---
type: slide
---

# Darknet YOLO 入坑手冊
### 電腦視覺物件偵測實戰課程
#### Oliver's Tech Workshop 2025

---

## 今日議程

- 🎯 電腦視覺與物件偵測簡介
- 🧠 機器學習與神經網路基礎
- 🚀 YOLO 技術原理與最新發展
- 💻 開發環境建置 (CUDA/Docker)
- 🔧 實戰訓練流程 (PyTorch & Darknet)
- 📱 部署到邊緣設備 (Ameba Pro2)
- 🛠️ 故障排除與最佳化技巧

---

# 第一章：電腦視覺基礎

---

## 什麼是物件偵測？


### 核心任務
- 🔍 **定位** (Localization) - 找出物體在哪裡
- 🏷️ **分類** (Classification) - 判斷物體是什麼
- 📦 **邊界框** (Bounding Box) - 框出物體範圍
- 📊 **置信度** (Confidence) - 預測的可信度

---

## YOLO 家族演進 (2025更新)

| 版本 | 特點 | 年份 | mAP | 速度 |
|------|------|------|-----|------|
| YOLOv1 | 開創性的實時檢測 | 2016 | 63.4% | 45 FPS |
| YOLOv3 | Darknet-53, 多尺度預測 | 2018 | 55.3% | 20 FPS |
| YOLOv4 | CSPDarknet53, Mish激活 | 2020 | 65.7% | 65 FPS |
| YOLOv5 | PyTorch實現, 輕量化 | 2020 | 68.9% | 140 FPS |
| YOLOv7 | 可訓練的包袋式自注意力 | 2022 | 69.7% | 161 FPS |
| **YOLOv8** | **統一框架, 多任務** | **2023** | **68.2%** | **280 FPS** |
| **YOLOv9** | **PGI + GELAN架構** | **2024** | **70.4%** | **104 FPS** |
| **YOLOv10** | **實時檢測最佳化** | **2024** | **71.2%** | **300+ FPS** |

---

## 為什麼選擇 YOLO？

### 🚀 速度優勢
- **實時處理**: 30+ FPS
- **端到端**: 單一神經網路
- **推理快速**: 適合邊緣計算

### 🎯 精度提升
- **多尺度特徵**: 檢測大小物體
- **豐富的增強**: 資料增強策略
- **損失函數**: 針對檢測任務優化

### 🛠️ 易用性
- **生態成熟**: 大量預訓練模型
- **文檔完善**: 豐富的學習資源
- **社群活躍**: 持續更新維護

---

# 第二章：前置準備

---

## 學習路線圖

graph TD
    A[YOLO前置準備] --> B[硬體準備]
    A --> C[軟體環境]
    A --> D[知識基礎]
    
    B --> E[GPU/NPU]
    B --> F[CUDA/cuDNN]
    
    C --> G[Linux/Docker]
    C --> H[Python/PyTorch]
    
    D --> I[神經網路]
    D --> J[深度學習]

---

## 硬體需求

### 基本配置
- CPU: i5 以上
- RAM: 16GB+
- GPU: NVIDIA GTX 1060+

### 推薦配置
- CPU: i7/i9 或 AMD Ryzen 7/9
- RAM: 32GB+
- GPU: RTX 3060+ (12GB VRAM)

----

## GPU vs NPU

| 類型 | 優點 | 缺點 |
|------|------|------|
| **GPU** | 通用性強、生態完整 | 功耗高、成本高 |
| **NPU** | 專為AI優化、低功耗 | 生態受限、彈性較低 |

💡 沒有GPU也能學習！可使用：
- Google Colab (免費GPU)
- Kaggle Kernel
- 雲端服務 (AWS, GCP)

---

# 第三章：機器學習基礎

---

## 什麼是機器學習？

### 定義
讓電腦從數據中自動學習規律，而無需明確編程

### 三大類型
1. **監督式學習** - 有標註數據 (分類、回歸)
2. **非監督式學習** - 無標註數據 (聚類、降維)
3. **強化學習** - 透過獎懲機制學習 (遊戲、機器人)

### 物件偵測屬於監督式學習
- 需要標註的邊界框
- 需要物體類別標籤
- 使用損失函數優化

---

## 神經網路 (NN)


### 基本概念
- **神經元**: 最基本的計算單元
- **權重**: 控制輸入的重要性
- **激活函數**: 增加非線性能力
- **反向傳播**: 調整權重的方法

----

## 卷積神經網路 (CNN)

### 為什麼要用 CNN？
- 🖼️ **空間不變性**: 位置改變不影響識別
- 🔍 **局部感受野**: 關注局部特徵
- 📉 **參數共享**: 減少參數數量
- 🎯 **平移不變性**: 特徵可以出現在任何位置

### CNN 核心組件

# CNN 基本結構
Input Image (224x224x3)
    ↓
Conv2D (32 filters, 3x3) → ReLU → MaxPool (2x2)
    ↓
Conv2D (64 filters, 3x3) → ReLU → MaxPool (2x2)
    ↓
Conv2D (128 filters, 3x3) → ReLU → MaxPool (2x2)
    ↓
Flatten → Dense (512) → ReLU → Dropout
    ↓
Dense (num_classes) → Softmax

----

## CNN 層級特徵學習

### 低層特徵 (前幾層)
- **邊緣檢測**: 水平線、垂直線、對角線
- **紋理識別**: 點狀、條紋、格子
- **色彩梯度**: 顏色變化、亮度變化

### 中層特徵 (中間層)
- **形狀組合**: 圓形、矩形、三角形
- **物體局部**: 眼睛、耳朵、輪廓
- **複雜紋理**: 毛髮、皮膚、表面材質

### 高層特徵 (最後幾層)
- **完整物體**: 人臉、汽車、動物
- **場景理解**: 室內、戶外、街道
- **語義概念**: 抽象的物體類別

---

## 從分類到檢測

### 圖像分類 vs 物件偵測

| 任務 | 輸入 | 輸出 | 難度 |
|------|------|------|------|
| **分類** | 整張圖片 | 類別標籤 | 較簡單 |
| **檢測** | 整張圖片 | 位置+類別 | 較複雜 |

### 檢測的挑戰
- 🔍 **多尺度**: 大小物體都要檢測
- 📍 **精確定位**: 邊界框要準確
- 🚀 **實時性**: 速度要夠快
- 🎯 **多物體**: 同時檢測多個物體

### YOLO 的解決方案
- **單一網路**: 端到端訓練
- **網格劃分**: 全圖同時預測
- **多尺度**: 不同層級特徵融合

---

# 第四章：Dataset 資料集

---

## 為什麼需要 Dataset？

- 🎯 訓練模型的"教材"
- 📊 評估模型性能
- 🔄 持續改進的基礎

### 資料集三要素
1. **訓練集** (Train) - 70%
2. **驗證集** (Valid) - 20%
3. **測試集** (Test) - 10%

----

## YOLOv7 資料集結構

dataset/
├── train/
│   ├── images/
│   └── labels/
├── valid/
│   ├── images/
│   └── labels/
├── test/
│   ├── images/
│   └── labels/
└── data.yaml

----

## YOLOv7 資料集結構範例


**分別有測試、訓練、驗證三個部分**


**data.yaml 訓練時會使用到**

----

## 常用資料集資源

### 公開資料集平台
- 🌐 [Roboflow](https://public.roboflow.com/)
- 📊 [Kaggle Datasets](https://www.kaggle.com/datasets)
- 🏛️ [COCO Dataset](https://cocodataset.org/)

### Roboflow 資料集下載範例


**使用 Yolo v7 PyTorch 格式下載**


### 標註工具
- LabelImg
- CVAT
- Roboflow Annotate

---

# 第五章：環境建置

---

## GPU 設備檢查

### 1. 確認 GPU 支援

# 檢查 GPU 資訊
nvidia-smi

# 檢查 CUDA 版本
nvcc --version

# 檢查 GPU 計算能力
nvidia-smi --query-gpu=compute_cap --format=csv

### 2. 推薦 GPU 配置
| GPU 型號 | VRAM | 適用場景 |
|----------|------|----------|
| RTX 4060 | 16GB | 學習/小規模訓練 |
| RTX 4070 | 12GB | 中等規模訓練 |
| RTX 4080+ | 16GB+ | 大規模訓練 |

----

## CUDA & cuDNN 完整安裝

### Ubuntu 20.04/22.04 安裝步驟

# 1. 移除舊版本
sudo apt-get --purge remove "*nvidia*" "*cuda*" "*cudnn*"

# 2. 安裝 NVIDIA 驅動
sudo apt update
sudo apt install nvidia-driver-535

# 3. 重開機
sudo reboot

# 4. 安裝 CUDA 11.8
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo sh cuda_11.8.0_520.61.05_linux.run

# 5. 設定環境變數
echo 'export PATH=/usr/local/cuda-11.8/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

----

## cuDNN 安裝

# 1. 下載 cuDNN 8.7.0 (需要 NVIDIA 帳號)
# 從 https://developer.nvidia.com/cudnn 下載 tar 檔案

# 2. 解壓縮並複製檔案
tar -xvf cudnn-linux-x86_64-8.7.0.84_cuda11-archive.tar.xz

# 3. 複製標頭檔
sudo cp cudnn-*/include/cudnn*.h /usr/local/cuda/include 

# 4. 複製函式庫
sudo cp -P cudnn-*/lib64/libcudnn* /usr/local/cuda/lib64 

# 5. 設定權限
sudo chmod a+r /usr/local/cuda/include/cudnn*.h 
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

# 6. 驗證安裝
nvidia-smi
nvcc --version

---

## Python 環境設置

### Conda 完整設置

# 1. 下載 Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

# 2. 建立專用環境
conda create -n yolo python=3.8 -y
conda activate yolo

# 3. 安裝 PyTorch (CUDA 11.8)
pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118

# 4. 驗證 PyTorch CUDA 支援
python -c "import torch; print(torch.cuda.is_available())"
python -c "import torch; print(torch.cuda.get_device_name(0))"

----

## 必要套件安裝

# 基本套件
pip install numpy opencv-python pillow matplotlib seaborn
pip install pandas scikit-learn tqdm

# 深度學習相關
pip install ultralytics  # YOLOv8
pip install roboflow     # 資料集管理
pip install wandb        # 訓練監控

# 圖像處理
pip install albumentations  # 資料增強
pip install imgaug         # 圖像增強

# 視覺化
pip install tensorboard
pip install plotly

# 驗證安裝
python -c "import cv2; print(cv2.__version__)"
python -c "import ultralytics; print('YOLOv8 安裝成功')"

---

## Docker 環境 (推薦)


### 優點
- ✅ **環境隔離**: 不會影響主系統
- ✅ **可重現性**: 團隊環境一致
- ✅ **快速部署**: 一鍵啟動完整環境
- ✅ **版本控制**: 不同專案用不同版本

----

## Docker 完整設置

### 1. 安裝 Docker

# Ubuntu 安裝 Docker
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh

# 安裝 NVIDIA Docker
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

sudo apt-get update && sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker

### 2. 使用預建映像

# 方式1: 使用官方映像
docker pull nvcr.io/nvidia/pytorch:22.12-py3

# 方式2: 使用自定義映像
docker pull oliver0804/darknet-opencv:latest

# 運行容器
docker run --gpus all -it --rm \
  -v $PWD:/workspace \
  -p 8888:8888 \
  nvcr.io/nvidia/pytorch:22.12-py3

----

## 自建 Docker 映像

### Dockerfile 範例

FROM nvidia/cuda:11.8-devel-ubuntu20.04

# 安裝基本套件
RUN apt-get update && apt-get install -y \
    python3 python3-pip git wget \
    libopencv-dev python3-opencv \
    && rm -rf /var/lib/apt/lists/*

# 安裝 Python 套件
RUN pip3 install torch torchvision torchaudio \
    opencv-python ultralytics

# 設定工作目錄
WORKDIR /workspace

# 複製專案檔案
COPY . .

# 暴露端口
EXPOSE 8888

# 啟動命令
CMD ["bash"]

### 建置與使用

# 建置映像
docker build -t my-yolo-env .

# 運行容器
docker run --gpus all -it --rm \
  -v $PWD:/workspace \
  my-yolo-env

---

# 第六章：YOLO 訓練實戰

---

## 訓練前準備檢查清單

### 📋 硬體需求確認
- ✅ GPU 記憶體 > 8GB
- ✅ 系統記憶體 > 16GB
- ✅ 儲存空間 > 50GB
- ✅ CUDA 版本相容

### 📋 軟體環境確認

# 檢查清單
python --version         # Python 3.8+
pip list | grep torch    # PyTorch 1.12+
nvidia-smi              # GPU 狀態
nvcc --version          # CUDA 版本

---

## YOLOv8 完整訓練流程

### 1. 環境設置

# 安裝 Ultralytics YOLOv8
pip install ultralytics

# 驗證安裝
yolo version

### 2. 準備資料集

# 資料集結構
dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── data.yaml

----

## 資料集配置檔案

### data.yaml 範例

# 資料集路徑
path: ./dataset
train: images/train
val: images/val
test: images/test

# 類別數量
nc: 3

# 類別名稱
names:
  0: person
  1: bicycle
  2: car

### 標註格式 (YOLO)

# 每行一個物體: class_id x_center y_center width height
# 座標為相對值 (0-1)
0 0.5 0.5 0.3 0.4
1 0.2 0.3 0.1 0.2

----

## 訓練腳本詳解

### 資料集配置範例


**此檔案經過修改，將 Path 改為絕對路徑**

### 模型配置選擇


**路徑中包含 v7-tiny 版本選項**

### 基本訓練

from ultralytics import YOLO

# 載入模型
model = YOLO('yolov8n.pt')  # nano 版本

# 開始訓練
results = model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    name='my_experiment'
)

### 進階訓練設定

# 進階參數設定
results = model.train(
    data='data.yaml',
    epochs=300,
    imgsz=640,
    batch=32,
    lr0=0.01,           # 初始學習率
    lrf=0.01,           # 最終學習率
    momentum=0.937,     # 動量
    weight_decay=0.0005,# 權重衰減
    warmup_epochs=3,    # 預熱期
    warmup_momentum=0.8,# 預熱動量
    box=7.5,            # 邊界框損失權重
    cls=0.5,            # 分類損失權重
    dfl=1.5,            # 分布焦點損失權重
    patience=50,        # 早停耐心值
    save_period=10,     # 保存週期
    name='advanced_training'
)

---

## 訓練監控與視覺化

### 1. TensorBoard 監控

# 啟動 TensorBoard
import tensorboard
%load_ext tensorboard
%tensorboard --logdir runs/train

### 2. Weights & Biases 整合

# 安裝 wandb
pip install wandb

# 登入 wandb
wandb login

# 訓練時自動記錄
results = model.train(
    data='data.yaml',
    epochs=100,
    project='yolo-training',  # W&B 專案名稱
    name='experiment-1'
)

----

## 訓練過程監控

### 即時監控腳本

import psutil
import GPUtil
import time

def monitor_training():
    while True:
        # CPU 使用率
        cpu_percent = psutil.cpu_percent()
        
        # 記憶體使用率
        memory = psutil.virtual_memory()
        
        # GPU 使用率
        gpus = GPUtil.getGPUs()
        
        print(f"CPU: {cpu_percent}%")
        print(f"RAM: {memory.percent}%")
        
        for gpu in gpus:
            print(f"GPU {gpu.id}: {gpu.load*100:.1f}%")
            print(f"VRAM: {gpu.memoryUsed}MB/{gpu.memoryTotal}MB")
        
        time.sleep(5)

# 背景執行監控
import threading
monitor_thread = threading.Thread(target=monitor_training, daemon=True)
monitor_thread.start()

### 訓練過程展示

#### 訓練開始

#### GPU 資源監控

**可以使用 nvtop 進行 GPU 使用資源檢視**

---

## 超參數調整策略

### 學習率調整

# 學習率調度策略
schedulers = {
    'cosine': 'cos',      # 餘弦退火
    'linear': 'linear',   # 線性衰減
    'constant': 'constant' # 常數
}

# 自動學習率尋找
model.tune(
    data='data.yaml',
    epochs=30,
    iterations=300,
    optimizer='AdamW',
    plots=True,
    save=True
)

### 批次大小優化

# 自動批次大小調整
def find_optimal_batch_size(model, data_yaml):
    batch_sizes = [8, 16, 32, 64, 128]
    best_batch = 8
    
    for batch in batch_sizes:
        try:
            results = model.train(
                data=data_yaml,
                epochs=5,
                batch=batch,
                verbose=False
            )
            best_batch = batch
            print(f"Batch {batch}: 成功")
        except RuntimeError as e:
            if "out of memory" in str(e):
                print(f"Batch {batch}: 記憶體不足")
                break
    
    return best_batch

----

## 模型驗證與測試

### 驗證腳本

# 驗證模型性能
metrics = model.val(
    data='data.yaml',
    imgsz=640,
    batch=32,
    conf=0.001,
    iou=0.6,
    save_json=True,
    save_hybrid=True
)

# 輸出指標
print(f"mAP50: {metrics.box.map50:.3f}")
print(f"mAP50-95: {metrics.box.map:.3f}")
print(f"Precision: {metrics.box.mp:.3f}")
print(f"Recall: {metrics.box.mr:.3f}")

### 測試腳本

# 單張圖片測試
results = model.predict(
    source='test.jpg',
    conf=0.25,
    save=True,
    show_labels=True,
    show_conf=True
)

# 批次圖片測試
results = model.predict(
    source='test_images/',
    conf=0.25,
    save=True,
    save_txt=True,  # 保存標註
    save_crop=True  # 保存裁切圖片
)

# 即時攝影機測試
results = model.predict(
    source=0,       # 攝影機ID
    conf=0.25,
    show=True,
    save=True
)

---

## 模型匯出與部署

### 多格式匯出

# 匯出為不同格式
model.export(
    format='onnx',      # ONNX 格式
    imgsz=640,
    dynamic=True,       # 動態輸入尺寸
    half=True,          # FP16 精度
    int8=True,          # INT8 量化
    optimize=True       # 優化
)

# 其他格式
formats = [
    'torchscript',  # PyTorch Script
    'tflite',       # TensorFlow Lite
    'edgetpu',      # Edge TPU
    'tfjs',         # TensorFlow.js
    'coreml'        # Core ML
]

for fmt in formats:
    model.export(format=fmt)

### 性能基準測試

# 推理速度測試
import time
import numpy as np

def benchmark_model(model, input_size=(640, 640), iterations=100):
    model.eval()
    dummy_input = np.random.randn(1, 3, *input_size).astype(np.float32)
    
    # 預熱
    for _ in range(10):
        model.predict(dummy_input, verbose=False)
    
    # 測試
    times = []
    for _ in range(iterations):
        start = time.time()
        model.predict(dummy_input, verbose=False)
        end = time.time()
        times.append(end - start)
    
    avg_time = np.mean(times)
    fps = 1.0 / avg_time
    
    print(f"平均推理時間: {avg_time*1000:.2f}ms")
    print(f"FPS: {fps:.2f}")
    
    return avg_time, fps

---

## 訓練成果展示

### 魚類偵測範例

#### 偵測結果

**好多好多魚魚 <>< ~ <3**


#### 訓練指標

##### 測試集結果

##### 訓練集結果

##### 混淆矩陣

#### 攝影機即時檢測

---

## 常見問題解決

### 記憶體不足

# 解決方案
strategies = {
    '降低批次大小': 'batch=8',
    '使用混合精度': 'amp=True',
    '減少輸入尺寸': 'imgsz=320',
    '梯度累積': 'accumulate=2'
}

# 梯度累積範例
model.train(
    data='data.yaml',
    epochs=100,
    batch=8,
    accumulate=4,  # 等效批次大小 = 8*4 = 32
    amp=True       # 自動混合精度
)

### 訓練不收斂

# 診斷與解決
diagnostic_steps = [
    "檢查學習率是否過高",
    "確認資料集標註正確性",
    "檢查類別平衡性",
    "調整損失函數權重",
    "增加資料增強"
]

# 學習率調整
model.train(
    data='data.yaml',
    lr0=0.001,      # 降低初始學習率
    warmup_epochs=5, # 增加預熱期
    patience=100     # 增加早停耐心
)

---

# 第七章：Darknet 框架

---

## Darknet 簡介

### 特點
- ✨ **C/CUDA 原生實現** - 極致性能
- 🚀 **輕量級框架** - 無複雜依賴
- 📦 **易於修改** - 源碼清晰
- 🔧 **原生支援** - YOLO 官方框架

### 作者
Joseph Redmon (YOLO v1-v3 原作者)
Alexey Bochkovskiy (YOLOv4 維護者)

### 與 PyTorch 比較
| 特性 | Darknet | PyTorch |
|------|---------|---------|
| 速度 | 極快 | 快 |
| 易用性 | 中等 | 高 |
| 生態系統 | 有限 | 豐富 |
| 自定義 | 需要 C 代碼 | Python 即可 |

---

## Darknet 完整安裝

### 1. 系統依賴安裝

# Ubuntu/Debian
sudo apt-get update
sudo apt-get install -y build-essential cmake git

# 編譯工具
sudo apt-get install -y gcc g++ make

# 可選：OpenCV 支援
sudo apt-get install -y libopencv-dev

# 可選：OpenMP 支援
sudo apt-get install -y libomp-dev

### 2. 克隆與編譯

# 克隆改良版 Darknet (推薦)
git clone https://github.com/AlexeyAB/darknet.git
cd darknet

# 編輯 Makefile
nano Makefile

----

## Makefile 配置

# GPU 支援
GPU=1
CUDNN=1
CUDNN_HALF=1

# OpenCV 支援
OPENCV=1

# OpenMP 支援
OPENMP=1

# 偵錯模式
DEBUG=0

# 其他選項
LIBSO=1  # 建立 .so 檔案
ZED_CAMERA=0  # ZED 攝影機支援

### 編譯指令

# 清理舊檔案
make clean

# 編譯 (使用多核心)
make -j$(nproc)

# 驗證編譯結果
./darknet version

### OpenCV 安裝過程截圖

#### OpenCV 3.4.19 版本確認

#### 編譯過程

----

## 基本測試

### 1. 下載預訓練模型

# YOLOv4 權重
wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights

# YOLOv4-tiny 權重
wget https://github.com/AlexeyAB/darknet/releases/download/yolov4/yolov4-tiny.weights

# YOLOv7-tiny 權重
wget https://github.com/AlexeyAB/darknet/releases/download/yolov4/yolov7-tiny.weights

### 2. 測試圖片檢測

# YOLOv4 檢測
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg

# YOLOv4-tiny 檢測
./darknet detect cfg/yolov4-tiny.cfg yolov4-tiny.weights data/dog.jpg

# 自訂閾值
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg -thresh 0.5

### 測試結果展示

#### YOLOv3 檢測結果

#### YOLOv7-tiny 檢測結果

----

## 影片與攝影機檢測

### 影片檢測

# 檢測影片
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4

# 儲存結果
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -out_filename result.avi

### 攝影機檢測

# 使用 webcam
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -c 0

# 使用外接攝影機
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -c 1

# 設定參數
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -c 0 -thresh 0.25 -here

---

## 自定義訓練準備

### 1. 建立專案資料夾

mkdir my_yolo_project
cd my_yolo_project

# 建立目錄結構
mkdir -p {data,cfg,weights,results}
mkdir -p data/{images,labels}
mkdir -p data/images/{train,valid,test}
mkdir -p data/labels/{train,valid,test}

### 2. 準備資料集

# 資料集結構
my_yolo_project/
├── data/
│   ├── images/
│   │   ├── train/
│   │   ├── valid/
│   │   └── test/
│   ├── labels/
│   │   ├── train/
│   │   ├── valid/
│   │   └── test/
│   ├── train.txt
│   ├── valid.txt
│   └── test.txt
├── cfg/
│   ├── my_dataset.data
│   ├── my_yolov4.cfg
│   └── my_classes.names
└── weights/

----

## 配置檔案設定

### 1. 建立 .data 檔案

# my_dataset.data
classes = 3
train = data/train.txt
valid = data/valid.txt
names = cfg/my_classes.names
backup = weights/

### 2. 建立 .names 檔案

# my_classes.names
person
car
bicycle

### 3. 建立圖片列表

# 產生訓練列表
find $(pwd)/data/images/train -name "*.jpg" > data/train.txt

# 產生驗證列表
find $(pwd)/data/images/valid -name "*.jpg" > data/valid.txt

# 檢查列表
head -5 data/train.txt

----

## 模型配置調整

### 1. 複製基礎配置

# 複製 YOLOv4-tiny 配置
cp ../darknet/cfg/yolov4-tiny.cfg cfg/my_yolov4.cfg

### 2. 修改配置檔案

# 編輯配置
nano cfg/my_yolov4.cfg

# 關鍵修改點：
# 1. 修改 classes 數量
# 2. 修改 filters 數量
# 3. 調整學習率
# 4. 設定批次大小

### 重要參數說明

[net]
batch=64          # 批次大小
subdivisions=8    # 子批次
width=416         # 輸入寬度
height=416        # 輸入高度
channels=3        # 通道數
momentum=0.9      # 動量
decay=0.0005      # 權重衰減
angle=0           # 隨機旋轉角度
saturation=1.5    # 飽和度變化
exposure=1.5      # 曝光變化
hue=.1            # 色調變化

learning_rate=0.001  # 學習率
max_batches=6000     # 最大批次 (classes * 2000)
policy=steps         # 學習率策略
steps=4800,5400      # 降低學習率的步驟
scales=.1,.1         # 學習率縮放

----

## 預訓練權重準備

### 1. 下載預訓練權重

# YOLOv4-tiny 預訓練權重
wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.conv.29

# YOLOv4 預訓練權重
wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137

### 2. 驗證權重檔案

# 檢查檔案大小
ls -lh weights/

# 測試權重載入
./darknet detector test cfg/my_dataset.data cfg/my_yolov4.cfg weights/yolov4-tiny.conv.29

---

## 開始訓練

### 自定義資料集範例

#### 手語識別資料集

#### 自定義設定資料夾

### 基本訓練指令

# 單 GPU 訓練
./darknet detector train cfg/my_dataset.data cfg/my_yolov4.cfg weights/yolov4-tiny.conv.29

# 多 GPU 訓練
./darknet detector train cfg/my_dataset.data cfg/my_yolov4.cfg weights/yolov4-tiny.conv.29 -gpus 0,1

# 從檢查點繼續訓練
./darknet detector train cfg/my_dataset.data cfg/my_yolov4.cfg weights/my_yolov4_last.weights

# 計算 mAP
./darknet detector train cfg/my_dataset.data cfg/my_yolov4.cfg weights/yolov4-tiny.conv.29 -map

### 訓練過程監控

----

## 訓練監控

### 1. 查看訓練日誌

# 即時查看訓練進度
tail -f training.log

# 提取損失值
grep "avg" training.log | tail -10

### 2. 損失函數分析

# 訓練輸出範例
Region xx: cfg: (anchors) ...
1000: 2.950644, 2.950644 avg, 0.000010 rate, 3.456 seconds, 64000 images

### 參數說明
- `1000`: 當前迭代次數
- `2.950644`: 當前損失值
- `2.950644 avg`: 平均損失值
- `0.000010 rate`: 當前學習率
- `3.456 seconds`: 此批次訓練時間
- `64000 images`: 已處理圖片數

----

## 訓練結果評估

### 1. 計算 mAP

# 計算驗證集 mAP
./darknet detector map cfg/my_dataset.data cfg/my_yolov4.cfg weights/my_yolov4_best.weights

### 2. 測試個別圖片

# 測試單張圖片
./darknet detector test cfg/my_dataset.data cfg/my_yolov4.cfg weights/my_yolov4_best.weights data/test.jpg

# 批次測試
./darknet detector test cfg/my_dataset.data cfg/my_yolov4.cfg weights/my_yolov4_best.weights < data/test.txt

### 3. 調整檢測閾值

# 不同閾值測試
for thresh in 0.1 0.25 0.5 0.75; do
    echo "Testing with threshold: $thresh"
    ./darknet detector test cfg/my_dataset.data cfg/my_yolov4.cfg weights/my_yolov4_best.weights data/test.jpg -thresh $thresh
done

---

## 高級功能

### 1. 資料增強

# 在 [net] 部分加入
mosaic=1          # 馬賽克增強
cutmix=1          # CutMix 增強
mixup=1           # MixUp 增強

### 2. 多尺度訓練

# 隨機尺度訓練
random=1

# 多尺度設定
width=416
height=416

### 3. 學習率調度

# 學習率策略
policy=steps
steps=4800,5400
scales=.1,.1

# 或使用多項式衰減
policy=poly
power=4

----

## 疑難排解

### 常見錯誤解決

# 1. CUDA 記憶體不足
# 解決：降低 batch size 或 subdivisions

# 2. 找不到圖片
# 解決：檢查 .txt 檔案中的路徑

# 3. 標註格式錯誤
# 解決：檢查 YOLO 格式是否正確

# 4. 類別數量不匹配
# 解決：確認 classes 和 filters 設定正確

### 優化建議
1. **記憶體優化**: 調整 `subdivisions`
2. **速度優化**: 使用 `-dont_show` 參數
3. **精度優化**: 增加 `max_batches`
4. **穩定訓練**: 使用 `-map` 監控 mAP

---

## Docker 部署 (完整版)

### 1. 使用現成映像

#### Docker 工作流程示意

# 拉取映像
docker pull oliver0804/darknet-opencv:latest

# 運行容器
docker run --gpus all -it --rm \
    -v $(pwd):/workspace \
    -v $(pwd)/data:/darknet/data \
    -v $(pwd)/cfg:/darknet/cfg \
    -v $(pwd)/weights:/darknet/weights \
    oliver0804/darknet-opencv:latest

#### Docker 執行結果

#### 最終檢測結果

### 2. 在容器中訓練

# 進入容器
docker exec -it <container_id> bash

# 開始訓練
./darknet detector train cfg/my_dataset.data cfg/my_yolov4.cfg weights/yolov4-tiny.conv.29 -dont_show -map

### 3. 自動化腳本

#!/bin/bash
# auto_train.sh

# 設定參數
DATA_FILE="cfg/my_dataset.data"
CFG_FILE="cfg/my_yolov4.cfg"
WEIGHTS_FILE="weights/yolov4-tiny.conv.29"

# 執行訓練
docker run --gpus all -it --rm \
    -v $(pwd):/workspace \
    oliver0804/darknet-opencv:latest \
    ./darknet detector train $DATA_FILE $CFG_FILE $WEIGHTS_FILE -dont_show -map

---

# 第八章：邊緣設備部署

---

## Ameba Pro2 簡介

### 硬體規格
- **處理器**: ARM Cortex-M55 @ 500MHz
- **AI 加速器**: 0.4 TOPS NPU
- **記憶體**: 768KB SRAM + 16MB PSRAM
- **攝像頭**: 2MP 感光元件
- **連接**: Wi-Fi 6 + BLE 5.0
- **尺寸**: 35mm x 28mm

### 為什麼選擇邊緣 AI？
- 🔒 **隱私保護**: 資料不上雲
- ⚡ **低延遲**: 即時推理
- 💰 **成本效益**: 無雲端費用
- 🔋 **低功耗**: 適合 IoT 應用

---

## 重要注意事項

### 支援時程
> **注意**: ameba pro2 對 yolo 的支援時間會比較晚

### 當前限制
- 模型轉換需要線上工具
- 暫無離線版本工具
- 如果在意模型保密需要考慮

### 適用場景
- 🏠 智慧家居監控
- 🏭 工業品質檢測
- 🚗 車內駕駛行為分析
- 📱 IoT 邊緣計算

---

## 模型轉換詳解

### 1. 準備轉換檔案

#### 檔案要求

# 打包內容
yolo_model.zip
├── yolov4-tiny.weights    # 訓練好的權重檔
└── yolov4-tiny.cfg        # 對應的配置檔

# 重要限制
❌ 不能包含中文字符
❌ cfg 檔案註解也不能有中文
❌ 檔案路徑不能有中文

#### 配置檔案清理

# 移除中文註解
sed -i '/[\u4e00-\u9fff]/d' yolov4-tiny.cfg

# 檢查檔案編碼
file yolov4-tiny.cfg

# 確保 UTF-8 編碼
iconv -f GB2312 -t UTF-8 yolov4-tiny.cfg > yolov4-tiny_clean.cfg

----

## 線上轉換流程

### 1. 上傳模型

**網址**: https://www.amebaiot.com/en/amebapro2-ai-convert-model/

### 2. 轉換過程
- ⏱️ **等待時間**: 10-20 分鐘
- 📧 **結果通知**: 轉換完成會發送郵件
- 📦 **輸出格式**: .nb 檔案 (Neural Network Binary)

### 3. 轉換參數
| 參數 | 說明 | 建議值 |
|------|------|---------|
| Input Size | 輸入圖片尺寸 | 416x416 |
| Quantization | 量化位元數 | INT8 |
| Optimization | 優化等級 | High |

----

## Arduino IDE 環境設置

### 1. 安裝 Arduino IDE

# 下載 Arduino IDE 2.0+
wget https://downloads.arduino.cc/arduino-ide/arduino-ide_2.2.1_Linux_64bit.zip

# 或使用套件管理器
sudo apt install arduino

### 2. 添加開發板支援

#### 開發板管理員 URL

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


#### 安裝步驟
1. 開啟 Arduino IDE
2. 檔案 → 偏好設定 → 額外的開發板管理員網址
3. 貼上上述 URL
4. 工具 → 開發板 → 開發板管理員
5. 搜尋 "Realtek Ameba"
6. 安裝 "Realtek Ameba Pro2 Boards"

----

## 選擇開發板

### 開發板設定

**設定路徑**: 工具 → 開發板 → Realtek Ameba Pro2 → "Ameba Pro2"

### 編譯選項

Board: "Ameba Pro2"
CPU Speed: "500MHz"
Optimization: "Smallest (-Os)"
Upload Speed: "115200"

---

## 神經網路範例程式

### 1. 開啟範例

**路徑**: 檔案 → 範例 → AmebaNN → YOLO

### 2. 基本程式結構

#include "NeuralNetwork.h"
#include "VideoStream.h"
#include "RTSP.h"

// 物件類別定義
#define YOLO_CLASSES 26  // 自定義類別數

// 類別名稱陣列
String objectList[YOLO_CLASSES] = {
    "A", "B", "C", "D", "E", "F", "G", "H", "I", "J",
    "K", "L", "M", "N", "O", "P", "Q", "R", "S", "T", 
    "U", "V", "W", "X", "Y", "Z"
};

void setup() {
    Serial.begin(115200);
    
    // 初始化攝像頭
    Camera.configVideoChannel(VIDEO_CHN, 416, 416, 30, VIDEO_H264_JPEG);
    Camera.videoInit();
    
    // 初始化神經網路
    NNObjectDetection.configVideo(VIDEO_CHN);
    NNObjectDetection.modelSelect(OBJECT_DETECTION, YOLO_CLASSES, DEFAULT_YOLO, NA_MODEL);
    NNObjectDetection.begin();
    
    // 初始化 RTSP
    RTSP.configVideo(VIDEO_CHN);
    RTSP.begin();
}

void loop() {
    // 執行物件偵測
    if (NNObjectDetection.available()) {
        ObjectDetectionResult result = NNObjectDetection.getResult();
        
        // 處理偵測結果
        for (int i = 0; i < result.count(); i++) {
            int obj_type = result.type(i);
            int score = result.score(i);
            
            if (score > 50) {  // 信心度閾值
                Serial.printf("偵測到: %s (信心度: %d%%)\n", 
                             objectList[obj_type].c_str(), score);
            }
        }
    }
    delay(100);
}

----

## 模型替換詳解

### 1. 找到模型檔案位置

**典型路徑**:

~/Arduino/libraries/AmebaNN/src/
├── models/
│   ├── yolov4_tiny.nb      # 原始模型
│   └── yolov4_tiny_new.nb  # 你的新模型

### 2. 備份原始模型

# 進入模型目錄
cd ~/Arduino/libraries/AmebaNN/src/models/

# 備份原始模型
cp yolov4_tiny.nb yolov4_tiny_original.nb

# 替換新模型
cp /path/to/your/model.nb yolov4_tiny.nb

### 3. 修改類別設定

#### 更新類別數量

// 原始 COCO dataset (80 類)
#define YOLO_CLASSES 80

// 改為你的類別數 (例如: 26 類手語)
#define YOLO_CLASSES 26

#### 更新類別名稱

// 原始 COCO 類別
String objectList[YOLO_CLASSES] = {
    "person", "bicycle", "car", ... // 80 個類別
};

// 改為手語字母 (26 類)
String objectList[YOLO_CLASSES] = {
    "A", "B", "C", "D", "E", "F", "G", "H", "I", "J",
    "K", "L", "M", "N", "O", "P", "Q", "R", "S", "T", 
    "U", "V", "W", "X", "Y", "Z"
};

----

## 程式碼修改詳解

### 1. 修改 OSD 標籤顯示

#### 原始標籤清單

#### 修改後的手語標籤

**原始代碼**:

// 舊版本 (可能已修正)
printf("%s", item.name());

**修正後**:

// 新版本
printf("%s", objectList[obj_type].c_str());

### 2. 物件類型處理

**修改位置**: 約第 114 行

// 修改前
item.name()

// 修改後  
objectList[obj_type].objectName

---

## 測試與除錯

### 1. 序列埠監控

void printDetectionInfo(ObjectDetectionResult result) {
    Serial.printf("偵測到 %d 個物件\n", result.count());
    
    for (int i = 0; i < result.count(); i++) {
        int obj_type = result.type(i);
        int score = result.score(i);
        int x = result.xMin(i);
        int y = result.yMin(i);
        int w = result.width(i);
        int h = result.height(i);
        
        Serial.printf("物件 %d: %s\n", i+1, objectList[obj_type].c_str());
        Serial.printf("  信心度: %d%%\n", score);
        Serial.printf("  位置: (%d, %d) 大小: %dx%d\n", x, y, w, h);
    }
}

### 2. 性能監控

unsigned long prev_time = 0;
int frame_count = 0;

void loop() {
    if (NNObjectDetection.available()) {
        frame_count++;
        unsigned long curr_time = millis();
        
        if (curr_time - prev_time >= 1000) {  // 每秒統計
            Serial.printf("FPS: %d\n", frame_count);
            frame_count = 0;
            prev_time = curr_time;
        }
        
        // 處理偵測結果...
    }
}

----

## 實際展示效果

### 1. 手語識別展示
**YouTube 影片**: [Ameba pro2 yolo展示](https://youtube.com/watch?v=-iYyFTtXmWE)

### 功能展示
- ✅ 即時手語字母識別
- ✅ 邊界框繪製
- ✅ 信心度顯示
- ✅ RTSP 串流輸出

### 2. 性能表現
| 指標 | 數值 |
|------|------|
| 推理速度 | ~10 FPS |
| 延遲 | <100ms |
| 功耗 | <500mW |
| 精確度 | 85%+ |

---

## 模型快速替換工具

### 1. 問題描述
- 🔍 **路徑深層**: Arduino 目錄結構複雜
- 🔄 **頻繁更換**: 需要測試不同模型
- 💾 **備份需求**: 保存之前的模型版本

### 2. 自動化腳本
**YouTube 教學**: [Ameba pro2 快速替換模型腳本](https://youtube.com/watch?v=6IabnHTvXNE)

### Windows 批次檔 (model_swap.bat)

@echo off
setlocal enabledelayedexpansion

echo Ameba Pro2 模型快速替換工具
echo ================================

set ARDUINO_PATH=%USERPROFILE%\Documents\Arduino
set MODEL_PATH=%ARDUINO_PATH%\libraries\AmebaNN\src\models
set BACKUP_PATH=%MODEL_PATH%\backup

REM 建立備份目錄
if not exist "%BACKUP_PATH%" mkdir "%BACKUP_PATH%"

REM 顯示當前模型
echo 當前模型檔案:
dir "%MODEL_PATH%\*.nb" /b

echo.
echo 選擇操作:
echo 1. 替換模型
echo 2. 還原備份
echo 3. 建立備份
set /p choice="請輸入選項 (1-3): "

if "%choice%"=="1" goto REPLACE_MODEL
if "%choice%"=="2" goto RESTORE_BACKUP  
if "%choice%"=="3" goto CREATE_BACKUP
goto END

:REPLACE_MODEL
set /p new_model="請輸入新模型檔案路徑: "
if not exist "%new_model%" (
    echo 錯誤: 找不到指定的模型檔案
    goto END
)

REM 備份當前模型
copy "%MODEL_PATH%\yolov4_tiny.nb" "%BACKUP_PATH%\yolov4_tiny_%date:~0,4%%date:~5,2%%date:~8,2%.nb"

REM 替換模型
copy "%new_model%" "%MODEL_PATH%\yolov4_tiny.nb"
echo 模型替換完成！
goto END

:RESTORE_BACKUP
echo 可用的備份檔案:
dir "%BACKUP_PATH%\*.nb" /b
set /p backup_file="請輸入要還原的備份檔案名: "
copy "%BACKUP_PATH%\%backup_file%" "%MODEL_PATH%\yolov4_tiny.nb"
echo 模型還原完成！
goto END

:CREATE_BACKUP
copy "%MODEL_PATH%\yolov4_tiny.nb" "%BACKUP_PATH%\yolov4_tiny_%date:~0,4%%date:~5,2%%date:~8,2%.nb"
echo 備份建立完成！
goto END

:END
pause

### 3. Linux/Mac 腳本 (model_swap.sh)

#!/bin/bash

ARDUINO_PATH="$HOME/Arduino"
MODEL_PATH="$ARDUINO_PATH/libraries/AmebaNN/src/models"
BACKUP_PATH="$MODEL_PATH/backup"

# 建立備份目錄
mkdir -p "$BACKUP_PATH"

echo "Ameba Pro2 模型快速替換工具"
echo "================================"

echo "當前模型檔案:"
ls -la "$MODEL_PATH"/*.nb 2>/dev/null || echo "找不到模型檔案"

echo ""
echo "選擇操作:"
echo "1. 替換模型"
echo "2. 還原備份"
echo "3. 建立備份"
read -p "請輸入選項 (1-3): " choice

case $choice in
    1)
        read -p "請輸入新模型檔案路徑: " new_model
        if [ ! -f "$new_model" ]; then
            echo "錯誤: 找不到指定的模型檔案"
            exit 1
        fi
        
        # 備份當前模型
        cp "$MODEL_PATH/yolov4_tiny.nb" "$BACKUP_PATH/yolov4_tiny_$(date +%Y%m%d_%H%M%S).nb"
        
        # 替換模型
        cp "$new_model" "$MODEL_PATH/yolov4_tiny.nb"
        echo "模型替換完成！"
        ;;
    2)
        echo "可用的備份檔案:"
        ls -1 "$BACKUP_PATH"/*.nb 2>/dev/null || echo "沒有備份檔案"
        read -p "請輸入要還原的備份檔案名: " backup_file
        cp "$BACKUP_PATH/$backup_file" "$MODEL_PATH/yolov4_tiny.nb"
        echo "模型還原完成！"
        ;;
    3)
        cp "$MODEL_PATH/yolov4_tiny.nb" "$BACKUP_PATH/yolov4_tiny_$(date +%Y%m%d_%H%M%S).nb"
        echo "備份建立完成！"
        ;;
    *)
        echo "無效的選項"
        ;;
esac

---

## 疑難排解

### 常見問題
1. **模型轉換失敗**
- 檢查檔案是否包含中文
- 確認 cfg 和 weights 對應
- 重新清理配置檔案

2. **編譯錯誤**
- 確認開發板選擇正確
- 檢查類別數量設定
- 更新 Arduino 核心

3. **推理速度慢**
- 降低輸入解析度
- 使用 INT8 量化
- 優化模型架構

### 效能優化建議
- 🎯 **模型選擇**: 使用 YOLOv4-tiny 而非完整版
- 📏 **輸入尺寸**: 建議 320x320 或 416x416
- ⚡ **量化**: 使用 INT8 量化減少記憶體用量
- 🔄 **批次處理**: 避免頻繁的模型切換

---

# 第九章：實用技巧

---

## OpenCV 應用

### 電腦視覺基礎操作


**OpenCV 可以處理顏色、物件邊緣、光流等，是代碼版本的 Photoshop**

### 影像前處理

import cv2

# 讀取圖片
img = cv2.imread('image.jpg')

# 轉換顏色空間
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 邊緣檢測
edges = cv2.Canny(gray, 50, 150)

# 影像增強
enhanced = cv2.equalizeHist(gray)

----

### 進階應用範例

#### 人臉識別應用


**透過 OpenCV contrib 實現人臉偵測**

#### OCR 文字識別


**使用 Tesseract 進行光學字符識別**

----

## 資料增強技巧

### 常用方法
1. **旋轉** - 增加角度變化
2. **翻轉** - 水平/垂直鏡像
3. **縮放** - 尺度不變性
4. **色彩調整** - 光照變化
5. **加噪** - 提升魯棒性

# Albumentations 範例
transform = A.Compose([
    A.RandomRotate90(),
    A.Flip(),
    A.RandomBrightnessContrast(p=0.2),
])

---

# 第十章：常見問題

---

## GPU 記憶體不足

### 解決方案
1. 降低 batch size
2. 使用混合精度訓練
3. 減少輸入圖片尺寸
4. 使用梯度累積

# 梯度累積範例
accumulation_steps = 4
for i, (imgs, targets) in enumerate(dataloader):
    loss = model(imgs, targets)
    loss = loss / accumulation_steps
    loss.backward()
    
    if (i + 1) % accumulation_steps == 0:
        optimizer.step()
        optimizer.zero_grad()

----

## 訓練不收斂

### 檢查清單
- ✅ 學習率是否合適
- ✅ 資料集是否平衡
- ✅ 標註是否正確
- ✅ 增強是否過度

### 調試技巧

# 學習率調度
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(
    optimizer, T_max=epochs
)

---

# 總結與展望

---

## 學習要點回顧

### 技術堆疊
- ✅ 深度學習基礎
- ✅ YOLO 架構原理
- ✅ 訓練流程實作
- ✅ 模型優化技巧
- ✅ 邊緣設備部署

### 實戰經驗
- 💡 資料集準備的重要性
- 🔧 超參數調整的藝術
- 📊 性能指標的理解
- 🚀 部署優化的考量

---

## 未來發展方向

### 技術趨勢
1. **Vision Transformer** - 新架構崛起
2. **自監督學習** - 減少標註需求
3. **邊緣 AI** - 更強大的端側推理
4. **多模態融合** - 結合語言理解

### 應用場景
- 🏭 智慧製造
- 🚗 自動駕駛
- 🏥 醫療影像
- 🛡️ 安防監控

---

## 參考資源

### 官方資源
- [YOLO 官網](https://pjreddie.com/darknet/yolo/)
- [PyTorch 文檔](https://pytorch.org/docs/)
- [Papers with Code](https://paperswithcode.com/)

### 社群資源
- GitHub: AlexeyAB/darknet
- GitHub: WongKinYiu/yolov7
- Roboflow Blog
- PyImageSearch

---

# Q&A 時間

### 聯絡方式
- 📧 Email: [e-mail]
- 💬 GitHub: @Oliver0804
- 🌐 Blog: oliver.blog

### 感謝聆聽！🎉

---

## 附錄：快速參考

### 常用指令

# PyTorch 訓練
python train.py --batch 16 --epochs 100

# Darknet 訓練
./darknet detector train cfg/data.data cfg/yolo.cfg weights.conv

# 模型測試
python detect.py --weights best.pt --source test.jpg

# Docker 運行
docker run --gpus all -it darknet:latest