【darknet源码】：训练过程（待补充from笔记darknet源码2）

本是古典何须时尚 2022-05-16 23:10 150阅读 0赞

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，其主要特点就是容易安装，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。  
1、test源码(泛化过程)  
(1)test image  
a(预测):load\_network（network.c） —> network\_predict（network.c） —> forward\_network（network.c） —> forward\_yolo\_layer(yolo\_layer.c) —-> calc\_network\_cost（network.c）  
b(后处理):get\_network\_boxes（network.c） —> make\_network\_boxes（network.c） —> fill\_network\_boxes（network.c）—> get\_yolo\_detections（yolo\_layer.c)  
do\_nms\_sort(box.c) —> draw\_detections(image.c) —> save\_image(image.c)  
(2)test 过程中thresh作用  
a:get\_yolo\_detections接口中：

int get\_yolo\_detections(layer l, int w, int h, int netw, int neth, float thresh, int \*map, int relative, detection \*dets)

int i,j,n;

float \*predictions = l.output;

if (l.batch == 2) avg\_flipped\_yolo(l);

int count = 0;

for (i = 0; i < l.w\*l.h; ++i)\{

int row = i / l.w;

int col = i % l.w;

for(n = 0; n < l.n; ++n)\{

int obj\_index = entry\_index(l, 0, n\*l.w\*l.h + i, 4);

float objectness = predictions\[obj\_index\];

if(objectness <= thresh) continue;

int box\_index = entry\_index(l, 0, n\*l.w\*l.h + i, 0);

dets\[count\].bbox = get\_yolo\_box(predictions, l.biases, l.mask\[n\], box\_index, col, row, l.w, l.h, netw, neth, l.w\*l.h);

dets\[count\].objectness = objectness;

dets\[count\].classes = l.classes;

for(j = 0; j < l.classes; ++j)\{

int class\_index = entry\_index(l, 0, n\*l.w\*l.h + i, 4 + 1 + j);

float prob = objectness\*predictions\[class\_index\];

dets\[count\].prob\[j\] = (prob > thresh) ? prob : 0;

\++count;

correct\_yolo\_boxes(dets, count, w, h, netw, neth, relative);

return count;

b:draw_detections接口中：
      int left = (b.x - b.w / 2.) * im.w;
      int right = (b.x + b.w / 2.) * im.w;
      int top = (b.y - b.h / 2.) * im.h;
      int bot = (b.y + b.h / 2.) * im.h;

2、train源码(训练过程)  
(1)根据配置文件解析、创建、配置net的各个层(以卷积层为例),同时配置net的其他参数  
load\_network（network.c） —> parse\_network\_cfg(parser.c）—>parse\_convolutional(parser.c) —>make\_convolutional\_layer(convolutional\_layer.c);  
注意：make\_convolutional\_layer过程中特别需要注意以下几个函数指针的配置，分别用来确定前向求损失函数，反向求误差函数，update函数（用来更新参数）  
void (\*forward) (struct layer, struct network); —> l.forward = forward\_convolutional\_layer;  
void (\*backward) (struct layer, struct network); —> l.backward = backward\_convolutional\_layer;  
void (\*update) (struct layer, update\_args); —> l.update = update\_convolutional\_layer;

parse\_network\_cfg(section list node的概念处理配置文件)  
总结：该过程最后得到的就是一个根据配置文件创建好的一个net框架， 只差灌入数据

(2)加载数据  
load\_thread(data.c)—>load\_data\_detection(data.c)—>fill\_truth\_detection(data.c 读取图像的标签数据 其他数据集也可以在这里作修改 然后更改路径)

(3)开始训练  
train\_network(network.c) —> train\_network\_datum(network.c 网络训练\\前向求损失\\反向求误差\\最后更新网络参数) —>forward\_network (network.c) —> backward\_network (network.c) —> update\_network(network.c) (forward backward update分别使用对应层的函数进行处理)