目录

• Darknet 目标检测框架与 YOLO
• 论文
• 一般信息
  • Darknet 版本
• 预训练权重
  • People-R-People 预训练权重
  • MSCOCO 预训练权重
• 构建
  • Google Colab
  • WSL
  • Linux CMake 方法
  • Windows CMake 方法
  • Docker
• 使用 Darknet
  • CLI (命令行界面)
  • 训练
• 其他工具和链接
• 路线图
  • 短期目标
  • 中期目标
  • 长期目标

Darknet 目标检测框架与 YOLO

Darknet 是一个用 C、C++ 和 CUDA (并行计算平台) 编写的开源神经网络框架。

YOLO (You Only Look Once) 是一种最先进的 (state-of-the-art)、实时 (real-time) 目标检测系统，运行在 Darknet 框架中。

• 2025-08: Darknet/YOLO 仓库已移至 Codeberg.org/CCodeRun/darknet/
  • 所有提交 (commits) 都会自动从 Codeberg 镜像到旧的 Hank.ai GitHub 仓库。
• 查看 Darknet/YOLO 网站
• 请阅读 Darknet/YOLO 常见问题解答 (FAQ)
• 加入 Darknet/YOLO Discord 服务器

论文

• 论文 YOLOv7
• 论文 Scaled-YOLOv4
• 论文 YOLOv4
• 论文 YOLOv3

一般信息

Darknet/YOLO 框架继续比其它框架和 YOLO 版本更快且更准确。

该框架完全免费且开源。您可以将 Darknet/YOLO 整合到现有项目和产品中——包括商业产品——无需许可证或付费。

2024 年 10 月发布的 Darknet V3（“爵士”）在使用 NVIDIA RTX 3090 GPU (图形处理器) 时，可以准确地以高达1000 FPS (每秒帧数) 的速度运行 LEGO 数据集视频，这意味着每个视频帧会在 1 毫秒或更少的时间内被 Darknet/YOLO 读取、调整大小和处理。额外的性能改进已在 Darknet V4 和即将推出的 Darknet V5 中实施，同时不损害检测质量。

如果您需要帮助或想讨论 Darknet/YOLO 及相关工具，请加入 Darknet/YOLO Discord 服务器：https://discord.gg/MQw32W9Cqr

Darknet/YOLO 的 CPU (中央处理器) 版本可以在简单的设备上运行，例如 Raspberry Pi、云 & Colab 服务器、台式机、笔记本电脑和高端训练设备。Darknet/YOLO 的 GPU (图形处理器) 版本需要 NVIDIA 的 CUDA 兼容 GPU，或者 AMD 的 ROCm (AMD Radeon Open Compute 平台) 兼容 GPU。

已知 Darknet/YOLO 可在 Linux、Windows 和 Mac 上运行。请参阅下面的 构建说明。

Darknet 版本

• 2013-2017 年间由 Joseph Redmon 编写的原始 Darknet 工具没有版本号。我们将此版本视为 0.x。
• 2017-2021 年间由 Alexey Bochkovskiy 维护的下一个流行的 Darknet 仓库也没有版本号。我们将此版本视为 1.x。
• 2023 年开始由 Hank.ai 赞助并由 Stéphane Charette 维护的 Darknet 仓库是第一个拥有 version 命令的版本。从 2023 年到 2024 年末，它返回版本 2.x "OAK"。
  • 目标是尽可能少地破坏现有功能，同时熟悉代码库。
  • 重写了构建步骤，以便我们在 Windows、Linux 和 Mac 上使用 CMake (构建工具) 进行构建的统一方式。
  • 将代码库转换为使用 C++ 编译器。
  • 增强了训练时的 chart.png。
  • 修复了错误并进行了与性能相关的优化，主要涉及减少训练网络所需的时间。
  • 该代码库的最后一个分支是 v2 分支中的 2.1 版本。
• 下一阶段开发始于 2024 年中，并于 2024 年 10 月发布。version 命令现在返回 3.x "JAZZ"。
  • 删除了许多旧且未维护的命令。
    • 如果需要运行这些命令之一，您始终可以检出之前的 v2 分支。请告知我们，以便我们调查添加回任何缺失的命令。
  • 许多性能优化，无论是在训练期间还是推理期间。
  • 遗留 C API (应用程序编程接口) 已修改；使用原始 Darknet API 的应用程序需要进行少量修改：https://darknetcv.ai/api/api.html
  • 新的 Darknet V3 C 和 C++ API，使开发人员更容易编写使用 Darknet/YOLO 的应用程序：https://darknetcv.ai/api/api.html
  • src-examples 中的新应用程序和示例代码：https://darknetcv.ai/api/files.html
• 下一次发布是在 2025 年初。version 命令现在返回 4.x "SLATE"。
  • 添加了使用 ROCm 的 AMD GPU 支持。
    • 仍需添加对 MIOpen 的支持。
  • 所有 printf() 和 std::cout 调用均已替换，以便 Darknet/YOLO 日志消息可以轻松重定向。
• 下一次发布是在 2025 年 8 月。version 命令现在返回 5.x "Moonlit"。
  • 将源代码仓库从 github 移至 codeberg。
  • 更多性能优化。
  • 在构建仅 CPU 版本的 Darknet 时使用 OpenBLAS (开源 BLAS 库)。
  • 支持基于分析的配置优化 (Profile-Guided Optimization)。
  • ONNX (开放神经网络交换格式) 导出功能。[实验性]
  • JAVA 语言绑定。[不完整，进行中]
• 最新版本是 v5.1，延续了 v5.0 中引入的 "Moonlit" 名称。
  • 发布于 2025 年 12 月。
  • ONNX 导出工具现在包含必要的节点来导出 "confs" 和 "boxes"。
  • mAP (平均精度均值) 函数被重写。
  • 少量新的性能优化。

预训练权重

通常人们被期望 训练自己的网络。但预训练权重也很流行。这些是别人已经训练好并免费在互联网上提供的权重。这在初次安装 Darknet/YOLO 时有时很方便，因为软件可以快速测试，而无需训练新的神经网络。

• People-R-People 预训练权重 (2 个类别，person 和 head)
• MSCOCO 预训练权重 (80 个类别，涵盖广泛范围的物体，如 person, backpack, chair, clock, ...)
• 还有其他几个简单的数据集和预训练权重可用于测试 Darknet/YOLO，例如 LEGO Gears 和 Rolodex。详细信息请参阅 Darknet/YOLO 常见问题解答。

People-R-People 预训练权重

People-R-People 预训练权重用于识别人。该数据集仅包含 2 个类别：person 和 head。

您可以直接从 C Code Run 的网站 下载这些预训练权重。

MSCOCO 预训练权重

为了方便起见，几个流行的 YOLO 版本在 MSCOCO 数据集 上进行了预训练。该数据集有 80 个类别，可以在文本文件 cfg/coco.names 中看到。

MSCOCO 预训练权重可以从多个不同位置下载，也可以从本仓库下载：

• YOLOv2，2016 年 11 月
  • YOLOv2-tiny
  • YOLOv2-full
• YOLOv3，2018 年 5 月
  • YOLOv3-tiny
  • YOLOv3-full
• YOLOv4，2020 年 5 月
  • YOLOv4-tiny
  • YOLOv4-full
• YOLOv7，2022 年 8 月
  • YOLOv7-tiny
  • YOLOv7-full

MSCOCO 预训练权重仅提供用于演示目的。对应的 .cfg 和 .names 文件位于 cfg 目录 中。示例命令：

wget --no-clobber https://github.com/hank-ai/darknet/releases/download/v2.0/yolov4-tiny.weights
darknet_02_display_annotated_images coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
darknet_03_display_videos coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi
DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi

构建

过去可用的各种构建方法（2023 年之前）已合并为单一的统一解决方案。Darknet 需要 C++17 或更高版本、OpenCV，并使用 CMake 生成必要的项目文件。

[!NOTE] 您不需要了解 CMake、C++、C、Python 或其他任何编程语言即可构建、安装或运行 Darknet/YOLO。一些高级主题——例如使用 Darknet/YOLO API——确实需要编程经验。

选择以下构建类型之一：

• Google Colab
• WSL
• Linux
• Windows
• Docker

[!CAUTION] 如果您正在遵循旧的教程，其中包含更复杂的构建步骤，或者构建步骤似乎与本文档中的内容不匹配，请小心。新的构建步骤始于 2023 年 8 月。

鼓励软件开发人员访问 https://darknetcv.ai/ 以获取有关 Darknet/YOLO 目标检测框架内部结构的信息。

[!IMPORTANT] Darknet v5.1 中对其中一个预测结构进行了重要更改。如果您的软件包含 darknet.h 或 darknet.hpp，则需要重新编译您的应用程序以防止段错误。

Google Colab

Google Colab 的说明与 Linux 说明相同。有几个 Jupyter notebook 可用，展示如何执行某些任务，例如训练新网络。

查看 colab 子目录 中的 notebook 以获取详细信息，和/或遵循下面的 Linux 说明。

WSL

如果您拥有现代版本的 Windows 和一台不错的电脑，那么强烈建议使用 WSL (Windows Subsystem for Linux) 和 Ubuntu 24.04 LTS。

WSL 是 Windows 的一项功能，允许用户在 Windows 桌面内运行基于 Linux 的应用程序。这类似于带有主机/客户机扩展的虚拟机。如果您 为 WSL 安装了 Linux NVIDIA 驱动程序，则在 WSL 中运行的 Linux 应用程序可以访问 GPU，并且您可以在 WSL 内运行 Darknet/YOLO 来训练新网络。

[!TIP] 一旦安装好 WSL，请记住至少从 Ubuntu 命令提示符运行一次 sudo apt-get update 以获取更新后的软件包列表，然后遵循常规的 Linux 说明。

如果您不想在 WSL 内使用 Darknet/YOLO，请直接跳转到 Windows 说明。

Linux CMake 构建方法

[!IMPORTANT] Darknet 可以在没有访问 GPU (图形处理单元) 的情况下运行，但如果你想 训练 自定义网络或者你需要更高的性能，那么 强烈建议 使用现代 NVIDIA GPU 或 AMD GPU。

• 根据你拥有的 GPU 类型，请阅读 NVIDIA GPU 说明文档 或 AMD GPU 说明文档。

[!TIP] 如果你正在构建仅 CPU 版本的 Darknet，你可能想要安装 OpenBLAS (开源 BLAS 库) 以提升性能。这些库仅在仅 CPU 的构建中使用：

sudo apt-get install libopenblas64-0 libopenblas64-0-openmp libopenblas64-openmp-dev

以下说明假设（但不强制！）系统运行 Ubuntu 22.04。如果使用不同的 Linux 发行版，请根据需要调整。

sudo apt-get install build-essential git libopencv-dev cmake libprotobuf-dev protobuf-compiler
mkdir ~/src
cd ~/src
git clone https://codeberg.org/CCodeRun/darknet.git
cd darknet
mkdir build
cd build
cmake -DCMAKE_BUILD_TYPE=Release ..
make -j4 package
sudo dpkg -i darknet-<INSERT-VERSION-YOU-BUILT-HERE>.deb

[!WARNING] 如果你使用的是旧版本的 CMake (构建工具) 那么在运行上述 cmake 命令之前，你需要升级 CMake。在 Ubuntu 上升级 CMake 可以通过以下命令完成：

sudo apt-get purge cmake
sudo snap install cmake --classic

[!WARNING] 如果你使用 bash 作为命令行 Shell 此时你需要重启你的 Shell。如果使用 fish，它应该会立即识别新的路径。

[!TIP] 高级用户：
参见 PGO (Profile-Guided Optimization) 的说明文档，如果你想运行优化后的 Darknet/YOLO。

[!TIP] 高级用户：
如果你想构建 RPM 安装包而不是 DEB 文件，请查看 CM_package.cmake 中的相关行。在运行 make -j4 package 之前，你需要编辑这两行：

SET (CPACK_GENERATOR "DEB")
# SET (CPACK_GENERATOR "RPM")

对于 CentOS 和 openSUSE 等发行版，你需要将 CM_package.cmake 中的这两行切换为：

# SET (CPACK_GENERATOR "DEB")
SET (CPACK_GENERATOR "RPM")

在安装包构建完成后，请使用你所在发行版的常规软件包管理器进行安装。例如，在基于 Debian 的系统（如 Ubuntu）上：

sudo dpkg -i darknet-2.0.1-Linux.deb

安装 .deb（或 .rpm）包将安装以下文件：

• /usr/bin/darknet*... 是常规的 Darknet 可执行文件。从 CLI (命令行界面) 运行 darknet version 以确认安装正确。
• /usr/include/darknet*... 是为 C、C++ 和 Python 开发者提供的 Darknet API (应用程序编程接口) 头文件。
• /usr/lib/libdarknet.so 是供 C、C++ 和 Python 开发者链接使用的库。
• /opt/darknet/cfg/... 是所有 .cfg 模板的存储位置。

你现在完成了！Darknet 已构建并安装到 /usr/bin/。运行此命令进行测试：darknet version。

[!CAUTION] 如果你没有 /usr/bin/darknet 这意味着你 没有 安装它，只构建了它！请确保按照上述说明安装 .deb 或 .rpm 文件。

Windows CMake 方法

[!IMPORTANT] 在构建适用于 Windows 的 Darknet/YOLO 之前，请参阅关于使用 WSL (Windows Subsystem for Linux) 的说明。（剧透……Darknet/YOLO 在 WSL 中运行效果极佳！）

• 本指南假设（但不强制要求）全新安装 Windows 11 22H2。
• 本指南适用于原生 Windows 安装，不使用 WSL。如果您更倾向于使用 WSL，请参见 上方。

打开普通的 cmd.exe 命令提示符窗口并运行以下命令：

winget install Git.Git
winget install Kitware.CMake
winget install nsis.nsis
winget install Microsoft.VisualStudio.2022.Community

此时我们需要修改 Visual Studio 安装以包含对 C++ 应用程序的支持：

• 点击“Windows 开始”菜单并运行“Visual Studio Installer"
• 点击 Modify
• 选择 Desktop Development With C++
• 点击右下角的 Modify，然后点击 Yes

[!IMPORTANT] 一旦所有内容下载并安装完成，再次点击“Windows 开始”菜单并选择 Developer Command Prompt for VS 2022。不要在这些步骤中使用 PowerShell，否则会遇到问题！

[!TIP] 如果不运行 Developer Command Prompt，您可以使用普通命令提示符或 SSH 登录设备并手动运行 "\Program Files\Microsoft Visual Studio\2022\Community\Common7\Tools\VsDevCmd.bat"。

[!WARNING] 请不要跳过此步骤！ 重新阅读上面的“重要”描述，查看您必须使用的窗口类型。任何时候您想从命令提示符使用 Visual Studio 编译 C++ 代码，都必须如上所述使用 Visual Studio 开发者命令提示符。

获得 开发者命令提示符 后，运行以下命令安装 Microsoft VCPKG，随后将用于构建 OpenBlas 和 OpenCV：

cd c:\
mkdir c:\src
cd c:\src
git clone https://github.com/microsoft/vcpkg
cd vcpkg
bootstrap-vcpkg.bat
.\vcpkg.exe integrate install
.\vcpkg.exe integrate powershell
.\vcpkg.exe install opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows protobuf:x64-windows

在最后这一步请耐心等候，因为它可能需要很长时间才能运行完毕。它需要下载并构建许多内容。

[!TIP] 注意，在构建 OpenCV 时您可能还想添加许多其他可选模块。运行 .\vcpkg.exe search opencv 可查看完整列表。

[!IMPORTANT] Darknet 可以在没有 GPU 访问权限的情况下运行，但如果您想要 训练 自定义网络或需要更高的性能，则 强烈建议 使用现代 NVIDIA GPU 或 AMD GPU。

• 根据您的 GPU 型号，请阅读 NVIDIA GPU Readme 或 AMD GPU Readme。

[!TIP] 将 vcpkg bin 目录添加到环境变量 PATH 可以防止后续出现问题。您需要添加的目录是 C:/src/vcpkg/installed/x64-windows/bin/。

[!TIP] 如果您正在构建仅 CPU 版本的 Darknet，您可能希望安装 OpenBLAS 以提高性能。这些库仅用于仅 CPU 构建：

.\vcpkg.exe install openblas[core,threads]:x64-windows

成功完成上述所有步骤后，您需要克隆 Darknet 并构建它。在此步骤中，我们还需要告诉 CMake vcpkg 的位置，以便它能找到 OpenCV 和其他依赖项。运行这些命令时，请确保继续使用上述描述的 开发者命令提示符：

cd c:\src
git clone https://codeberg.org/CCodeRun/darknet.git
cd darknet
mkdir build
cd build
cmake -DCMAKE_BUILD_TYPE=Release -DCMAKE_TOOLCHAIN_FILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj

[!TIP] 请注意，cmake 命令的输出是一个普通的 Visual Studio 解决方案文件 darknet.sln。如果您是经常使用 Visual Studio GUI (图形用户界面) 而不是 msbuild.exe 来构建项目的软件开发者，您可以忽略命令行并在 Visual Studio 中加载 Darknet 项目。

现在您应该有了这个可运行的文件：C:\src\Darknet\build\src-cli\Release\darknet.exe。运行此文件进行测试：C:\src\Darknet\build\src-cli\Release\darknet.exe --version。

为了正确安装 Darknet、库、头文件和必要的 DLL (动态链接库)，请运行上一步生成的 NSIS 安装向导。请查看 build 目录中的文件 darknet-<INSERT-VERSION-YOU-BUILT-HERE>-win64.exe。例如：

darknet-<INSERT-VERSION-YOU-BUILT-HERE>-win64.exe

安装 NSIS 安装包将：

• 创建一个名为 Darknet 的目录，例如 C:\Program Files\Darknet\。
• 安装 CLI (命令行界面) 应用程序，darknet.exe 及其他示例应用。
• 安装所需的第三方 .dll 文件，例如来自 OpenCV 和 Darknet 的文件。
• 安装必要的 Darknet .dll、.lib 和头文件，以便从其他应用程序使用 darknet.dll。
• 安装模板 .cfg 文件。

[!IMPORTANT] 请确保更新您的 PATH 以包含 C:/Program Files/Darknet/bin（或您选择安装的任何位置）。更新 PATH 后，您需要重启命令提示符。

[!TIP] 如果在运行 ONNX 导出工具时遇到有关缺少 Protocol Buffer (协议缓冲区) DLL 文件（如 libprotobuf.dll 和 abseil_dll.dll）的错误，这很可能意味着您忘记更新 PATH 或重启命令提示符。缺失的 DLL 可以在 C:/src/vcpkg/installed/x64-windows/bin/ 中找到。

您已完成！安装向导完成后且 PATH 已更新，运行此命令进行测试：darknet.exe version。

[!CAUTION] 如果您没有 C:/Program Files/darknet/bin/darknet.exe 那么这意味着您 未 安装它，仅构建了它！请确保在上一步中通过 NSIS 安装向导的每个面板。

Docker

要通过 Docker 构建支持 GPU 的 Darknet，必须在系统上安装 nvidia-container-toolkit，并且构建过程必须在 docker run 中执行。

以下是使用以下命令构建的示例 Dockerfile：

docker build -t darknet-hankai . && docker run -it --gpus all darknet-hankai

FROM nvidia/cuda:12.8.0-cudnn-devel-ubuntu24.04

# Set environment variables
ENV DEBIAN_FRONTEND=noninteractive
ENV PATH="/usr/local/cuda/bin:${PATH}"
ENV LD_LIBRARY_PATH="/usr/local/cuda/lib64:${LD_LIBRARY_PATH}"

# Install dependencies
RUN apt-get update
RUN apt-get install -y build-essential git libopenblas64-openmp-dev libopencv-dev wget file cmake

# Set working directory for Darknet
WORKDIR /workspace

# Clone Darknet
RUN git clone https://codeberg.org/CCodeRun/darknet.git

```markdown
# 将 Darknet 包的构建推迟到运行时（可见 GPU）

CMD ["/bin/bash", "-c", "\
    cd /workspace/darknet && \
    # initialize cmake
    mkdir build && cd build && cmake ..; \
    # build darknet
    make -j$(nproc) package && \
    # package darknet
    dpkg -i /workspace/darknet/build/darknet-*.deb && \
    # run darknet version to verify build & enter terminal
    darknet version && \
    exec /bin/bash"]

使用 Darknet

命令行界面 (CLI)

以下并非 Darknet 支持的所有命令的完整列表。

[!IMPORTANT] 除了 Darknet 命令行界面 (CLI)，还请注意 DarkHelp 项目的 CLI，它为 Darknet/YOLO 提供了额外的 CLI。DarkHelp CLI 还具有几个 Darknet 中不可用的高级功能。您可以同时使用 Darknet CLI 和 DarkHelp CLI，它们不是互斥的。

[!TIP] 对于下面显示的大多数命令，您需要 .weights 文件以及对应的 .names 和 .cfg 文件。您可以 训练自己的网络（强烈推荐！）或者下载别人已经训练好并在互联网上免费提供的神经网络。预训练数据集的示例包括：

• 乐高齿轮 (在图像中寻找物体)
• Rolodex (在图像中寻找文本)
• People-R-People (在图像中寻找人)
• MSCOCO (标准 80 类目标检测)

运行的命令包括：

• 列出一些可能的运行命令和选项：

  • darknet help

• 检查版本：

  • darknet version

• 使用图像进行预测：

  • V2: darknet detector test cars.data cars.cfg cars_best.weights image1.jpg
  • V3+: darknet_02_display_annotated_images cars.cfg image1.jpg
  • DarkHelp: DarkHelp cars.cfg cars.cfg cars_best.weights image1.jpg

• 输出坐标：

  • V2: darknet detector test animals.data animals.cfg animals_best.weights -ext_output dog.jpg
  • V3+: darknet_01_inference_images animals dog.jpg
  • DarkHelp: DarkHelp --json animals.cfg animals.names animals_best.weights dog.jpg

• 处理视频：

  • V2: darknet detector demo animals.data animals.cfg animals_best.weights -ext_output test.mp4
  • V3+: darknet_03_display_videos animals.cfg test.mp4
  • DarkHelp: DarkHelp animals.cfg animals.names animals_best.weights test.mp4

• 从网络摄像头读取：

  • V2: darknet detector demo animals.data animals.cfg animals_best.weights -c 0
  • V3+: darknet_08_display_webcam animals

• 将结果保存到视频中：

  • V2: darknet detector demo animals.data animals.cfg animals_best.weights test.mp4 -out_filename res.avi
  • V3+: darknet_05_process_videos_multithreaded animals.cfg animals.names animals_best.weights test.mp4
  • DarkHelp: DarkHelp animals.cfg animals.names animals_best.weights test.mp4

• JSON：

  • V2: darknet detector demo animals.data animals.cfg animals_best.weights test50.mp4 -json_port 8070 -mjpeg_port 8090 -ext_output
  • V3+: darknet_06_images_to_json animals image1.jpg
  • DarkHelp: DarkHelp --json animals.names animals.cfg animals_best.weights image1.jpg

• 在特定 GPU 上运行：

  • V2: darknet detector demo animals.data animals.cfg animals_best.weights -i 1 test.mp4

• 检查神经网络的准确性：

darknet detector map driving.data driving.cfg driving_best.weights
...
  Id Name             AvgPrecision     TP     FN     FP     TN Accuracy ErrorRate Precision Recall Specificity FalsePosRate
  -- ----             ------------ ------ ------ ------ ------ -------- --------- --------- ------ ----------- ------------
   0 vehicle               91.2495  32648   3903   5826  65129   0.9095    0.0905    0.8486 0.8932      0.9179       0.0821
   1 motorcycle            80.4499   2936    513    569   5393   0.8850    0.1150    0.8377 0.8513      0.9046       0.0954
   2 bicycle               89.0912    570    124    104   3548   0.9475    0.0525    0.8457 0.8213      0.9715       0.0285
   3 person                76.7937   7072   1727   2574  27523   0.8894    0.1106    0.7332 0.8037      0.9145       0.0855
   4 many vehicles         64.3089   1068    509    733  11288   0.9087    0.0913    0.5930 0.6772      0.9390       0.0610
   5 green light           86.8118   1969    239    510   4116   0.8904    0.1096    0.7943 0.8918      0.8898       0.1102
   6 yellow light          82.0390    126     38     30   1239   0.9525    0.0475    0.8077 0.7683      0.9764       0.0236
   7 red light             94.1033   3449    217    451   4643   0.9237    0.0763    0.8844 0.9408      0.9115       0.0885

• 检查 mAP (平均精度均值)@IoU (交并比)=75 的准确率：

  • darknet detector map animals.data animals.cfg animals_best.weights -iou_thresh 0.75

• 重新计算锚框 (anchors) 最好在 DarkMark 中进行，因为它会连续运行 100 次并从所有计算的锚框中选择最佳的。但如果您想在 Darknet 中运行旧版本：

darknet detector calc_anchors animals.data -num_of_clusters 6 -width 320 -height 256

• 训练新网络：

  • darknet detector -map -dont_show train animals.data animals.cfg (另见下方的 训练部分)

• 显示 YOLO 热力图：

  • V3+: darknet_02_display_annotated_images --heatmaps cars images/*.jpg
  • V3+: darknet_03_display_videos --heatmaps cars videos/*.m4v

• ONNX (开放神经网络交换) 导出：

  • darknet_onnx_export cars.cfg

## 训练

Darknet/YOLO FAQ (常见问题解答) 中相关部分的快速链接：
* [我应该如何设置我的文件和目录？](https://www.ccoderun.ca/programming/yolo_faq/#directory_setup)
* [我应该使用哪个配置文件？](https://www.ccoderun.ca/programming/yolo_faq/#configuration_template)
* [训练我自己的网络时应使用什么命令？](https://www.ccoderun.ca/programming/yolo_faq/#training_command)

> [!TIP]
> 最简单的方法是使用 [DarkMark](https://codeberg.org/CCodeRun/DarkMark#what-is-darkmark) 来创建所有必要的 Darknet 文件进行标注和训练。这绝对是训练新神经网络的推荐方式。

如果您更倾向于手动设置各种文件以训练自定义网络：

* 创建一个新文件夹用于存储文件。本例中，将创建一个检测动物的神经网络，因此创建以下目录： `~/nn/animals/`。
* 复制一个您想用作模板的 Darknet 配置文件。例如，参见 `cfg/yolov4-tiny.cfg`。将其放入您创建的文件夹中。本例中，我们现在有 `~/nn/animals/animals.cfg`。
* 在您放置配置文件的同一文件夹中创建一个 `animals.names` 文本文件。本例中，我们现在有 `~/nn/animals/animals.names`。
* 使用文本编辑器编辑 `animals.names` 文件。列出您想要使用的类别。您需要确保每行恰好有一个条目，没有空行且没有注释。本例中，`.names` 文件将恰好包含 4 行：
```txt
dog
cat
bird
horse

• 在同一文件夹中创建一个 animals.data 文本文件。本例中，.data 文件将包含：

classes = 4
train = /home/username/nn/animals/animals_train.txt
valid = /home/username/nn/animals/animals_valid.txt
names = /home/username/nn/animals/animals.names
backup = /home/username/nn/animals

• 创建一个文件夹用于存储您的图像和标注。例如，这可以是 ~/nn/animals/dataset。每张图像都需要一个对应的 .txt 文件来描述该图像的标注。.txt 标注文件的格式非常具体。您无法手动创建这些文件，因为每个标注都需要包含精确的坐标。请查看 DarkMark 或其他类似软件来标注您的图像。YOLO 标注格式在 Darknet/YOLO FAQ 中有描述。
• 创建 .data 文件中命名的 "train" 和 "valid" 文本文件。这两个文本文件需要分别列出 Darknet 必须用于训练和计算 mAP% (平均精度均值百分比) 时的验证的所有图像。每行恰好一张图像。路径和文件名可以是相对的或绝对的。
• 使用文本编辑器修改您的 .cfg 文件。
  • 确保 batch=64。
  • 注意 subdivisions (细分)。根据网络尺寸和您 GPU (图形处理器) 上的可用内存量，您可能需要增加细分值。要使用的最佳值是 1，所以从该值开始。如果 1 对您不起作用，请参阅 Darknet/YOLO FAQ。
  • 注意 max_batches=...。开始时使用的良好值是类别数的 2000 倍。本例中，我们有 4 种动物，所以 4 * 2000 = 8000。这意味着我们将使用 max_batches=8000。
  • 注意 steps=...。这应设置为 max_batches 的 80% 和 90%。本例中，由于 max_batches 设置为 8000，我们将使用 steps=6400,7200。
  • 注意 width=... 和 height=...。这些是网络尺寸。Darknet/YOLO FAQ 解释了 如何计算最佳使用尺寸。
  • 搜索所有 classes=... 行的实例并修改为您 .names 文件中的类别数。本例中，我们将使用 classes=4。
  • 在每个 [yolo] 部分之前的 [convolutional] 部分中搜索所有 filters=... 行的实例。要使用的值是 (类别数 + 5) * 3。这意味着本例中，(4 + 5) * 3 = 27。因此我们将在相应的行上使用 filters=27。
• 开始训练！运行以下命令：

cd ~/nn/animals/
darknet detector -map -dont_show train animals.data animals.cfg

• 如果您有多个 GPU，则像这个具有 4 个 GPU 的示例一样使用 -gpus ... 标志：

cd ~/nn/animals/
darknet detector -gpus 0,1,2,3 -map -dont_show train animals.data animals.cfg

请耐心等待。最佳权重将保存为 animals_best.weights。可以通过查看 chart.png 文件来观察训练进度。如需了解训练新网络时可能希望使用的其他参数，请参阅 Darknet/YOLO FAQ。

如果您想在训练期间查看更多详细信息，请添加 -verbose 参数。例如：

cd ~/nn/animals/
darknet detector -map -dont_show -verbose train animals.data animals.cfg

-log ... 标志可用于将所有控制台输出发送到文件。例如：

cd ~/nn/animals/
darknet detector -gpus 0 -verbose -log output.log -map -dont_show train animals.data animals.cfg

其他工具和链接

• 要管理您的 Darknet/YOLO 项目、标注图像、验证标注以及生成与 Darknet 一起训练所需的文件，请查看 DarkMark。
• 对于 Darknet 的强大替代 CLI (命令行界面)，用于图像平铺、视频中的目标跟踪，或易于在商业应用中使用的强大 C++ API，请查看 DarkHelp。
• 查看 Darknet/YOLO FAQ 是否能帮助您回答问题。
• 查看 Stéphane 的 YouTube 频道 上的许多教程和示例视频
• Darknet/YOLO 的 C++ 绑定 (在 Darknet/YOLO 仓库中)
• Darknet/YOLO 的 C 绑定 (在 Darknet/YOLO 仓库中)
• Darknet/YOLO 的 Python 绑定 (在 Darknet/YOLO 仓库中)
• Darknet/YOLO 的 Java 绑定 [不完整，进行中]
• Darknet/YOLO 的 Delphi 绑定
• Darknet/YOLO 的 C# 绑定
• Darknet2Any
• 如果您有支持问题或想与其他 Darknet/YOLO 用户聊天，加入 Darknet/YOLO Discord 服务器。

路线图

最后更新 2025-12-06：

已完成

• 在训练期间使用的地方将 qsort() 替换为 std::sort()（其他一些晦涩的仍保留）
• 移除 check_mistakes、getchar() 和 system()
• 转换 Darknet 以使用 C++ 编译器（Linux 上使用 g++，Windows 上使用 VisualStudio）
• 修复 Windows 构建
• 修复 Python 支持
• 构建 darknet 库
• 重新启用预测标签（“字母表”代码）
• 重新启用 CUDA（计算统一设备架构）/GPU（图形处理器）代码
• 重新启用 CUDNN
• 重新启用 CUDNN 半精度
• 不要硬编码 CUDA 架构
• 更好的 CUDA 版本信息
• 重新启用 AVX
• 移除旧的解决方案文件和 Makefile
• 使 OpenCV 成为必选项
• 移除对旧 pthread 库的依赖
• 移除 STB
• 重写 CMakeLists.txt 以使用新的 CUDA 检测
• 移除旧的“字母表”代码，并删除 data/labels 中的 700 多张图像
• 执行源外构建
• 生成更好的版本号输出
• 与训练相关的性能优化（进行中任务）
• 与推理（inference）相关的性能优化（进行中任务）
• 尽可能使用按引用传递
• 清理 .hpp 文件
• 重写 darknet.h
• 不要将 cv::Mat 强制转换为 void*，而是将其作为正确的 C++ 对象使用
• 修复或统一内部 image 结构的使用方式
• 修复基于 ARM 的 Jetson（英伟达嵌入式平台）设备的构建
  • 原始 Jetson 设备（不太可能修复，因为它们不再受 NVIDIA 支持且没有 C++17 编译器）
  • 新的 Jetson Orin 设备已正常工作
• 修复 V3 中的 Python API
  • 需要更好的 Python 支持 (有 Python 开发者愿意帮忙吗？)
• 热力图
• 移除所有 printf() 和 std::cout 调用，替换为 std::ofstream 以将日志记录到文件
• 添加对 AMD GPU 的支持
• 添加对 OpenBLAS（开源基础线性代数子程序库）的支持（仅限 CPU 构建）
• 添加对 Profile Guided Optimization（基于分析的性能优化）的支持
• 从 GitHub 迁移到 Codeberg
• ONNX（开放神经网络交换格式）导出工具
• 重写计算 mAP（平均精度均值）的函数
• 支持 ONNX 导出工具的 FP32（32 位浮点数）和 FP16（16 位浮点数）

短期目标

• Java 绑定（进行中）
• 研究旧版 ZED 相机支持
• 更好且更一致的命令行解析（进行中）
• 添加对 MIOpen（AMD 深度学习库）的支持

中期目标

• 移除所有 char* 代码并用 std::string 替换
• 不要隐藏警告并清理编译器警告（进行中）
• 更好地使用 cv::Mat 而不是 C 语言中的自定义 image 结构（进行中）
• 用 std::vector 或 std::list 替换旧的 list 功能（进行中）
• 修复对 1 通道灰度（greyscale）图像的支持
• 添加对 N 通道图像的支持（其中 N > 3，例如具有额外深度或热通道的图像）
• 持续进行代码清理（进行中）
• 在 ONNX 导出工具中添加对 8 位量化（quantization）的支持

长期目标

• 修复所有 GPU 的 CUDA/CUDNN 问题
• 重写 CUDA+cuDNN 代码
• 研究添加对额外硬件的支持
• 旋转边界框（bounding boxes），或某种“角度”支持
• 关键点/骨架
• 分割（segmentation）

Darknet (YOLO) 快速上手指南

Darknet 是一个用 C、C++ 和 CUDA 编写的开源神经网络框架，内置 YOLO（You Only Look Once）实时目标检测系统。该框架完全免费且开源，支持商业项目集成。

1. 环境准备

系统要求

• 操作系统：支持 Linux、Windows 和 Mac。
• 硬件支持：
  • CPU：可在树莓派、云服务器、桌面及笔记本上运行。
  • GPU：需要 NVIDIA CUDA 兼容显卡或 AMD ROCm 兼容显卡以获得最佳性能。
• 软件依赖：
  • C++17 或更高版本编译器。
  • OpenCV。
  • CMake（用于统一构建）。

注意：基础使用无需掌握 C/C++/Python 编程知识；仅在使用 API 开发应用时需要编程经验。

2. 安装步骤

推荐使用最新的统一构建方法（自 2023 年 8 月起），通过 CMake 在 Windows、Linux 和 Mac 上构建。

克隆代码库

从最新仓库地址克隆项目：

git clone https://codeberg.org/CCodeRun/darknet.git
cd darknet

构建方法

根据操作系统选择以下一种方式：

• Linux / Google Colab： 使用 CMake 方法构建。确保已安装 cmake 和 build-essential。
• Windows： 推荐使用 WSL (Windows Subsystem for Linux) 配合 Ubuntu 24.04 LTS。
  1. 安装 WSL 后，在终端运行 sudo apt-get update。
  2. 按照 Linux 步骤进行构建。
  3. 如需原生 Windows 构建，请参考 Windows CMake 方法。
• Docker： 可直接使用官方提供的 Docker 镜像。

提示：旧版教程中的复杂构建步骤已过时，请遵循上述统一 CMake 流程。

3. 基本使用

下载预训练权重

首次使用可下载预训练权重进行测试，无需重新训练网络。

MSCOCO 数据集权重示例 (YOLOv4-tiny)：

wget --no-clobber https://github.com/hank-ai/darknet/releases/download/v2.0/yolov4-tiny.weights

其他版本权重（YOLOv2/v3/v7）及配置文件位于 cfg/ 目录下。

命令行推理示例

使用 darknet 二进制文件对图片进行检测：

darknet_03_display_videos coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi

或使用 DarkHelp 工具处理图片与视频：

DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg
DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi

其他资源

• 官方文档：Darknet/YOLO web site
• 社区支持：Discord Server
• FAQ 与数据集：Darknet/YOLO FAQ