darknet框架_【AlexeyAB DarkNet框架解析】一，框架总览

前言的前言：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。而AlexeyAB版本的Darknet是在官方Darknet基础上进行了很多修改，添加了一些新特性，新算法，新Backbone，是最流行的目标检测开源项目之一。

前言

总写一些论文解读自然是不太好的，因为我感觉纸上谈兵用处没那么大，如果你从事深度学习，不静心阅读几个框架那么代码能力肯定是有欠缺的。趁着自己C语言还没有完全忘记，我决定来仔细探索一番AlexeyAB的Darknet框架，所以就有了这个【AlexeyAB DarkNet框架解析】系列。这个系列的更新肯定是十分漫长的，因为里面有很多算法或者特性我也可能还没有怎么学过，所以也是有一些难度，但正所谓硬骨头啃了之后才有营养，所以我决定开这个系列。从今天起，我将尝试做一个最详细的Darknet源码解析(不定期更新)，从数据结构到各种新式Backbone再到多种损失函数再到各种新特性等。希望这个系列更新我能和你一起完全掌握这个AlexeyAB版Darknet，并且在阅读代码的能力方面有所提升。值得一提的是AlexeyAB版本Darknet的README.md已经被我们整理成了中文版本，如果你是学术派不是很在意底层代码实现你可以参考README.md去训练或者测试你想要的模型。README.md的中文翻译地址如下：【翻译】手把手教你用AlexeyAB版Darknet 。注意这一节仅仅是框架总览，不会那么详细，后面会非常详细的来逐步分析每个步骤。

Darknet框架分析主线

分析主线的确定

Darknet相比当前训练的C/C++主流框架(如Caffe)来讲，具有编译速度快，依赖少，易部署等众多优点，我们先定位到src/darknet.c里面的main函数，这是这个框架实现分类，定位，回归，分割等功能的初始入口。这一节的核心代码如下，注意一下就是run_yolo只提供了yolo目标检测算法的原始实现。而run_detector函数提供了AlexeyAB添加了各种新特性的目标检测算法，所以之后我们会从这个函数跟进去来解析Darknet框架。Darknet提供的其他功能如run_super(高分辨率重建)，run_classifier(图像分类)，run_char_rnn(RNN文本识别)有兴趣可以自己去读(这个框架用来做目标检测比较好，其他算法建议还是去其它框架实现吧)，本系列只讲目标检测。

	if (0 == strcmp(argv[1], "average")){
    
        average(argc, argv);
    } else if (0 == strcmp(argv[1], "yolo")){
    
        run_yolo(argc, argv);
    } else if (0 == strcmp(argv[1], "voxel")){
    
        run_voxel(argc, argv);
    } else if (0 == strcmp(argv[1], "super")){
    
        run_super(argc, argv);
    } else if (0 == strcmp(argv[1], "detector")){
    
        run_detector(argc, argv);
    } else if (0 == strcmp(argv[1], "detect")){
    
float thresh = find_float_arg(argc, argv, "-thresh", .24);
int ext_output = find_arg(argc, argv, "-ext_output");
char *filename = (argc > 4) ? argv[4]: 0;
        test_detector("cfg/coco.data", argv[2], argv[3], filename, thresh, 0.5, 0, ext_output, 0, NULL, 0, 0);
    } else if (0 == strcmp(argv[1], "cifar")){
    
        run_cifar(argc, argv);
    } else if (0 == strcmp(argv[1], "go")){
    
        run_go(argc, argv);
    } else if (0 == strcmp(argv[1], "rnn")){
    
        run_char_rnn(argc, argv);
    } else if (0 == strcmp(argv[1], "vid")){
    
        run_vid_rnn(argc, argv);
    } else if (0 == strcmp(argv[1], "coco")){
    
        run_coco(argc, argv);
    } else if (0 == strcmp(argv[1], "classify")){
    
        predict_classifier("cfg/imagenet1k.data", argv[2], argv[3], argv[4], 5);
    } else if (0 == strcmp(argv[1], "classifier")){
    
        run_classifier(argc, argv);
    } else if (0 == strcmp(argv[1], "art")){
    
        run_art(argc, argv);
    } else if (0 == strcmp(argv[1], "tag")){
    
        run_ta