darknet源碼學習

darknet是一個較為輕型的完全基於C與CUDA的開源深度學習框架，其主要特點就是容易安裝，沒有任何依賴項（OpenCV都可以不用），移植性非常好，支持CPU與GPU兩種計算方式。
1、test源碼(泛化過程)
   (1)test image
   a(預測):load_network（network.c） ---> network_predict（network.c） ---> forward_network（network.c） ---> forward_yolo_layer(yolo_layer.c) ----> calc_network_cost（network.c）
   b(后處理):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 過程中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源碼(訓練過程)
   (1)根據配置文件解析、創建、配置net的各個層(以卷積層為例),同時配置net的其他參數
   load_network（network.c） ---> parse_network_cfg(parser.c）--->parse_convolutional(parser.c) --->make_convolutional_layer(convolutional_layer.c);
   注意：make_convolutional_layer過程中特別需要注意以下幾個函數指針的配置，分別用來確定前向求損失函數，反向求誤差函數，update函數（用來更新參數）
   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的概念處理配置文件)
   總結：該過程最后得到的就是一個根據配置文件創建好的一個net框架， 只差灌入數據

   (2)加載數據
   load_thread(data.c)--->load_data_detection(data.c)--->fill_truth_detection(data.c 讀取圖像的標簽數據 其他數據集也可以在這里作修改 然后更改路徑)

   (3)開始訓練
   train_network(network.c) ---> train_network_datum(network.c 網絡訓練\前向求損失\反向求誤差\最后更新網絡參數) --->forward_network (network.c) ---> backward_network (network.c) ---> update_network(network.c) (forward backward update分別使用對應層的函數進行處理)