歡迎來(lái)到“兩小時(shí)開(kāi)源框架系列”專欄，這是我們的第12篇文章。caffe，tensorflow，pytorch，mxnet，keras，paddlepaddle，cntk，chainer，deeplearning4j，matconvnet，lasagne前面都提到過(guò)。

今天，darknet也是最后一個(gè)框架。關(guān)于本文中使用的數(shù)據(jù)和代碼，請(qǐng)參考我們的官方git

https://github.com/longpeng2008/yousan.ai

作者&:編輯|有三個(gè)字

1 Darknet是什么

首先，我得表?yè)P(yáng)一下Darknet的主頁(yè)，風(fēng)格不錯(cuò)。

官網(wǎng)地址:https://pjreddie.com/darknet/

https://github.com/pjreddie/darknet

Darknet本身就是約瑟夫·雷德蒙為Yolo系列開(kāi)發(fā)的框架。

約瑟夫·雷德蒙(Joseph Redmon)，一個(gè)從《看一次變得更好、更快、更強(qiáng)》到《增量改進(jìn)》，也就是從Yolo v1到Y(jié)olo v2和Yolo v3的男人，他的肖像很好。

Darknet幾乎不依賴于庫(kù)。是用C和CUDA編寫的深度學(xué)習(xí)開(kāi)源框架，支持CPU和GPU。

我們的第一個(gè)開(kāi)源框架是caffe，但是現(xiàn)在最后一個(gè)Darknet和Caffe很像，但是更輕量級(jí)。

2 Darknet結(jié)構(gòu)解讀

首先，我們來(lái)看一下Darknet的代碼結(jié)構(gòu)，如下所示:

cfg有幾個(gè)子目錄，數(shù)據(jù)，例子，包括，python，src，S..

2.1數(shù)據(jù)目錄

Imagenet.labels.list為:

n02120505

n02104365

n02086079

n02101556

我看得出是imagenet的類代碼，對(duì)應(yīng)的imagenet.shortnames.list是:

小狐

英語(yǔ)二傳手

西伯利亞哈士奇

澳大利亞梗

可以看出，這兩個(gè)文件存儲(chǔ)了imagenet1000的類別信息。

再看9k.labels、9k . name、9k.trees，里面存儲(chǔ)了Yolo9000論文對(duì)應(yīng)的9418個(gè)類別。Coco.names，openimages.names和voc.names都差不多。

2.2 cfg目錄

Cfg，下面有兩種類型的文件，一種是。另一個(gè)是。cfg文件。當(dāng)我們打開(kāi)imagenet1k.data文件時(shí)，可以看到它配置了訓(xùn)練數(shù)據(jù)集的信息:

類別=1000 ##類別數(shù)量

train =/data/imagenet/imagenet 1k . train . list # #訓(xùn)練文件

valid =/data/imagenet/imagenet 1k . valid . list # #測(cè)試文件

backup =/home/pjreddie/backup/# #培訓(xùn)結(jié)果保存文件夾

labels = data/imagenet . labels . list #標(biāo)簽

name = data/imagenet . short name . list

top=5

另一種是。cfg文件。讓我們打開(kāi)cifar.cfg文件進(jìn)行查看。

# #-1優(yōu)化參數(shù)配置# #

[凈]

批次=128

細(xì)分=1

高度=28

寬度=28

通道=3

max_crop=32

min_crop=32

# #數(shù)據(jù)增強(qiáng)參數(shù)

色調(diào)=.1

飽和度=.75

曝光=.75

# #學(xué)習(xí)速度策略

學(xué)習(xí)率=0.4

政策=poly

功率=4

Max _ beats = 5000 # #次迭代

動(dòng)量=0.9 ##動(dòng)量項(xiàng)

衰減=0.0005 ##常規(guī)項(xiàng)目

# #-2網(wǎng)絡(luò)參數(shù)配置# #

[卷積]

Batch_normalize=1 ##是否要使用Batch_normalize

過(guò)濾器=128

尺寸=3

stride=1

pad=1

激活=泄漏##激活功能

[卷積]

batch_normalize=1

過(guò)濾器=128

尺寸=3

stride=1

pad=1

激活=泄漏

[卷積]

batch_normalize=1

過(guò)濾器=128

尺寸=3

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[輟學(xué)]

概率=.5

[卷積]

batch_normalize=1

過(guò)濾器=256

尺寸=3

stride=1

pad=1

激活=泄漏

[卷積]

batch_normalize=1

過(guò)濾器=256

尺寸=3

stride=1

pad=1

激活=泄漏

[卷積]

batch_normalize=1

過(guò)濾器=256

尺寸=3

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[輟學(xué)]

概率=.5

[卷積]

batch_normalize=1

過(guò)濾器=512

尺寸=3

stride=1

pad=1

激活=泄漏

[卷積]

batch_normalize=1

過(guò)濾器=512

尺寸=3

stride=1

pad=1

激活=泄漏

[卷積]

batch_normalize=1

過(guò)濾器=512

尺寸=3

stride=1

pad=1

激活=泄漏

[輟學(xué)]

概率=.5

[卷積]

過(guò)濾器=10

size=1

stride=1

pad=1

激活=泄漏

[avgpool]

[softmax]

組=1

它由兩部分組成。第一部分是優(yōu)化參數(shù)的定義，類似caffe的solver.prototxt文件。第二部分是網(wǎng)絡(luò)定義，類似caffe的train.prototxt文件，只是網(wǎng)絡(luò)層是用[]，批量歸一化和激活函數(shù)是用[卷積]配置的。

最終的avgpool不需要配置池半徑，softmax也不需要配置輸入輸出，所以組參數(shù)設(shè)置在最后。

你可能很好奇，殘網(wǎng)怎么弄？

[快捷方式]

激活=泄漏

from=-3

如上所述，用from=-3參數(shù)配置意味著返回3個(gè)塊。

2.3 python目錄

下面只有兩個(gè)文件，分別是darknet.py和proverbot.py..前者是python調(diào)用yolo模型的情況，后者沒(méi)有用。

2.4包含、src、示例目錄

Include和src是具體函數(shù)，卷積等運(yùn)算在這里。例子是高級(jí)任務(wù)的定義，包括分類器和檢測(cè)器。代碼的解釋超出了本文的內(nèi)容，后面會(huì)詳細(xì)說(shuō)明。

3 數(shù)據(jù)準(zhǔn)備和模型定義

3.1數(shù)據(jù)準(zhǔn)備

之前介紹的都介紹過(guò)了，就開(kāi)始準(zhǔn)備培訓(xùn)資料了。和caffe一樣，數(shù)據(jù)準(zhǔn)備的過(guò)程非常簡(jiǎn)單。

首先，在數(shù)據(jù)目錄中設(shè)置我們自己的任務(wù)，按照下面的目錄準(zhǔn)備文件

├──基因數(shù)據(jù)

├──標(biāo)簽

├──試驗(yàn)

├──測(cè)試列表

├──火車

└──火車.列表

使用以下命令生成文件

查找“pwd ”/ train-name *。jpg >。train.list

查找` pwd`/test -name *。jpg >。test.list

每行存儲(chǔ)一個(gè)文件，標(biāo)簽通過(guò)后綴獲得。

/Users/long Peng/Desktop/darknet/data/mouth/train/60 _ smile . jpg

/Users/long Peng/Desktop/darknet/data/mouth/train/201 _ smile . jpg

/Users/long Peng/Desktop/darknet/data/mouth/train/35 _ neutral . jpg

/Users/long Peng/Desktop/darknet/data/mouth/train/492 _ smile . jpg

標(biāo)簽的內(nèi)容存儲(chǔ)在labels.txt中，如下所示

中立的

微笑

3.2配置培訓(xùn)文件路徑和網(wǎng)絡(luò)

轉(zhuǎn)到cfg目錄并創(chuàng)建文件mouth.data和mouth . CFG mouth . data的內(nèi)容如下:

classes = 2

train = data/mouth/train.list

valid = data/mouth/test.list

labels = data/mouth/labels.txt

backup = mouth/

top=5

mouth.cfg內(nèi)容如下:

[凈]

批次=16

細(xì)分=1

高度=48

寬度=48

通道=3

max_crop=48

min_crop=48

色調(diào)=.1

飽和度=.75

曝光=.75

學(xué)習(xí)率=0.01

政策=poly

功率=4

最大批次= 5000

動(dòng)量=0.9

衰變=0.0005

[卷積]

batch_normalize=1

過(guò)濾器=12

尺寸=3

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[卷積]

batch_normalize=1

過(guò)濾器=24

size=1

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[卷積]

batch_normalize=1

過(guò)濾器=48

尺寸=3

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[已連接]

輸出=128

激活=relu

[已連接]

輸出=2

激活=線性

[softmax]

這里我們用一點(diǎn)數(shù)據(jù)增強(qiáng)操作，后面會(huì)看到它的威力。

4 模型訓(xùn)練

使用以下命令進(jìn)行訓(xùn)練:

。/darknet分類器train CFG/mouth . data CFG/mouth . CFG

培訓(xùn)結(jié)果如下:

上面每一行顯示:批號(hào)、紀(jì)元號(hào)、損耗、平均損耗、學(xué)習(xí)率、時(shí)間、看到的樣本數(shù)。

提取并顯示最終結(jié)果，損耗變化如下，說(shuō)明收斂完美。

培訓(xùn)結(jié)束后，使用以下腳本進(jìn)行測(cè)試。

。/darknet分類器有效CFG/mouth . data CFG/mouth . CFG mouth/mouth _ 50 . weights

樣本的結(jié)果如下:

darknet/data/mouth/test/27 _ smile . jpg，1，0.006881，0.993119，

99:前1: 0.960000，前5: 1.000000

樣本darknet/data/嘴部/test/27 _ smile.jpg被歸為1類，被歸為0和1的概率分別為0.006881和0.993119，這是第99個(gè)測(cè)試樣本，top1和top5的平均準(zhǔn)確率分別為0.96和1。

到目前為止，我們已經(jīng)在不到500個(gè)樣本中完成了精度良好的分類器的訓(xùn)練。有了這么輕便的暗網(wǎng)，我決定粉一下。

總結(jié)

本文闡述了如何使用darknet深度學(xué)習(xí)框架來(lái)完成一個(gè)分類任務(wù)。雖然框架小，但是真的很快，很輕。建議玩深度學(xué)習(xí)特別是計(jì)算機(jī)視覺(jué)的都要用。