remove max_objects

Tino Hager

2018-06-27 bff7644f31501fb8dd547e032e5ef6de67cf673e

 src/detector.c

@@ -9,10 +9,29 @@

#ifdef OPENCV
#include "opencv2/highgui/highgui_c.h"
#include "opencv2/core/core_c.h"
//#include "opencv2/core/core.hpp"
#include "opencv2/core/version.hpp"
#include "opencv2/imgproc/imgproc_c.h"

#ifndef CV_VERSION_EPOCH
#include "opencv2/videoio/videoio_c.h"
#define OPENCV_VERSION CVAUX_STR(CV_VERSION_MAJOR)"" CVAUX_STR(CV_VERSION_MINOR)"" CVAUX_STR(CV_VERSION_REVISION)
#pragma comment(lib, "opencv_world" OPENCV_VERSION ".lib")
#else
#define OPENCV_VERSION CVAUX_STR(CV_VERSION_EPOCH)"" CVAUX_STR(CV_VERSION_MAJOR)"" CVAUX_STR(CV_VERSION_MINOR)
#pragma comment(lib, "opencv_core" OPENCV_VERSION ".lib")
#pragma comment(lib, "opencv_imgproc" OPENCV_VERSION ".lib")
#pragma comment(lib, "opencv_highgui" OPENCV_VERSION ".lib")
#endif

IplImage* draw_train_chart(float max_img_loss, int max_batches, int number_of_lines, int img_size);
void draw_train_loss(IplImage* img, int img_size, float avg_loss, float max_img_loss, int current_batch, int max_batches);
#endif   // OPENCV

static int coco_ids[] = {1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90};

void train_detector(char *datacfg, char *cfgfile, char *weightfile, int *gpus, int ngpus, int clear)
void train_detector(char *datacfg, char *cfgfile, char *weightfile, int *gpus, int ngpus, int clear, int dont_show)
{
    list *options = read_data_cfg(datacfg);
    char *train_images = option_find_str(options, "train", "data/train.list");
@@ -42,6 +61,15 @@
    srand(time(0));
    network net = nets[0];

   const int actual_batch_size = net.batch * net.subdivisions;
   if (actual_batch_size == 1) {
      printf("\n Error: You set incorrect value batch=1 for Training! You should set batch=64 subdivision=64 \n");
      getchar();
   }
   else if (actual_batch_size < 64) {
         printf("\n Warning: You set batch=%d lower than 64! It is recommended to set batch=64 subdivision=64 \n", actual_batch_size);
   }

    int imgs = net.batch * net.subdivisions * ngpus;
    printf("Learning Rate: %g, Momentum: %g, Decay: %g\n", net.learning_rate, net.momentum, net.decay);
    data train, buffer;
@@ -55,29 +83,79 @@
    //int N = plist->size;
    char **paths = (char **)list_to_array(plist);

   int init_w = net.w;
   int init_h = net.h;
   int iter_save;
   iter_save = get_current_batch(net);

    load_args args = {0};
    args.w = net.w;
    args.h = net.h;
    args.paths = paths;
   args.c = net.c;
   args.paths = paths;
    args.n = imgs;
    args.m = plist->size;
    args.classes = classes;
    args.flip = net.flip;
    args.jitter = jitter;
    args.num_boxes = l.max_boxes;
   args.small_object = net.small_object;
    args.d = &buffer;
    args.type = DETECTION_DATA;
    args.threads = 4;
   args.threads = 16;   // 64

    args.angle = net.angle;
    args.exposure = net.exposure;
    args.saturation = net.saturation;
    args.hue = net.hue;

#ifdef OPENCV
   args.threads = 3 * ngpus;
   IplImage* img = NULL;
   float max_img_loss = 5;
   int number_of_lines = 100;
   int img_size = 1000;
   if (!dont_show)
      img = draw_train_chart(max_img_loss, net.max_batches, number_of_lines, img_size);
#endif   //OPENCV

    pthread_t load_thread = load_data(args);
    clock_t time;
    double time;
    int count = 0;
    //while(i*imgs < N*120){
    while(get_current_batch(net) < net.max_batches){
        time=clock();
      if(l.random && count++%10 == 0){
            printf("Resizing\n");
         //int dim = (rand() % 12 + (init_w/32 - 5)) * 32;  // +-160
            //int dim = (rand() % 4 + 16) * 32;
         //if (get_current_batch(net)+100 > net.max_batches) dim = 544;
			
         //int random_val = rand() % 12;
         //int dim_w = (random_val + (init_w / 32 - 5)) * 32;  // +-160
         //int dim_h = (random_val + (init_h / 32 - 5)) * 32;  // +-160

         float random_val = rand_scale(1.4); // *x or /x
         int dim_w = roundl(random_val*init_w / 32) * 32;
         int dim_h = roundl(random_val*init_h / 32) * 32;

         if (dim_w < 32) dim_w = 32;
         if (dim_h < 32) dim_h = 32;

         printf("%d x %d \n", dim_w, dim_h);
         args.w = dim_w;
         args.h = dim_h;

            pthread_join(load_thread, 0);
            train = buffer;
            free_data(train);
            load_thread = load_data(args);

            for(i = 0; i < ngpus; ++i){
                resize_network(nets + i, dim_w, dim_h);
            }
            net = nets[0];
        }
        time=what_time_is_it_now();
        pthread_join(load_thread, 0);
        train = buffer;
        load_thread = load_data(args);
@@ -99,9 +177,9 @@
           save_image(im, "truth11");
         */

        printf("Loaded: %lf seconds\n", sec(clock()-time));
        printf("Loaded: %lf seconds\n", (what_time_is_it_now()-time));

        time=clock();
        time=what_time_is_it_now();
        float loss = 0;
#ifdef GPU
        if(ngpus == 1){
@@ -112,292 +190,926 @@
#else
        loss = train_network(net, train);
#endif
        if (avg_loss < 0) avg_loss = loss;
        if (avg_loss < 0 || avg_loss != avg_loss) avg_loss = loss;   // if(-inf or nan)
        avg_loss = avg_loss*.9 + loss*.1;

        i = get_current_batch(net);
        printf("%d: %f, %f avg, %f rate, %lf seconds, %d images\n", get_current_batch(net), loss, avg_loss, get_current_rate(net), sec(clock()-time), i*imgs);
        if(i%1000==0 || (i < 1000 && i%100 == 0)){
            char buff[256];
            sprintf(buff, "%s/%s_%d.weights", backup_directory, base, i);
            save_weights(net, buff);
        }
        printf("\n %d: %f, %f avg loss, %f rate, %lf seconds, %d images\n", get_current_batch(net), loss, avg_loss, get_current_rate(net), (what_time_is_it_now()-time), i*imgs);

#ifdef OPENCV
      if(!dont_show)
         draw_train_loss(img, img_size, avg_loss, max_img_loss, i, net.max_batches);
#endif   // OPENCV

      //if (i % 1000 == 0 || (i < 1000 && i % 100 == 0)) {
      //if (i % 100 == 0) {
      if(i >= (iter_save + 100)) {
         iter_save = i;
#ifdef GPU
         if (ngpus != 1) sync_nets(nets, ngpus, 0);
#endif
         char buff[256];
         sprintf(buff, "%s/%s_%d.weights", backup_directory, base, i);
         save_weights(net, buff);
      }
        free_data(train);
    }
#ifdef GPU
    if(ngpus != 1) sync_nets(nets, ngpus, 0);
#endif
    char buff[256];
    sprintf(buff, "%s/%s_final.weights", backup_directory, base);
    save_weights(net, buff);

#ifdef OPENCV
   cvReleaseImage(&img);
   cvDestroyAllWindows();
#endif

   // free memory
   pthread_join(load_thread, 0);
   free_data(buffer);

   free(base);
   free(paths);
   free_list_contents(plist);
   free_list(plist);

   free_list_contents_kvp(options);
   free_list(options);

   free(nets);
   free_network(net);
}


static int get_coco_image_id(char *filename)
{
    char *p = strrchr(filename, '_');
    return atoi(p+1);
   char *p = strrchr(filename, '/');
   char *c = strrchr(filename, '_');
   if (c) p = c;
   return atoi(p + 1);
}

static void print_cocos(FILE *fp, char *image_path, box *boxes, float **probs, int num_boxes, int classes, int w, int h)
static void print_cocos(FILE *fp, char *image_path, detection *dets, int num_boxes, int classes, int w, int h)
{
    int i, j;
    int image_id = get_coco_image_id(image_path);
    for(i = 0; i < num_boxes; ++i){
        float xmin = boxes[i].x - boxes[i].w/2.;
        float xmax = boxes[i].x + boxes[i].w/2.;
        float ymin = boxes[i].y - boxes[i].h/2.;
        float ymax = boxes[i].y + boxes[i].h/2.;
   int i, j;
   int image_id = get_coco_image_id(image_path);
   for (i = 0; i < num_boxes; ++i) {
      float xmin = dets[i].bbox.x - dets[i].bbox.w / 2.;
      float xmax = dets[i].bbox.x + dets[i].bbox.w / 2.;
      float ymin = dets[i].bbox.y - dets[i].bbox.h / 2.;
      float ymax = dets[i].bbox.y + dets[i].bbox.h / 2.;

        if (xmin < 0) xmin = 0;
        if (ymin < 0) ymin = 0;
        if (xmax > w) xmax = w;
        if (ymax > h) ymax = h;
      if (xmin < 0) xmin = 0;
      if (ymin < 0) ymin = 0;
      if (xmax > w) xmax = w;
      if (ymax > h) ymax = h;

        float bx = xmin;
        float by = ymin;
        float bw = xmax - xmin;
        float bh = ymax - ymin;
      float bx = xmin;
      float by = ymin;
      float bw = xmax - xmin;
      float bh = ymax - ymin;

        for(j = 0; j < classes; ++j){
            if (probs[i][j]) fprintf(fp, "{\"image_id\":%d, \"category_id\":%d, \"bbox\":[%f, %f, %f, %f], \"score\":%f},\n", image_id, coco_ids[j], bx, by, bw, bh, probs[i][j]);
        }
    }
      for (j = 0; j < classes; ++j) {
         if (dets[i].prob[j]) fprintf(fp, "{\"image_id\":%d, \"category_id\":%d, \"bbox\":[%f, %f, %f, %f], \"score\":%f},\n", image_id, coco_ids[j], bx, by, bw, bh, dets[i].prob[j]);
      }
   }
}

void print_detector_detections(FILE **fps, char *id, box *boxes, float **probs, int total, int classes, int w, int h)
void print_detector_detections(FILE **fps, char *id, detection *dets, int total, int classes, int w, int h)
{
    int i, j;
    for(i = 0; i < total; ++i){
        float xmin = boxes[i].x - boxes[i].w/2.;
        float xmax = boxes[i].x + boxes[i].w/2.;
        float ymin = boxes[i].y - boxes[i].h/2.;
        float ymax = boxes[i].y + boxes[i].h/2.;
   int i, j;
   for (i = 0; i < total; ++i) {
      float xmin = dets[i].bbox.x - dets[i].bbox.w / 2. + 1;
      float xmax = dets[i].bbox.x + dets[i].bbox.w / 2. + 1;
      float ymin = dets[i].bbox.y - dets[i].bbox.h / 2. + 1;
      float ymax = dets[i].bbox.y + dets[i].bbox.h / 2. + 1;

        if (xmin < 0) xmin = 0;
        if (ymin < 0) ymin = 0;
        if (xmax > w) xmax = w;
        if (ymax > h) ymax = h;
      if (xmin < 1) xmin = 1;
      if (ymin < 1) ymin = 1;
      if (xmax > w) xmax = w;
      if (ymax > h) ymax = h;

        for(j = 0; j < classes; ++j){
            if (probs[i][j]) fprintf(fps[j], "%s %f %f %f %f %f\n", id, probs[i][j],
                    xmin, ymin, xmax, ymax);
        }
    }
      for (j = 0; j < classes; ++j) {
         if (dets[i].prob[j]) fprintf(fps[j], "%s %f %f %f %f %f\n", id, dets[i].prob[j],
            xmin, ymin, xmax, ymax);
      }
   }
}

void validate_detector(char *datacfg, char *cfgfile, char *weightfile)
void print_imagenet_detections(FILE *fp, int id, detection *dets, int total, int classes, int w, int h)
{
    list *options = read_data_cfg(datacfg);
    char *valid_images = option_find_str(options, "valid", "data/train.list");
    char *name_list = option_find_str(options, "names", "data/names.list");
    char *prefix = option_find_str(options, "results", "results");
    char **names = get_labels(name_list);
   int i, j;
   for (i = 0; i < total; ++i) {
      float xmin = dets[i].bbox.x - dets[i].bbox.w / 2.;
      float xmax = dets[i].bbox.x + dets[i].bbox.w / 2.;
      float ymin = dets[i].bbox.y - dets[i].bbox.h / 2.;
      float ymax = dets[i].bbox.y + dets[i].bbox.h / 2.;

      if (xmin < 0) xmin = 0;
      if (ymin < 0) ymin = 0;
      if (xmax > w) xmax = w;
      if (ymax > h) ymax = h;

    char buff[1024];
    int coco = option_find_int_quiet(options, "coco", 0);
    FILE *coco_fp = 0;
    if(coco){
        snprintf(buff, 1024, "%s/coco_results.json", prefix);
        coco_fp = fopen(buff, "w");
        fprintf(coco_fp, "[\n");
    }

    network net = parse_network_cfg(cfgfile);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    set_batch_network(&net, 1);
    fprintf(stderr, "Learning Rate: %g, Momentum: %g, Decay: %g\n", net.learning_rate, net.momentum, net.decay);
    srand(time(0));

    char *base = "comp4_det_test_";
    list *plist = get_paths(valid_images);
    char **paths = (char **)list_to_array(plist);

    layer l = net.layers[net.n-1];
    int classes = l.classes;

    int j;
    FILE **fps = calloc(classes, sizeof(FILE *));
    for(j = 0; j < classes; ++j){
        snprintf(buff, 1024, "%s/%s%s.txt", prefix, base, names[j]);
        fps[j] = fopen(buff, "w");
    }
    box *boxes = calloc(l.w*l.h*l.n, sizeof(box));
    float **probs = calloc(l.w*l.h*l.n, sizeof(float *));
    for(j = 0; j < l.w*l.h*l.n; ++j) probs[j] = calloc(classes, sizeof(float *));

    int m = plist->size;
    int i=0;
    int t;

    float thresh = .001;
    float nms = .5;

    int nthreads = 2;
    image *val = calloc(nthreads, sizeof(image));
    image *val_resized = calloc(nthreads, sizeof(image));
    image *buf = calloc(nthreads, sizeof(image));
    image *buf_resized = calloc(nthreads, sizeof(image));
    pthread_t *thr = calloc(nthreads, sizeof(pthread_t));

    load_args args = {0};
    args.w = net.w;
    args.h = net.h;
    args.type = IMAGE_DATA;

    for(t = 0; t < nthreads; ++t){
        args.path = paths[i+t];
        args.im = &buf[t];
        args.resized = &buf_resized[t];
        thr[t] = load_data_in_thread(args);
    }
    time_t start = time(0);
    for(i = nthreads; i < m+nthreads; i += nthreads){
        fprintf(stderr, "%d\n", i);
        for(t = 0; t < nthreads && i+t-nthreads < m; ++t){
            pthread_join(thr[t], 0);
            val[t] = buf[t];
            val_resized[t] = buf_resized[t];
        }
        for(t = 0; t < nthreads && i+t < m; ++t){
            args.path = paths[i+t];
            args.im = &buf[t];
            args.resized = &buf_resized[t];
            thr[t] = load_data_in_thread(args);
        }
        for(t = 0; t < nthreads && i+t-nthreads < m; ++t){
            char *path = paths[i+t-nthreads];
            char *id = basecfg(path);
            float *X = val_resized[t].data;
            network_predict(net, X);
            int w = val[t].w;
            int h = val[t].h;
            get_region_boxes(l, w, h, thresh, probs, boxes, 0);
            if (nms) do_nms_sort(boxes, probs, l.w*l.h*l.n, classes, nms);
            if(coco_fp){
                print_cocos(coco_fp, path, boxes, probs, l.w*l.h*l.n, classes, w, h);
            }else{
                print_detector_detections(fps, id, boxes, probs, l.w*l.h*l.n, classes, w, h);
            }
            free(id);
            free_image(val[t]);
            free_image(val_resized[t]);
        }
    }
    for(j = 0; j < classes; ++j){
        fclose(fps[j]);
    }
    if(coco_fp){
        fseek(coco_fp, -2, SEEK_CUR); 
        fprintf(coco_fp, "\n]\n");
        fclose(coco_fp);
    }
    fprintf(stderr, "Total Detection Time: %f Seconds\n", (double)(time(0) - start));
      for (j = 0; j < classes; ++j) {
         int class = j;
         if (dets[i].prob[class]) fprintf(fp, "%d %d %f %f %f %f %f\n", id, j + 1, dets[i].prob[class],
            xmin, ymin, xmax, ymax);
      }
   }
}

void validate_detector_recall(char *cfgfile, char *weightfile)
void validate_detector(char *datacfg, char *cfgfile, char *weightfile, char *outfile)
{
    network net = parse_network_cfg(cfgfile);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    set_batch_network(&net, 1);
    fprintf(stderr, "Learning Rate: %g, Momentum: %g, Decay: %g\n", net.learning_rate, net.momentum, net.decay);
    srand(time(0));
   int j;
   list *options = read_data_cfg(datacfg);
   char *valid_images = option_find_str(options, "valid", "data/train.list");
   char *name_list = option_find_str(options, "names", "data/names.list");
   char *prefix = option_find_str(options, "results", "results");
   char **names = get_labels(name_list);
   char *mapf = option_find_str(options, "map", 0);
   int *map = 0;
   if (mapf) map = read_map(mapf);

    list *plist = get_paths("data/voc.2007.test");
    char **paths = (char **)list_to_array(plist);
   network net = parse_network_cfg_custom(cfgfile, 1);   // set batch=1
   if (weightfile) {
      load_weights(&net, weightfile);
   }
   //set_batch_network(&net, 1);
   fprintf(stderr, "Learning Rate: %g, Momentum: %g, Decay: %g\n", net.learning_rate, net.momentum, net.decay);
   srand(time(0));

    layer l = net.layers[net.n-1];
    int classes = l.classes;
   list *plist = get_paths(valid_images);
   char **paths = (char **)list_to_array(plist);

    int j, k;
    box *boxes = calloc(l.w*l.h*l.n, sizeof(box));
    float **probs = calloc(l.w*l.h*l.n, sizeof(float *));
    for(j = 0; j < l.w*l.h*l.n; ++j) probs[j] = calloc(classes, sizeof(float *));
   layer l = net.layers[net.n - 1];
   int classes = l.classes;

    int m = plist->size;
    int i=0;
   char buff[1024];
   char *type = option_find_str(options, "eval", "voc");
   FILE *fp = 0;
   FILE **fps = 0;
   int coco = 0;
   int imagenet = 0;
   if (0 == strcmp(type, "coco")) {
      if (!outfile) outfile = "coco_results";
      snprintf(buff, 1024, "%s/%s.json", prefix, outfile);
      fp = fopen(buff, "w");
      fprintf(fp, "[\n");
      coco = 1;
   }
   else if (0 == strcmp(type, "imagenet")) {
      if (!outfile) outfile = "imagenet-detection";
      snprintf(buff, 1024, "%s/%s.txt", prefix, outfile);
      fp = fopen(buff, "w");
      imagenet = 1;
      classes = 200;
   }
   else {
      if (!outfile) outfile = "comp4_det_test_";
      fps = calloc(classes, sizeof(FILE *));
      for (j = 0; j < classes; ++j) {
         snprintf(buff, 1024, "%s/%s%s.txt", prefix, outfile, names[j]);
         fps[j] = fopen(buff, "w");
      }
   }

    float thresh = .001;
    float iou_thresh = .5;
    float nms = .4;

    int total = 0;
    int correct = 0;
    int proposals = 0;
    float avg_iou = 0;
   int m = plist->size;
   int i = 0;
   int t;

    for(i = 0; i < m; ++i){
        char *path = paths[i];
        image orig = load_image_color(path, 0, 0);
        image sized = resize_image(orig, net.w, net.h);
        char *id = basecfg(path);
        network_predict(net, sized.data);
        get_region_boxes(l, 1, 1, thresh, probs, boxes, 1);
        if (nms) do_nms(boxes, probs, l.w*l.h*l.n, 1, nms);
   float thresh = .005;
   float nms = .45;

        char labelpath[4096];
        find_replace(path, "images", "labels", labelpath);
        find_replace(labelpath, "JPEGImages", "labels", labelpath);
        find_replace(labelpath, ".jpg", ".txt", labelpath);
        find_replace(labelpath, ".JPEG", ".txt", labelpath);
   int nthreads = 4;
   image *val = calloc(nthreads, sizeof(image));
   image *val_resized = calloc(nthreads, sizeof(image));
   image *buf = calloc(nthreads, sizeof(image));
   image *buf_resized = calloc(nthreads, sizeof(image));
   pthread_t *thr = calloc(nthreads, sizeof(pthread_t));

        int num_labels = 0;
        box_label *truth = read_boxes(labelpath, &num_labels);
        for(k = 0; k < l.w*l.h*l.n; ++k){
            if(probs[k][0] > thresh){
                ++proposals;
            }
        }
        for (j = 0; j < num_labels; ++j) {
            ++total;
            box t = {truth[j].x, truth[j].y, truth[j].w, truth[j].h};
            float best_iou = 0;
            for(k = 0; k < l.w*l.h*l.n; ++k){
                float iou = box_iou(boxes[k], t);
                if(probs[k][0] > thresh && iou > best_iou){
                    best_iou = iou;
                }
            }
            avg_iou += best_iou;
            if(best_iou > iou_thresh){
                ++correct;
            }
        }
   load_args args = { 0 };
   args.w = net.w;
   args.h = net.h;
   args.c = net.c;
   args.type = IMAGE_DATA;
   //args.type = LETTERBOX_DATA;

        fprintf(stderr, "%5d %5d %5d\tRPs/Img: %.2f\tIOU: %.2f%%\tRecall:%.2f%%\n", i, correct, total, (float)proposals/(i+1), avg_iou*100/total, 100.*correct/total);
        free(id);
        free_image(orig);
        free_image(sized);
    }
   for (t = 0; t < nthreads; ++t) {
      args.path = paths[i + t];
      args.im = &buf[t];
      args.resized = &buf_resized[t];
      thr[t] = load_data_in_thread(args);
   }
   time_t start = time(0);
   for (i = nthreads; i < m + nthreads; i += nthreads) {
      fprintf(stderr, "%d\n", i);
      for (t = 0; t < nthreads && i + t - nthreads < m; ++t) {
         pthread_join(thr[t], 0);
         val[t] = buf[t];
         val_resized[t] = buf_resized[t];
      }
      for (t = 0; t < nthreads && i + t < m; ++t) {
         args.path = paths[i + t];
         args.im = &buf[t];
         args.resized = &buf_resized[t];
         thr[t] = load_data_in_thread(args);
      }
      for (t = 0; t < nthreads && i + t - nthreads < m; ++t) {
         char *path = paths[i + t - nthreads];
         char *id = basecfg(path);
         float *X = val_resized[t].data;
         network_predict(net, X);
         int w = val[t].w;
         int h = val[t].h;
         int nboxes = 0;
         int letterbox = (args.type == LETTERBOX_DATA);
         detection *dets = get_network_boxes(&net, w, h, thresh, .5, map, 0, &nboxes, letterbox);
         if (nms) do_nms_sort(dets, nboxes, classes, nms);
         if (coco) {
            print_cocos(fp, path, dets, nboxes, classes, w, h);
         }
         else if (imagenet) {
            print_imagenet_detections(fp, i + t - nthreads + 1, dets, nboxes, classes, w, h);
         }
         else {
            print_detector_detections(fps, id, dets, nboxes, classes, w, h);
         }
         free_detections(dets, nboxes);
         free(id);
         free_image(val[t]);
         free_image(val_resized[t]);
      }
   }
   for (j = 0; j < classes; ++j) {
      if (fps) fclose(fps[j]);
   }
   if (coco) {
      fseek(fp, -2, SEEK_CUR);
      fprintf(fp, "\n]\n");
      fclose(fp);
   }
   fprintf(stderr, "Total Detection Time: %f Seconds\n", (double)time(0) - start);
}

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh)
void validate_detector_recall(char *datacfg, char *cfgfile, char *weightfile)
{
   network net = parse_network_cfg_custom(cfgfile, 1);   // set batch=1
   if (weightfile) {
      load_weights(&net, weightfile);
   }
   //set_batch_network(&net, 1);
   fuse_conv_batchnorm(net);
   srand(time(0));

   //list *plist = get_paths("data/coco_val_5k.list");
   list *options = read_data_cfg(datacfg);
   char *valid_images = option_find_str(options, "valid", "data/train.txt");
   list *plist = get_paths(valid_images);
   char **paths = (char **)list_to_array(plist);

   layer l = net.layers[net.n - 1];

   int j, k;

   int m = plist->size;
   int i = 0;

   float thresh = .001;
   float iou_thresh = .5;
   float nms = .4;

   int total = 0;
   int correct = 0;
   int proposals = 0;
   float avg_iou = 0;

   for (i = 0; i < m; ++i) {
      char *path = paths[i];
      image orig = load_image(path, 0, 0, net.c);
      image sized = resize_image(orig, net.w, net.h);
      char *id = basecfg(path);
      network_predict(net, sized.data);
      int nboxes = 0;
      int letterbox = 0;
      detection *dets = get_network_boxes(&net, sized.w, sized.h, thresh, .5, 0, 1, &nboxes, letterbox);
      if (nms) do_nms_obj(dets, nboxes, 1, nms);

      char labelpath[4096];
      replace_image_to_label(path, labelpath);

      int num_labels = 0;
      box_label *truth = read_boxes(labelpath, &num_labels);
      for (k = 0; k < nboxes; ++k) {
         if (dets[k].objectness > thresh) {
            ++proposals;
         }
      }
      for (j = 0; j < num_labels; ++j) {
         ++total;
         box t = { truth[j].x, truth[j].y, truth[j].w, truth[j].h };
         float best_iou = 0;
         for (k = 0; k < nboxes; ++k) {
            float iou = box_iou(dets[k].bbox, t);
            if (dets[k].objectness > thresh && iou > best_iou) {
               best_iou = iou;
            }
         }
         avg_iou += best_iou;
         if (best_iou > iou_thresh) {
            ++correct;
         }
      }
      //fprintf(stderr, " %s - %s - ", paths[i], labelpath);
      fprintf(stderr, "%5d %5d %5d\tRPs/Img: %.2f\tIOU: %.2f%%\tRecall:%.2f%%\n", i, correct, total, (float)proposals / (i + 1), avg_iou * 100 / total, 100.*correct / total);
      free(id);
      free_image(orig);
      free_image(sized);
   }
}

typedef struct {
   box b;
   float p;
   int class_id;
   int image_index;
   int truth_flag;
   int unique_truth_index;
} box_prob;

int detections_comparator(const void *pa, const void *pb)
{
   box_prob a = *(box_prob *)pa;
   box_prob b = *(box_prob *)pb;
   float diff = a.p - b.p;
   if (diff < 0) return 1;
   else if (diff > 0) return -1;
   return 0;
}

void validate_detector_map(char *datacfg, char *cfgfile, char *weightfile, float thresh_calc_avg_iou)
{
   int j;
   list *options = read_data_cfg(datacfg);
   char *valid_images = option_find_str(options, "valid", "data/train.txt");
   char *difficult_valid_images = option_find_str(options, "difficult", NULL);
   char *name_list = option_find_str(options, "names", "data/names.list");
   char **names = get_labels(name_list);
   char *mapf = option_find_str(options, "map", 0);
   int *map = 0;
   if (mapf) map = read_map(mapf);
   FILE* reinforcement_fd = NULL;

   network net = parse_network_cfg_custom(cfgfile, 1);   // set batch=1
   if (weightfile) {
      load_weights(&net, weightfile);
   }
   //set_batch_network(&net, 1);
   fuse_conv_batchnorm(net);
   srand(time(0));

   list *plist = get_paths(valid_images);
   char **paths = (char **)list_to_array(plist);

   char **paths_dif = NULL;
   if (difficult_valid_images) {
      list *plist_dif = get_paths(difficult_valid_images);
      paths_dif = (char **)list_to_array(plist_dif);
   }
	

   layer l = net.layers[net.n - 1];
   int classes = l.classes;

   int m = plist->size;
   int i = 0;
   int t;

   const float thresh = .005;
   const float nms = .45;
   const float iou_thresh = 0.5;

   int nthreads = 4;
   image *val = calloc(nthreads, sizeof(image));
   image *val_resized = calloc(nthreads, sizeof(image));
   image *buf = calloc(nthreads, sizeof(image));
   image *buf_resized = calloc(nthreads, sizeof(image));
   pthread_t *thr = calloc(nthreads, sizeof(pthread_t));

   load_args args = { 0 };
   args.w = net.w;
   args.h = net.h;
   args.c = net.c;
   args.type = IMAGE_DATA;
   //args.type = LETTERBOX_DATA;

   //const float thresh_calc_avg_iou = 0.24;
   float avg_iou = 0;
   int tp_for_thresh = 0;
   int fp_for_thresh = 0;

   box_prob *detections = calloc(1, sizeof(box_prob));
   int detections_count = 0;
   int unique_truth_count = 0;

   int *truth_classes_count = calloc(classes, sizeof(int));

   for (t = 0; t < nthreads; ++t) {
      args.path = paths[i + t];
      args.im = &buf[t];
      args.resized = &buf_resized[t];
      thr[t] = load_data_in_thread(args);
   }
   time_t start = time(0);
   for (i = nthreads; i < m + nthreads; i += nthreads) {
      fprintf(stderr, "%d\n", i);
      for (t = 0; t < nthreads && i + t - nthreads < m; ++t) {
         pthread_join(thr[t], 0);
         val[t] = buf[t];
         val_resized[t] = buf_resized[t];
      }
      for (t = 0; t < nthreads && i + t < m; ++t) {
         args.path = paths[i + t];
         args.im = &buf[t];
         args.resized = &buf_resized[t];
         thr[t] = load_data_in_thread(args);
      }
      for (t = 0; t < nthreads && i + t - nthreads < m; ++t) {
         const int image_index = i + t - nthreads;
         char *path = paths[image_index];
         char *id = basecfg(path);
         float *X = val_resized[t].data;
         network_predict(net, X);

         int nboxes = 0;
         int letterbox = (args.type == LETTERBOX_DATA);
         float hier_thresh = 0;
         detection *dets = get_network_boxes(&net, 1, 1, thresh, hier_thresh, 0, 0, &nboxes, letterbox);
         //detection *dets = get_network_boxes(&net, val[t].w, val[t].h, thresh, hier_thresh, 0, 1, &nboxes, letterbox); // for letterbox=1
         if (nms) do_nms_sort(dets, nboxes, l.classes, nms);

         char labelpath[4096];
         replace_image_to_label(path, labelpath);
         int num_labels = 0;
         box_label *truth = read_boxes(labelpath, &num_labels);
         int i, j;
         for (j = 0; j < num_labels; ++j) {
            truth_classes_count[truth[j].id]++;
         }

         // difficult
         box_label *truth_dif = NULL;
         int num_labels_dif = 0;
         if (paths_dif)
         {
            char *path_dif = paths_dif[image_index];

            char labelpath_dif[4096];
            replace_image_to_label(path_dif, labelpath_dif);
			
            truth_dif = read_boxes(labelpath_dif, &num_labels_dif);
         }

         const int checkpoint_detections_count = detections_count;

         for (i = 0; i < nboxes; ++i) {

            int class_id;
            for (class_id = 0; class_id < classes; ++class_id) {
               float prob = dets[i].prob[class_id];
               if (prob > 0) {
                  detections_count++;
                  detections = realloc(detections, detections_count * sizeof(box_prob));
                  detections[detections_count - 1].b = dets[i].bbox;
                  detections[detections_count - 1].p = prob;
                  detections[detections_count - 1].image_index = image_index;
                  detections[detections_count - 1].class_id = class_id;
                  detections[detections_count - 1].truth_flag = 0;
                  detections[detections_count - 1].unique_truth_index = -1;

                  int truth_index = -1;
                  float max_iou = 0;
                  for (j = 0; j < num_labels; ++j)
                  {
                     box t = { truth[j].x, truth[j].y, truth[j].w, truth[j].h };
                     //printf(" IoU = %f, prob = %f, class_id = %d, truth[j].id = %d \n", 
                     // box_iou(dets[i].bbox, t), prob, class_id, truth[j].id);
                     float current_iou = box_iou(dets[i].bbox, t);
                     if (current_iou > iou_thresh && class_id == truth[j].id) {
                        if (current_iou > max_iou) {
                           max_iou = current_iou;
                           truth_index = unique_truth_count + j;
                        }
                     }
                  }

                  // best IoU
                  if (truth_index > -1) {
                     detections[detections_count - 1].truth_flag = 1;
                     detections[detections_count - 1].unique_truth_index = truth_index;
                  }
                  else {
                     // if object is difficult then remove detection
                     for (j = 0; j < num_labels_dif; ++j) {
                        box t = { truth_dif[j].x, truth_dif[j].y, truth_dif[j].w, truth_dif[j].h };
                        float current_iou = box_iou(dets[i].bbox, t);
                        if (current_iou > iou_thresh && class_id == truth_dif[j].id) {
                           --detections_count;
                           break;
                        }
                     }
                  }

                  // calc avg IoU, true-positives, false-positives for required Threshold
                  if (prob > thresh_calc_avg_iou) {
                     int z, found = 0;
                     for (z = checkpoint_detections_count; z < detections_count-1; ++z)
                        if (detections[z].unique_truth_index == truth_index) {
                           found = 1; break;
                        }

                     if(truth_index > -1 && found == 0) {
                        avg_iou += max_iou;
                        ++tp_for_thresh;
                     }
                     else
                        fp_for_thresh++;
                  }
               }
            }
         }
				
         unique_truth_count += num_labels;

         //static int previous_errors = 0;
         //int total_errors = fp_for_thresh + (unique_truth_count - tp_for_thresh);
         //int errors_in_this_image = total_errors - previous_errors;
         //previous_errors = total_errors;
         //if(reinforcement_fd == NULL) reinforcement_fd = fopen("reinforcement.txt", "wb");
         //char buff[1000];
         //sprintf(buff, "%s\n", path);
         //if(errors_in_this_image > 0) fwrite(buff, sizeof(char), strlen(buff), reinforcement_fd);

         free_detections(dets, nboxes);
         free(id);
         free_image(val[t]);
         free_image(val_resized[t]);
      }
   }

   if((tp_for_thresh + fp_for_thresh) > 0)
      avg_iou = avg_iou / (tp_for_thresh + fp_for_thresh);

	
   // SORT(detections)
   qsort(detections, detections_count, sizeof(box_prob), detections_comparator);
	
   typedef struct {
      double precision;
      double recall;
      int tp, fp, fn;
   } pr_t;

   // for PR-curve
   pr_t **pr = calloc(classes, sizeof(pr_t*));
   for (i = 0; i < classes; ++i) {
      pr[i] = calloc(detections_count, sizeof(pr_t));
   }
   printf("detections_count = %d, unique_truth_count = %d  \n", detections_count, unique_truth_count);


   int *truth_flags = calloc(unique_truth_count, sizeof(int));

   int rank;
   for (rank = 0; rank < detections_count; ++rank) {
      if(rank % 100 == 0)
         printf(" rank = %d of ranks = %d \r", rank, detections_count);

      if (rank > 0) {
         int class_id;
         for (class_id = 0; class_id < classes; ++class_id) {
            pr[class_id][rank].tp = pr[class_id][rank - 1].tp;
            pr[class_id][rank].fp = pr[class_id][rank - 1].fp;
         }
      }

      box_prob d = detections[rank];
      // if (detected && isn't detected before)
      if (d.truth_flag == 1) {
         if (truth_flags[d.unique_truth_index] == 0) 
         {
            truth_flags[d.unique_truth_index] = 1;
            pr[d.class_id][rank].tp++; // true-positive
         }
      }
      else {
         pr[d.class_id][rank].fp++; // false-positive
      }

      for (i = 0; i < classes; ++i) 
      {
         const int tp = pr[i][rank].tp;
         const int fp = pr[i][rank].fp;
         const int fn = truth_classes_count[i] - tp;  // false-negative = objects - true-positive
         pr[i][rank].fn = fn;

         if ((tp + fp) > 0) pr[i][rank].precision = (double)tp / (double)(tp + fp);
         else pr[i][rank].precision = 0;

         if ((tp + fn) > 0) pr[i][rank].recall = (double)tp / (double)(tp + fn);
         else pr[i][rank].recall = 0;
      }
   }

   free(truth_flags);
	
	
   double mean_average_precision = 0;

   for (i = 0; i < classes; ++i) {
      double avg_precision = 0;
      int point;
      for (point = 0; point < 11; ++point) {
         double cur_recall = point * 0.1;
         double cur_precision = 0;
         for (rank = 0; rank < detections_count; ++rank)
         {
            if (pr[i][rank].recall >= cur_recall) {   // > or >=
               if (pr[i][rank].precision > cur_precision) {
                  cur_precision = pr[i][rank].precision;
               }
            }
         }
         //printf("class_id = %d, point = %d, cur_recall = %.4f, cur_precision = %.4f \n", i, point, cur_recall, cur_precision);

         avg_precision += cur_precision;
      }
      avg_precision = avg_precision / 11;
      printf("class_id = %d, name = %s, \t ap = %2.2f %% \n", i, names[i], avg_precision*100);
      mean_average_precision += avg_precision;
   }
	
   const float cur_precision = (float)tp_for_thresh / ((float)tp_for_thresh + (float)fp_for_thresh);
   const float cur_recall = (float)tp_for_thresh / ((float)tp_for_thresh + (float)(unique_truth_count - tp_for_thresh));
   const float f1_score = 2.F * cur_precision * cur_recall / (cur_precision + cur_recall);
   printf(" for thresh = %1.2f, precision = %1.2f, recall = %1.2f, F1-score = %1.2f \n",
      thresh_calc_avg_iou, cur_precision, cur_recall, f1_score);

   printf(" for thresh = %0.2f, TP = %d, FP = %d, FN = %d, average IoU = %2.2f %% \n", 
      thresh_calc_avg_iou, tp_for_thresh, fp_for_thresh, unique_truth_count - tp_for_thresh, avg_iou * 100);

   mean_average_precision = mean_average_precision / classes;
   printf("\n mean average precision (mAP) = %f, or %2.2f %% \n", mean_average_precision, mean_average_precision*100);


   for (i = 0; i < classes; ++i) {
      free(pr[i]);
   }
   free(pr);
   free(detections);
   free(truth_classes_count);

   fprintf(stderr, "Total Detection Time: %f Seconds\n", (double)(time(0) - start));
   if (reinforcement_fd != NULL) fclose(reinforcement_fd);
}

#ifdef OPENCV
typedef struct {
   float w, h;
} anchors_t;

int anchors_comparator(const void *pa, const void *pb)
{
   anchors_t a = *(anchors_t *)pa;
   anchors_t b = *(anchors_t *)pb;
   float diff = b.w*b.h - a.w*a.h;
   if (diff < 0) return 1;
   else if (diff > 0) return -1;
   return 0;
}

void calc_anchors(char *datacfg, int num_of_clusters, int width, int height, int show)
{
   printf("\n num_of_clusters = %d, width = %d, height = %d \n", num_of_clusters, width, height);
   if (width < 0 || height < 0) {
      printf("Usage: darknet detector calc_anchors data/voc.data -num_of_clusters 9 -width 416 -height 416 \n");
      printf("Error: set width and height \n");
      return;
   }

   //float pointsdata[] = { 1,1, 2,2, 6,6, 5,5, 10,10 };
   float *rel_width_height_array = calloc(1000, sizeof(float));

   list *options = read_data_cfg(datacfg);
   char *train_images = option_find_str(options, "train", "data/train.list");
   list *plist = get_paths(train_images);
   int number_of_images = plist->size;
   char **paths = (char **)list_to_array(plist);

   int number_of_boxes = 0;
   printf(" read labels from %d images \n", number_of_images);

   int i, j;
   for (i = 0; i < number_of_images; ++i) {
      char *path = paths[i];
      char labelpath[4096];
      replace_image_to_label(path, labelpath);

      int num_labels = 0;
      box_label *truth = read_boxes(labelpath, &num_labels);
      //printf(" new path: %s \n", labelpath);
      char buff[1024];
      for (j = 0; j < num_labels; ++j)
      {
         if (truth[j].x > 1 || truth[j].x <= 0 || truth[j].y > 1 || truth[j].y <= 0 ||
            truth[j].w > 1 || truth[j].w <= 0 || truth[j].h > 1 || truth[j].h <= 0) 
         {				
            printf("\n\nWrong label: %s - j = %d, x = %f, y = %f, width = %f, height = %f \n",
               labelpath, j, truth[j].x, truth[j].y, truth[j].w, truth[j].h);
            sprintf(buff, "echo \"Wrong label: %s - j = %d, x = %f, y = %f, width = %f, height = %f\" >> bad_label.list", 
               labelpath, j, truth[j].x, truth[j].y, truth[j].w, truth[j].h);
            system(buff);				
         }
         number_of_boxes++;
         rel_width_height_array = realloc(rel_width_height_array, 2 * number_of_boxes * sizeof(float));
         rel_width_height_array[number_of_boxes * 2 - 2] = truth[j].w * width;
         rel_width_height_array[number_of_boxes * 2 - 1] = truth[j].h * height;
         printf("\r loaded \t image: %d \t box: %d", i+1, number_of_boxes);
      }
   }
   printf("\n all loaded. \n");

   CvMat* points = cvCreateMat(number_of_boxes, 2, CV_32FC1);
   CvMat* centers = cvCreateMat(num_of_clusters, 2, CV_32FC1);
   CvMat* labels = cvCreateMat(number_of_boxes, 1, CV_32SC1);

   for (i = 0; i < number_of_boxes; ++i) {
      points->data.fl[i * 2] = rel_width_height_array[i * 2];
      points->data.fl[i * 2 + 1] = rel_width_height_array[i * 2 + 1];
      //cvSet1D(points, i * 2, cvScalar(rel_width_height_array[i * 2], 0, 0, 0));
      //cvSet1D(points, i * 2 + 1, cvScalar(rel_width_height_array[i * 2 + 1], 0, 0, 0));
   }


   const int attemps = 10;
   double compactness;

   enum {
      KMEANS_RANDOM_CENTERS = 0,
      KMEANS_USE_INITIAL_LABELS = 1,
      KMEANS_PP_CENTERS = 2
   };
	
   printf("\n calculating k-means++ ...");
   // Should be used: distance(box, centroid) = 1 - IoU(box, centroid)
   cvKMeans2(points, num_of_clusters, labels, 
      cvTermCriteria(CV_TERMCRIT_EPS+CV_TERMCRIT_ITER, 10000, 0), attemps, 
      0, KMEANS_PP_CENTERS,
      centers, &compactness);

   // sort anchors
   qsort(centers->data.fl, num_of_clusters, 2*sizeof(float), anchors_comparator);

   //orig 2.0 anchors = 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52
   //float orig_anch[] = { 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52 };
   // worse than ours (even for 19x19 final size - for input size 608x608)

   //orig anchors = 1.3221,1.73145, 3.19275,4.00944, 5.05587,8.09892, 9.47112,4.84053, 11.2364,10.0071
   //float orig_anch[] = { 1.3221,1.73145, 3.19275,4.00944, 5.05587,8.09892, 9.47112,4.84053, 11.2364,10.0071 };
   // orig (IoU=59.90%) better than ours (59.75%)

   //gen_anchors.py = 1.19, 1.99, 2.79, 4.60, 4.53, 8.92, 8.06, 5.29, 10.32, 10.66
   //float orig_anch[] = { 1.19, 1.99, 2.79, 4.60, 4.53, 8.92, 8.06, 5.29, 10.32, 10.66 };

   // ours: anchors = 9.3813,6.0095, 3.3999,5.3505, 10.9476,11.1992, 5.0161,9.8314, 1.5003,2.1595
   //float orig_anch[] = { 9.3813,6.0095, 3.3999,5.3505, 10.9476,11.1992, 5.0161,9.8314, 1.5003,2.1595 };
   //for (i = 0; i < num_of_clusters * 2; ++i) centers->data.fl[i] = orig_anch[i];
	
   //for (i = 0; i < number_of_boxes; ++i)
   // printf("%2.2f,%2.2f, ", points->data.fl[i * 2], points->data.fl[i * 2 + 1]);

   printf("\n");
   float avg_iou = 0;
   for (i = 0; i < number_of_boxes; ++i) {
      float box_w = points->data.fl[i * 2];
      float box_h = points->data.fl[i * 2 + 1];
      //int cluster_idx = labels->data.i[i];		
      int cluster_idx = 0;
      float min_dist = FLT_MAX;
      for (j = 0; j < num_of_clusters; ++j) {
         float anchor_w = centers->data.fl[j * 2];
         float anchor_h = centers->data.fl[j * 2 + 1];
         float w_diff = anchor_w - box_w;
         float h_diff = anchor_h - box_h;
         float distance = sqrt(w_diff*w_diff + h_diff*h_diff);
         if (distance < min_dist) min_dist = distance, cluster_idx = j;
      }
		
      float anchor_w = centers->data.fl[cluster_idx * 2];
      float anchor_h = centers->data.fl[cluster_idx * 2 + 1];
      float min_w = (box_w < anchor_w) ? box_w : anchor_w;
      float min_h = (box_h < anchor_h) ? box_h : anchor_h;
      float box_intersect = min_w*min_h;
      float box_union = box_w*box_h + anchor_w*anchor_h - box_intersect;
      float iou = box_intersect / box_union;
      if (iou > 1 || iou < 0) { // || box_w > width || box_h > height) {
         printf(" Wrong label: i = %d, box_w = %d, box_h = %d, anchor_w = %d, anchor_h = %d, iou = %f \n",
            i, box_w, box_h, anchor_w, anchor_h, iou);
      }
      else avg_iou += iou;
   }
   avg_iou = 100 * avg_iou / number_of_boxes;
   printf("\n avg IoU = %2.2f %% \n", avg_iou);

   char buff[1024];
   FILE* fw = fopen("anchors.txt", "wb");
   printf("\nSaving anchors to the file: anchors.txt \n");
   printf("anchors = ");
   for (i = 0; i < num_of_clusters; ++i) {
      sprintf(buff, "%2.4f,%2.4f", centers->data.fl[i * 2], centers->data.fl[i * 2 + 1]);
      printf("%s", buff);
      fwrite(buff, sizeof(char), strlen(buff), fw);
      if (i + 1 < num_of_clusters) {
         fwrite(", ", sizeof(char), 2, fw);
         printf(", ");
      }
   }
   printf("\n");
   fclose(fw);

   if (show) {
      size_t img_size = 700;
      IplImage* img = cvCreateImage(cvSize(img_size, img_size), 8, 3);
      cvZero(img);
      for (j = 0; j < num_of_clusters; ++j) {
         CvPoint pt1, pt2;
         pt1.x = pt1.y = 0;
         pt2.x = centers->data.fl[j * 2] * img_size / width;
         pt2.y = centers->data.fl[j * 2 + 1] * img_size / height;
         cvRectangle(img, pt1, pt2, CV_RGB(255, 255, 255), 1, 8, 0);
      }

      for (i = 0; i < number_of_boxes; ++i) {
         CvPoint pt;
         pt.x = points->data.fl[i * 2] * img_size / width;
         pt.y = points->data.fl[i * 2 + 1] * img_size / height;
         int cluster_idx = labels->data.i[i];
         int red_id = (cluster_idx * (uint64_t)123 + 55) % 255;
         int green_id = (cluster_idx * (uint64_t)321 + 33) % 255;
         int blue_id = (cluster_idx * (uint64_t)11 + 99) % 255;
         cvCircle(img, pt, 1, CV_RGB(red_id, green_id, blue_id), CV_FILLED, 8, 0);
         //if(pt.x > img_size || pt.y > img_size) printf("\n pt.x = %d, pt.y = %d \n", pt.x, pt.y);
      }
      cvShowImage("clusters", img);
      cvWaitKey(0);
      cvReleaseImage(&img);
      cvDestroyAllWindows();
   }

   free(rel_width_height_array);
   cvReleaseMat(&points);
   cvReleaseMat(&centers);
   cvReleaseMat(&labels);
}
#else
void calc_anchors(char *datacfg, int num_of_clusters, int width, int height, int show) {
   printf(" k-means++ can't be used without OpenCV, because there is used cvKMeans2 implementation \n");
}
#endif // OPENCV

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh,
               float hier_thresh, int dont_show, int ext_output, int save_labels)
{
    list *options = read_data_cfg(datacfg);
    char *name_list = option_find_str(options, "names", "data/names.list");
    char **names = get_labels(name_list);
   int names_size = 0;
   char **names = get_labels_custom(name_list, &names_size); //get_labels(name_list);

    image **alphabet = load_alphabet();
    network net = parse_network_cfg(cfgfile);
    network net = parse_network_cfg_custom(cfgfile, 1); // set batch=1
    if(weightfile){
        load_weights(&net, weightfile);
    }
    layer l = net.layers[net.n-1];
    set_batch_network(&net, 1);
    //set_batch_network(&net, 1);
   fuse_conv_batchnorm(net);
   if (net.layers[net.n - 1].classes != names_size) {
      printf(" Error: in the file %s number of names %d that isn't equal to classes=%d in the file %s \n", 
         name_list, names_size, net.layers[net.n - 1].classes, cfgfile);
      if(net.layers[net.n - 1].classes > names_size) getchar();
   }
    srand(2222222);
    clock_t time;
    double time;
    char buff[256];
    char *input = buff;
    int j;
    float nms=.4;
    box *boxes = calloc(l.w*l.h*l.n, sizeof(box));
    float **probs = calloc(l.w*l.h*l.n, sizeof(float *));
    for(j = 0; j < l.w*l.h*l.n; ++j) probs[j] = calloc(l.classes, sizeof(float *));
    float nms=.45;   // 0.4F
    while(1){
        if(filename){
            strncpy(input, filename, 256);
         if(strlen(input) > 0)
            if (input[strlen(input) - 1] == 0x0d) input[strlen(input) - 1] = 0;
        } else {
            printf("Enter Image Path: ");
            fflush(stdout);
@@ -405,34 +1117,110 @@
            if(!input) return;
            strtok(input, "\n");
        }
        image im = load_image_color(input,0,0);
        image im = load_image(input,0,0,net.c);
      int letterbox = 0;
        image sized = resize_image(im, net.w, net.h);
        float *X = sized.data;
        time=clock();
        network_predict(net, X);
        printf("%s: Predicted in %f seconds.\n", input, sec(clock()-time));
        get_region_boxes(l, 1, 1, thresh, probs, boxes, 0);
        if (nms) do_nms_sort(boxes, probs, l.w*l.h*l.n, l.classes, nms);
        draw_detections(im, l.w*l.h*l.n, thresh, boxes, probs, names, alphabet, l.classes);
        save_image(im, "predictions");
        show_image(im, "predictions");
      //image sized = letterbox_image(im, net.w, net.h); letterbox = 1;
        layer l = net.layers[net.n-1];

        //box *boxes = calloc(l.w*l.h*l.n, sizeof(box));
        //float **probs = calloc(l.w*l.h*l.n, sizeof(float *));
        //for(j = 0; j < l.w*l.h*l.n; ++j) probs[j] = calloc(l.classes, sizeof(float *));

        float *X = sized.data;
        time= what_time_is_it_now();
        network_predict(net, X);
      //network_predict_image(&net, im); letterbox = 1;
        printf("%s: Predicted in %f seconds.\n", input, (what_time_is_it_now()-time));
        //get_region_boxes(l, 1, 1, thresh, probs, boxes, 0, 0);
      // if (nms) do_nms_sort_v2(boxes, probs, l.w*l.h*l.n, l.classes, nms);
      //draw_detections(im, l.w*l.h*l.n, thresh, boxes, probs, names, alphabet, l.classes);
      int nboxes = 0;
      detection *dets = get_network_boxes(&net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes, letterbox);
      if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
      draw_detections_v3(im, dets, nboxes, thresh, names, alphabet, l.classes, ext_output);
        save_image(im, "predictions");
      if (!dont_show) {
         show_image(im, "predictions");
      }

      // pseudo labeling concept - fast.ai
      if(save_labels)
      {
         char labelpath[4096];
         replace_image_to_label(input, labelpath);

         FILE* fw = fopen(labelpath, "wb");
         int i;
         for (i = 0; i < nboxes; ++i) {
            char buff[1024];
            int class_id = -1;
            float prob = 0;
            for (j = 0; j < l.classes; ++j) {
               if (dets[i].prob[j] > thresh && dets[i].prob[j] > prob) {
                  prob = dets[i].prob[j];
                  class_id = j;
               }
            }
            if (class_id >= 0) {
               sprintf(buff, "%d %2.4f %2.4f %2.4f %2.4f\n", class_id, dets[i].bbox.x, dets[i].bbox.y, dets[i].bbox.w, dets[i].bbox.h);
               fwrite(buff, sizeof(char), strlen(buff), fw);
            }
         }
         fclose(fw);
      }

      free_detections(dets, nboxes);
        free_image(im);
        free_image(sized);
        //free(boxes);
        //free_ptrs((void **)probs, l.w*l.h*l.n);
#ifdef OPENCV
        cvWaitKey(0);
        cvDestroyAllWindows();
      if (!dont_show) {
         cvWaitKey(0);
         cvDestroyAllWindows();
      }
#endif
        if (filename) break;
    }

   // free memory
   free_ptrs(names, net.layers[net.n - 1].classes);
   free_list_contents_kvp(options);
   free_list(options);

   int i;
   const int nsize = 8;
   for (j = 0; j < nsize; ++j) {
      for (i = 32; i < 127; ++i) {
         free_image(alphabet[j][i]);
      }
      free(alphabet[j]);
   }
   free(alphabet);

   free_network(net);
}

void run_detector(int argc, char **argv)
{
   int dont_show = find_arg(argc, argv, "-dont_show");
   int show = find_arg(argc, argv, "-show");
   int http_stream_port = find_int_arg(argc, argv, "-http_port", -1);
   char *out_filename = find_char_arg(argc, argv, "-out_filename", 0);
   char *outfile = find_char_arg(argc, argv, "-out", 0);
    char *prefix = find_char_arg(argc, argv, "-prefix", 0);
    float thresh = find_float_arg(argc, argv, "-thresh", .2);
    float thresh = find_float_arg(argc, argv, "-thresh", .25); // 0.24
   float hier_thresh = find_float_arg(argc, argv, "-hier", .5);
    int cam_index = find_int_arg(argc, argv, "-c", 0);
    int frame_skip = find_int_arg(argc, argv, "-s", 0);
   int num_of_clusters = find_int_arg(argc, argv, "-num_of_clusters", 5);
   int width = find_int_arg(argc, argv, "-width", -1);
   int height = find_int_arg(argc, argv, "-height", -1);
   // extended output in test mode (output of rect bound coords)
   // and for recall mode (extended output table-like format with results for best_class fit)
   int ext_output = find_arg(argc, argv, "-ext_output");
   int save_labels = find_arg(argc, argv, "-save_labels");
    if(argc < 4){
        fprintf(stderr, "usage: %s %s [train/test/valid] [cfg] [weights (optional)]\n", argv[0], argv[1]);
        return;
@@ -465,16 +1253,29 @@
    char *datacfg = argv[3];
    char *cfg = argv[4];
    char *weights = (argc > 5) ? argv[5] : 0;
   if(weights)
      if(strlen(weights) > 0)
         if (weights[strlen(weights) - 1] == 0x0d) weights[strlen(weights) - 1] = 0;
    char *filename = (argc > 6) ? argv[6]: 0;
    if(0==strcmp(argv[2], "test")) test_detector(datacfg, cfg, weights, filename, thresh);
    else if(0==strcmp(argv[2], "train")) train_detector(datacfg, cfg, weights, gpus, ngpus, clear);
    else if(0==strcmp(argv[2], "valid")) validate_detector(datacfg, cfg, weights);
    else if(0==strcmp(argv[2], "recall")) validate_detector_recall(cfg, weights);
    if(0==strcmp(argv[2], "test")) test_detector(datacfg, cfg, weights, filename, thresh, hier_thresh, dont_show, ext_output, save_labels);
    else if(0==strcmp(argv[2], "train")) train_detector(datacfg, cfg, weights, gpus, ngpus, clear, dont_show);
    else if(0==strcmp(argv[2], "valid")) validate_detector(datacfg, cfg, weights, outfile);
    else if(0==strcmp(argv[2], "recall")) validate_detector_recall(datacfg, cfg, weights);
   else if(0==strcmp(argv[2], "map")) validate_detector_map(datacfg, cfg, weights, thresh);
   else if(0==strcmp(argv[2], "calc_anchors")) calc_anchors(datacfg, num_of_clusters, width, height, show);
    else if(0==strcmp(argv[2], "demo")) {
        list *options = read_data_cfg(datacfg);
        int classes = option_find_int(options, "classes", 20);
        char *name_list = option_find_str(options, "names", "data/names.list");
        char **names = get_labels(name_list);
        demo(cfg, weights, thresh, cam_index, filename, names, classes, frame_skip, prefix);
      if(filename)
         if(strlen(filename) > 0)
            if (filename[strlen(filename) - 1] == 0x0d) filename[strlen(filename) - 1] = 0;
        demo(cfg, weights, thresh, hier_thresh, cam_index, filename, names, classes, frame_skip, prefix, out_filename,
         http_stream_port, dont_show, ext_output);

      free_list_contents_kvp(options);
      free_list(options);
    }
   else printf(" There isn't such command: %s", argv[2]);
}