Skip to content
forked from ChenCVer/darknet

Darknet(AB版)框架源码解析:详尽的中文注释(逐句)和原理分析!

License

Notifications You must be signed in to change notification settings

yxliang/darknet

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

60 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

说明

​ 2019年就萌生一个想法,想深入研究一个深度学习框架,从code上将这个黑盒子的神秘面纱揭开,后续由于工作太忙,没有太多精力投入,从2020年8月份开始,诸多工作接近尾声,开始想投入一段时间研究一个底层框架。对比了多个框架,发现darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架,没有任何依赖项(OpenCV都可以不用),移植性非常好,支持CPU与GPU两种计算方式。真正可以对神经网络的组件一探究竟,是提高自己对深度学习有效范本。

​ 本人对darknet的解读,为期接近3个月时间,从2020年8月5日到至今(10月23日),期间几乎查遍了CSDN,知乎,github所有能看到关于darknet的解读资源,这里特别感谢github上:

  1. https://github.com/hgpvision/darknet
  2. https://github.com/BBuf/Darknet

​ 期间也和他们私底下有过诸多交流。此外,也感谢那些微信上的联系人,经过他们的交流,使得让我疑惑的很多问题逐渐变得清晰起来。

​ 由于darknet代码整个工程量还是很大的,后期,为了方便朋友们快速简单了解darknet整个框架思想,我写了一个darknet-mini版本,整个代码只实现了所有和分类网络相关的train部分。一律去除了其他seg,det,rnn,lstm等部分。代码见:https://github.com/ChenCVer/darknet-mini

​ 很多朋友希望我也能出一个darknet的解读系列,后来我想了想,我的很多解读其实都放在代码中了(后期我会出一个详尽的解读系列,发表在微信公众号:机器学习算法工程师),在代码中有详尽的解析。对于一些特别需要用画图的形式才能说明的,我也画了图,比如,darknet关于配置解读这块,最终形成的数据结构如下(该图片的ppt格式文件在files文件夹下的code_analysis_files的1.cfg analysis中):

再比如关于img2col也画了详细的说明图如下(该图片的ppt格式文件放在files文件夹下的code_analysis_files的2.im2col中,为了方便朋友们能debug中间过程,我也同时写了im2col对应的pyhton代码,放在同一个文件夹下):

关于darknet的数据加载机制,由于在整个代码中要想清晰知道data的load过程已经最终将各个线程的数据拼装在一个内存空间中,我也单独将这一部分代码从整个工程代码中抽取出来,并用随机数模拟这个过程。代码可以直接运行查看(代码放在:files/code_analysis_files/4.data load analysis)。

后续

​ 由于本人能力有限,代码中有地方可能解读不准确的地方,希望朋友们如果有任何问题,可以及时和我联系,我的微信是: 13521560705,qq:576905077,本人也希望能与各位交流,共同成长,加我时请备注:darknet。

注意:本代码从AB大神的github clone的日期是2020年8月5日,代码的编译与AB大神的方法一样,如果你想一步一步调试查看中间过程,可以用CLion IDE进行代码分析。

Darknet序列解读

About

Darknet(AB版)框架源码解析:详尽的中文注释(逐句)和原理分析!

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • C 68.1%
  • Cuda 13.8%
  • C++ 11.9%
  • Python 3.7%
  • CMake 1.3%
  • Shell 0.5%
  • Other 0.7%