AP50:95 - FPS (Tesla V100) Paper: 
Что это такое?
Darknet — это открытый фреймворк для нейронных сетей, написанный на C и CUDA, который используется для обучения и запуска моделей глубокого обучения для задач компьютерного зрения, например для обнаружения объектов (YOLO).
Darknet — это открытый фреймворк для нейронных сетей, написанный на C и CUDA, который используется для обучения и запуска моделей глубокого обучения для задач компьютерного зрения, например для обнаружения объектов (YOLO).Это фреймворк или библиотека?Это низкоуровневый фреймворк глубокого обучения (он не является обёрткой над другой библиотекой), который вы компилируете и используете через его собственный CLI и конфигурационные файлы. Он в первую очередь известен как родина моделей обнаружения объектов YOLO.
Это низкоуровневый фреймворк глубокого обучения (он не является обёрткой над другой библиотекой), который вы компилируете и используете через его собственный CLI и конфигурационные файлы. Он в первую очередь известен как родина моделей обнаружения объектов YOLO.Как заставить это работать?Соберите его командой 'make' из исходного кода; в репозитории есть Makefile для компиляции, а также ссылки на сайт документации Darknet и вики с параметрами сборки и инструкциями по использованию.
Соберите его командой 'make' из исходного кода; в репозитории есть Makefile для компиляции, а также ссылки на сайт документации Darknet и вики с параметрами сборки и инструкциями по использованию.Нужны ли CUDA или GPU для использования этого?Нет, поддерживаются и вычисления на CPU, и на GPU, хотя ускорение на GPU/CUDA используется для более быстрого обучения и инференса.
Нет, поддерживаются и вычисления на CPU, и на GPU, хотя ускорение на GPU/CUDA используется для более быстрого обучения и инференса.Это сейчас официальная реализация YOLO на уровне современных решений?В README репозитория в основном описаны более старые результаты (YOLOv4, Scaled-YOLOv4, YOLOv7) со ссылками на отдельные воспроизведения на PyTorch. По сути, это скорее исходная эталонная/устаревшая кодовая база, чем активно развивающийся репозиторий передовых детекторов.
В README репозитория в основном описаны более старые результаты (YOLOv4, Scaled-YOLOv4, YOLOv7) со ссылками на отдельные воспроизведения на PyTorch. По сути, это скорее исходная эталонная/устаревшая кодовая база, чем активно развивающийся репозиторий передовых детекторов.Даёт ли использование GPU преимущество?Да, вычисления на GPU (через CUDA) поддерживаются для повышения производительности; это особенно видно в сравнениях YOLO, проведённых на GPU Tesla V100/A100.
Да, вычисления на GPU (через CUDA) поддерживаются для повышения производительности; это особенно видно в сравнениях YOLO, проведённых на GPU Tesla V100/A100.Что такое YOLO и какое отношение он имеет к Darknet?YOLO (You Only Look Once) — это семейство моделей обнаружения объектов в реальном времени, которое изначально было разработано и выпущено через Darknet; в README отслеживается развитие от YOLOv4 к Scaled-YOLOv4 и затем к YOLOv7.
YOLO (You Only Look Once) — это семейство моделей обнаружения объектов в реальном времени, которое изначально было разработано и выпущено через Darknet; в README отслеживается развитие от YOLOv4 к Scaled-YOLOv4 и затем к YOLOv7.Насколько YOLOv7 быстрее других детекторов?Сообщается, что YOLOv7 на 120% быстрее YOLOv5, на 180% быстрее YOLOX и до 1200% быстрее Dual-Swin-T, при этом показывая наивысшую точность (56,8% AP) среди детекторов реального времени, работающих со скоростью 30+ FPS на GPU V100.
Сообщается, что YOLOv7 на 120% быстрее YOLOv5, на 180% быстрее YOLOX и до 1200% быстрее Dual-Swin-T, при этом показывая наивысшую точность (56,8% AP) среди детекторов реального времени, работающих со скоростью 30+ FPS на GPU V100.Which topics is it in?darknet, yolo, cnn, object-detection, neural-network, artificial-intelligence, c, nvidia, computer-vision, cuda, pytorch, benchmark
darknet, yolo, cnn, object-detection, neural-network, artificial-intelligence, c, nvidia, computer-vision, cuda, pytorch, benchmark