid/images/IMG_2279_jpeg_jpg.rf.c93235205522529fc7e9626bf9175cba.jpg #使用單張圖片


好多好多魚魚<>< ~ <3

測試集結果
訓練集結果

混淆矩陣

使用攝影機

python detect.py --weights ./runs/train/yolov718/weights/best.pt --conf 0.1 --source 0 #使用vidoe0(webcam)


# YOLO訓練環境與過程(Darknet)
## Darknet
與流行的Tensorflow以及Caffe框架相比，Darknet框架在某些方面有着自己獨特的優勢。

YOLOv3：YOLOv3在YOLOv2的基礎上進行了改進，引入了多尺度預測和殘差結構。它使用Darknet-53作為其主要的特徵提取器，並增加了對更多物體類別的支持。此外，YOLOv3還對損失函數進行了改進，以提高對小物體的檢測精度。

YOLOv4：YOLOv4在YOLOv3的基礎上進一步改進了性能和速度。它使用CSPDarknet53作為特徵提取器，並引入了Bag of Freebies（BoF）和Bag of Specials（BoS）的概念，用於提高檢測精度。此外，YOLOv4還引入了Mish激活函數、PANet脊椎網路等新技術，以實現更好的性能。

YOLOv5：YOLOv5主要集中在改進速度和部署方便性。它採用了更輕量級的網絡結構，並且將框架從Darknet轉換到PyTorch。YOLOv5還引入了新的錨點機制，以及改進的數據增強策略，以實現更高的檢測精度。儘管YOLOv5在性能上有所提高，但它在社區中引起了一些爭議，因為其版本命名和開發過程與之前的YOLO版本不同。
### 關於Darknet深度學習框架
Darknet深度學習框架是由Joseph Redmon提出的一個用C和CUDA編寫的開源神經網絡框架。它安裝速度快，易於安裝，並支持CPU和GPU計算。
你可以在GitHub上找到源代碼：
https://github.com/pjreddie/darknet
你也可以在官網上閱讀完成更多事情：
https://pjreddie.com/darknet/
轉自
https://www.twblogs.net/a/5c840d3dbd9eee35fc13cdc4
### 安裝編譯工具

sudo apt update
sudo apt upgrade
sudo apt-get install build-essential cmake

### 安裝 cuDNN
https://developer.nvidia.com/rdp/cudnn-download

cd cudnn-linux-x86_64-8.7.0.84_cuda11-archive
cp include/* /usr/local/cuda/include/
sudo cp include/* /usr/local/cuda/include/
sudo cp lib/* /usr/local/cuda/lib64
cd /usr/local/cuda/lib
cd /usr/local/cuda/lib64
j darktet
cd build
cmake ..
cmake --build . --target install --parallel 8
.darknet

### install opencv= =3.4.19 opencv_contrib==3.4.19

git clone https://github.com/opencv/opencv
cd opencv
git checkout 3.4.19
git clone https://github.com/opencv/opencv_contrib
cd  opencv_contrib
git checkout 3.4.19
cd ..
mkdir -p build && cd build


cmake -D CMAKE_BUILD_TYPE=RELEASE \
    -D CMAKE_INSTALL_PREFIX=/usr/local \
    -D WITH_CUDA=ON \
    -D WITH_CUDNN=ON \
    -D OPENCV_DNN_CUDA=ON \
    -D ENABLE_FAST_MATH=1 \
    -D CUDA_FAST_MATH=1 \
    -D WITH_CUBLAS=1 \
    -D INSTALL_PYTHON_EXAMPLES=ON \
    -D OPENCV_EXTRA_MODULES_PATH=../opencv_contrib/modules .. \
    -D WITH_QT=ON \
    -D WITH_GTK=ON \
    -D WITH_OPENGL=ON \
    -D BUILD_EXAMPLES=ON ..

make -j12
sudo make install

sudo ldconfig -v
opencv_version

下圖為3.4.16版本...上方命令已將改為3.4.19

### 安裝Darknet

#git clone https://github.com/pjreddie/darknet
git clone https://github.com/arnoldfychen/darknet //改為這個作者fork可解決GPU版本問題
cd darknet
make
wget https://pjreddie.com/media/files/tiny.weights
./darknet classify cfg/tiny.cfg tiny.weights data/dog.jpg

你應該可以看到

data/dog.jpg: Predicted in 0.160994 seconds.
malamute: 0.167168
Eskimo dog: 0.065828
dogsled: 0.063020
standard schnauzer: 0.051153
Siberian husky: 0.037506

#### 可能會出現的錯誤
- 顯示卡較新
https://blog.csdn.net/XCCCCZ/article/details/112793411
- opencv 版本較為舊
https://www.cxyzjd.com/article/weixin_41840088/114594072

出現
`
./darknet: error while loading shared libraries: libopencv_highgui.so.3.4: cannot open shared object file: No such file or directory./darknet: error while loading shared libraries: libopencv_highgui.so.3.4: cannot open shared object file: No such file or directory
`

補上

sudo apt-get install libopencv-highgui-dev

### Darkent 測試
yolov3

wget https://pjreddie.com/media/files/yolov3.weights
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

yolov7-tiny

wget https://github.com/AlexeyAB/darknet/releases/download/yolov4/yolov7-tiny.weights
./darknet detect cfg/yolov7-tiny.cfg yolov7-tiny.weights data/dog.jpg 

v7Tiny運行結果

### Darknet 訓練
#### 下載預先訓練
https://github.com/pjreddie/darknet/issues/2557
Darknet cfg/weights file - currently tested for inference only:

cfg: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov7-tiny.cfg
weights: https://github.com/AlexeyAB/darknet/releases/download/yolov4/yolov7-tiny.weights
weights for fine-tuning: https://github.com/AlexeyAB/darknet/releases/download/yolov4/yolov7-tiny.conv.87

wget weights for fine-tuning: https://github.com/AlexeyAB/darknet/releases/download/yolov4/yolov7-tiny.conv.87

#### Darknet訓練
##### 準備數據集

cp scripts/get_coco_dataset.sh data
cd data
bash get_coco_dataset.sh

腳本內容
等待下載完成

修改dataset配置路徑(cfg/coco.data)

 ./darknet detector train    <*.data路徑>    <yolov7-tiny.cfg的路徑>   <yolov7-tiny.conv.87的路徑>  -map  -gpus 0,1
 
 ./darknet detector train cfg/coco.data cfg/yolov7-tiny.cfg yolov7-tiny.conv.87 -gpus 0,1


我的設備 3090ti * 1張 約莫需要250hr
如使用 2080ti * 4張 約莫24hr

#### Darknet 客製化(yolov4 tiny)
基於https://zh.wikipedia.org/zh-tw/%E7%BE%8E%E5%9C%8B%E6%89%8B%E8%AA%9E%E5%AD%97%E6%AF%8D

本次此次使用
1. https://public.roboflow.com/object-detection/american-sign-language-letters
2. https://blog.roboflow.com/computer-vision-american-sign-language/


##### 修改cfg
1. 於Darknet目錄下建立自定義資料夾(這邊我使用custom_cfg)
2. 並建立*.data 與 *.names文件
3. 將darknet/cfg中對應的配置文件拷貝至custom_cfg（yolov4-tiny.cfg）
4. 修改filters與classes
A. classes 為資料的總類別數量
B. filters 為 ( classes + 5 ) * 3

##### 下載預訓練
官方提供
https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.conv.29
##### 訓練

./darknet detector train custom_cfg/sl.data custom_cfg/yolov4-tiny.cfg weights/yolov4-tiny.conv.29 


### yolov4預測(電腦）

./darknet detector test custom_cfg/sl.data custom_cfg/yolov4-tiny.cfg backup_sl/yolov4-tiny_last.weights -gpus 
#輸入測試圖片路徑
1/home/oliver/code/c/darknet/data/signLanguage/test/B14_jpg.rf.ed5ba6d44f55ab03e62d2baeac4aa1aa.jpg

### yolov4預測(電腦webcam）

./darknet detector demo <custom_cfg/*.data> <custom_cfg/yolov4-tiny_*.cfg> <backup_smd/yolov4-tiny_smd_last.weights> -gpus 2 -c 1 -thresh 0.1

-gpus 使用第二個GPU
-c 1 使用/dev/vidoe1
-thresh 0.1閥值
## 透過Docker部屬Darknet環境
### dockerfile_opencv3_4_16_darknet（Yolo懶人包）

https://github.com/Oliver0804/dockerfile_opencv3_4_16_darknet

這個Dockerfile是用來建立一個深度學習開發環境的映像檔，該環境包含了NVIDIA CUDA、OpenCV，以及Darknet等關鍵元件，並且透過Docker的封裝特性，讓這個環境可以輕易地在不同的系統上進行部署和運行。

- 基底映像檔：我們從具有CUDA 11.0.3支援的Ubuntu 20.04映像檔開始建立我們的環境。

- 工具安裝：接著，我們安裝了一系列的基本工具，包括了C++編譯器、CMake、Git，以及一些其他必要的軟體包。

- Python環境設定：我們也安裝了Python以及相關的函式庫，並設定好了Python的執行環境。

- OpenCV安裝(3.4.16)：我們從GitHub上抓取OpenCV的源碼，並進行編譯和安裝。在編譯的過程中，我們有啟用CUDA支援以提供更好的效能。

- Darknet安裝：我們也從GitHub上抓取Darknet的源碼，並進行編譯和安裝。同樣地，我們有啟用CUDA和OpenCV支援。

- X11支援：為了能在Docker環境中顯示圖形介面，我們也進行了相關的設定。

最後，我們設定了預設的命令為啟動bash，這樣當你啟動這個Docker映像檔的時候，就會直接進入bash命令列介面。

#### 使用簡介
1. 使用本github提供的Dockerfile進行映像黨建置
2. 進入容器中使用darknet
3. 在宿主機上clone darknet後於該入路進行操作「容器外操作」
2與3則一使用即可

#### build image

docker build -t <your_image_name> --no-cache .

ex. docker build -t oliver_darknet --no-cache .

編譯完成後可透過

docker images 

查詢是否正確編譯

#### 1.容器內操作(於容器中進行操作)
##### 部屬docker容器

docker run --gpus all -it <your_image_name>

ex. docker run --gpus all -it oliver_darknet

##### 下載yolov3權重檔

cd /darknet
wget https://pjreddie.com/media/files/yolov3.weights

##### 運行測試

cd /darknet
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

#### 2.容器外操作(離開即移除該容器,下次會基於映像檔重新部屬新的)

##### 於設備中 任意 clone yolo項目

git clone https://github.com/AlexeyAB/darknet
cd ./darknet
wget https://pjreddie.com/media/files/yolov3.weights

運行，此命令用運行完後即刻結束(--rm)


docker run --gpus all --rm -v $PWD:/workspace -w /workspace <your_image_name> darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

ex. docker run --gpus all --rm -v $PWD:/workspace -w /workspace oliver_darknet darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

### yolov4預測(Ameba pro 2）
目前步驟較為繁瑣，且暫無提供離線版本的工具，如果比較在意模型保密的同學可以考慮一下。
1. 轉換模型.nb 官方提供線上轉換工具
https://www.amebaiot.com/en/amebapro2-ai-convert-model/
訓練好的的weights跟訓練時使用的.cfg檔案打包壓縮成一份zip（不能有中文,包含cfg中的註解也是）
上傳完成後約莫需要等10~20分鐘...轉換好的.nb檔案會寄到你信箱。
把他下載下來後就可以進行Arduino的開發。

2. 在等待的時間可以開始setup Arduino的開發環境
具體細節可以參考Ameba pro2 Github => https://github.com/ambiot/ambd_arduino
添加額外開發版管理路徑...

https://github.com/ambiot/ambpro2_arduino/raw/main/Arduino_package/package_realtek.com_amebapro2_index.json

並選擇Ameba pro 2

3. 開啟Ameba pro 2 NN 範例

4. 目前對於模型抽換有需要調整，等Realtek夥伴進行更新
這邊直接把剛剛所收到的.nb進行替換，將yolov4_tiny.nb更換成我們自行訓練的(26類)。
.nb放置檔案的位置如下圖path，具體會根據所使用的Amebapro2_SDK版本些許差異

5. 最後，因為原本Realtek提供的是coco dataset 是80類...需要替換成我們自己種類(26類)
修改OSD繪製的標籤清單
改為

修改114的item.name()改為 itemList[obj_type].objectName
（2023/02/16測試已從Github上更新，後續版本可以不用進行此步驟）

6. Ameba pro2 yolo展示
{%youtube -iYyFTtXmWE %}

7. Ameba pro2 快速替換模型腳本
目前NN模型替換只能從Arduino目錄下進行每次操作(路徑蠻深的)
更換又希望能保存之前的模型，故以下的腳本因此誕生，目前bat只針對windows系統
{%youtube 6IabnHTvXNE %}

###
https://docs.google.com/presentation/d/1Yfrjv8MI0mw2o8LRhpUgn6YCPf0URzcRoqOvHbtCipg/edit#slide=id.g203d87f4c89_0_0