暗网

暗网是一个用C语言和CUDA编写的开源神经网络框架。它速度快、易于安装，并且支持CPU和GPU计算。

用于交流和提问的Discord邀请链接：https://discord.gg/zSq8rtW

YOLOv7：

• 论文 - YOLOv7：可训练的免费增强包为实时目标检测器树立了新的SOTA标准：https://arxiv.org/abs/2207.02696

• 源代码 - PyTorch（用于复现结果）： https://github.com/WongKinYiu/yolov7

---

官方YOLOv7在速度和精度上均优于YOLOv5，FPS提升120%；优于YOLOX，FPS提升180%；优于Dual-Swin-T，FPS提升1200%；优于ConvNext，FPS提升550%；优于SWIN-L，FPS提升500%。

YOLOv7在5 FPS到160 FPS的速度范围内，无论速度还是精度都超越了所有已知的目标检测器，并且在GPU V100、batch=1的情况下，以30 FPS或更高的帧率运行时，其准确率高达56.8% AP，为所有已知的实时目标检测器中最高。

• YOLOv7-e6（55.9% AP，56 FPS V100 b=1）比SWIN-L Cascade-Mask R-CNN（53.9% AP，9.2 FPS A100 b=1）快**+500%** FPS。
• YOLOv7-e6（55.9% AP，56 FPS V100 b=1）比ConvNeXt-XL C-M-RCNN（55.2% AP，8.6 FPS A100 b=1）快**+550%** FPS。
• YOLOv7-w6（54.6% AP，84 FPS V100 b=1）比YOLOv5-X6-r6.1（55.0% AP，38 FPS V100 b=1）快**+120%** FPS。
• YOLOv7-w6（54.6% AP，84 FPS V100 b=1）比Dual-Swin-T C-M-RCNN（53.6% AP，6.5 FPS V100 b=1）快**+1200%** FPS。
• YOLOv7x（52.9% AP，114 FPS V100 b=1）比PPYOLOE-X（51.9% AP，45 FPS V100 b=1）快**+150%** FPS。
• YOLOv7（51.2% AP，161 FPS V100 b=1）比YOLOX-X（51.1% AP，58 FPS V100 b=1）快**+180%** FPS。

---

---

---

---

Scaled-YOLOv4：

• 论文（CVPR 2021）： https://openaccess.thecvf.com/content/CVPR2021/html/Wang_Scaled-YOLOv4_Scaling_Cross_Stage_Partial_Network_CVPR_2021_paper.html

• 源代码 - PyTorch（用于复现结果）： https://github.com/WongKinYiu/ScaledYOLOv4

• 源代码 - Darknet： https://github.com/AlexeyAB/darknet

• Medium： https://alexeyab84.medium.com/scaled-yolo-v4-is-the-best-neural-network-for-object-detection-on-ms-coco-dataset-39dfa22fa982?source=friends_link&sk=c8553bfed861b1a7932f739d26f487c8

YOLOv4：

• 论文： https://arxiv.org/abs/2004.10934

• 源代码： https://github.com/AlexeyAB/darknet

• Wiki： https://github.com/AlexeyAB/darknet/wiki

• 实用链接： https://medium.com/@alexeyab84/yolov4-the-most-accurate-real-time-neural-network-on-ms-coco-dataset-73adfd3602fe?source=friends_link&sk=6039748846bbcf1d960c3061542591d7

更多信息请参阅Darknet项目官网。

展开

https://paperswithcode.com/sota/object-detection-on-coco

---

AP50:95 - FPS（Tesla V100）论文：https://arxiv.org/abs/2011.08036

---

---

---

引用

@misc{https://doi.org/10.48550/arxiv.2207.02696,
  doi = {10.48550/ARXIV.2207.02696},
  url = {https://arxiv.org/abs/2207.02696},
  author = {Wang, Chien-Yao and Bochkovskiy, Alexey and Liao, Hong-Yuan Mark},
  keywords = {计算机视觉与模式识别（cs.CV），FOS：计算机与信息科学，FOS：计算机与信息科学},
  title = {YOLOv7：可训练的免费增强包为实时目标检测器树立了新的SOTA标准},
  publisher = {arXiv},
  year = {2022}, 
  copyright = {arXiv.org永久、非独占许可}
}

@misc{bochkovskiy2020yolov4,
      title={YOLOv4：目标检测的最佳速度与精度}, 
      author={Alexey Bochkovskiy、Chien-Yao Wang和Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@InProceedings{Wang_2021_CVPR,
    author    = {Wang, Chien-Yao、Bochkovskiy, Alexey和Liao, Hong-Yuan Mark},
    title     = {{Scaled-YOLOv4}：扩展跨阶段部分网络},
    booktitle = {IEEE/CVF计算机视觉与模式识别会议（CVPR）论文集},
    month     = {六月},
    year      = {2021},
    pages     = {13029-13038}
}

Darknet 快速上手指南

Darknet 是一个用 C 和 CUDA 编写的开源神经网络框架，以速度快、安装简便著称，支持 CPU 和 GPU 计算。它是 YOLOv4、Scaled-YOLOv4 及 YOLOv7 等经典目标检测算法的核心实现基础。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：推荐 Linux (Ubuntu 18.04/20.04/22.04)。Windows 用户建议使用 WSL2 或 Docker。
• 编译器：gcc 或 g++ (版本 4.8+)。
• GPU 加速（可选但推荐）：
  • NVIDIA GPU
  • NVIDIA Driver
  • CUDA Toolkit (建议版本 10.0 - 11.8，需与显卡驱动匹配)
  • cuDNN

安装前置依赖 (以 Ubuntu 为例)：

sudo apt-get update
sudo apt-get install -y build-essential git wget libopencv-dev libstdc++6

提示：若需启用 GPU 加速，请前往 NVIDIA 官网 下载并安装对应的 CUDA Toolkit 和 cuDNN。国内用户可使用清华源或阿里源加速 apt 软件包下载。

2. 安装步骤

Darknet 无需复杂的安装脚本，主要通过编译源码使用。

步骤 1：克隆仓库 推荐使用 AlexeyAB 维护的版本（功能更全，支持 YOLOv4/v7 等），它是原 pjreddie 版本的增强版。

git clone https://github.com/AlexeyAB/darknet.git
cd darknet

步骤 2：配置编译选项 编辑 Makefile 文件以启用 GPU、cuDNN 或 OpenCV 支持。

nano Makefile

根据您的需求修改以下参数（将 0 改为 1）：

• GPU=1：启用 CUDA 加速（需已安装 CUDA）。
• CUDNN=1：启用 cuDNN 加速（需已安装 cuDNN）。
• OPENCV=1：启用 OpenCV 支持（用于图像预处理和视频流处理）。
• LIBSO=1：编译为动态库（如需在其他语言中调用）。

步骤 3：编译项目

make -j$(nproc)

编译成功后，当前目录下会生成 darknet 可执行文件。

3. 基本使用

以下是最简单的推理示例，使用预训练模型对图片进行目标检测。

步骤 1：下载预训练权重 以 YOLOv4 为例，下载其在 COCO 数据集上的预训练权重：

wget https://github.com/AlexeyAB/darknet/releases/download/yolo-v4/yolov4.weights

步骤 2：准备配置文件和数据集名称 确保 cfg/yolov4.cfg 文件存在（克隆仓库时已包含）。

步骤 3：运行检测 使用以下命令对图片 dog.jpg 进行检测：

./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights dog.jpg

• cfg/coco.data：包含类别名称和路径的数据配置文件。
• cfg/yolov4.cfg：网络结构配置文件。
• yolov4.weights：训练好的权重文件。
• dog.jpg：待检测的图片路径。

运行后，程序会在当前目录生成一张名为 predictions.jpg 的图片，其中标注了检测到的物体及其置信度。

测试摄像头实时检测（需开启 OPENCV=1）：

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

• -c 0 表示使用编号为 0 的摄像头。