bug

Scheaven

2021-06-17 0126e953b3f293b111179e4777103c64f778870c

 lib/detecter_tools/darknet/classifier.c

@@ -1,1391 +1,1417 @@
#include "network.h"

#include "utils.h"

#include "parser.h"

#include "option_list.h"

#include "blas.h"

#include "assert.h"

#include "classifier.h"

#include "dark_cuda.h"

#ifdef WIN32

#include <time.h>

#include "gettimeofday.h"

#else

#include <sys/time.h>

#endif



float validate_classifier_single(char *datacfg, char *filename, char *weightfile, network *existing_net, int topk_custom);



float *get_regression_values(char **labels, int n)

{

    float* v = (float*)xcalloc(n, sizeof(float));

    int i;

    for(i = 0; i < n; ++i){

        char *p = strchr(labels[i], ' ');

        *p = 0;

        v[i] = atof(p+1);

    }

    return v;

}



void train_classifier(char *datacfg, char *cfgfile, char *weightfile, int *gpus, int ngpus, int clear, int dontuse_opencv, int dont_show, int mjpeg_port, int calc_topk, int show_imgs, char* chart_path)

{

    int i;



    float avg_loss = -1;

    char *base = basecfg(cfgfile);

    printf("%s\n", base);

    printf("%d\n", ngpus);

    network* nets = (network*)xcalloc(ngpus, sizeof(network));



    srand(time(0));

    int seed = rand();

    for(i = 0; i < ngpus; ++i){

        srand(seed);

#ifdef GPU

        cuda_set_device(gpus[i]);

#endif

        nets[i] = parse_network_cfg(cfgfile);

        if(weightfile){

            load_weights(&nets[i], weightfile);

        }

        if (clear) {

            *nets[i].seen = 0;

            *nets[i].cur_iteration = 0;

        }

        nets[i].learning_rate *= ngpus;

    }

    srand(time(0));

    network net = nets[0];



    int imgs = net.batch * net.subdivisions * ngpus;



    printf("Learning Rate: %g, Momentum: %g, Decay: %g\n", net.learning_rate, net.momentum, net.decay);

    list *options = read_data_cfg(datacfg);



    char *backup_directory = option_find_str(options, "backup", "/backup/");

    char *label_list = option_find_str(options, "labels", "data/labels.list");

    char *train_list = option_find_str(options, "train", "data/train.list");

    int classes = option_find_int(options, "classes", 2);

    int topk_data = option_find_int(options, "top", 5);

    char topk_buff[10];

    sprintf(topk_buff, "top%d", topk_data);

    if (classes != net.layers[net.n - 1].inputs) {

        printf("\n Error: num of filters = %d in the last conv-layer in cfg-file doesn't match to classes = %d in data-file \n",

            net.layers[net.n - 1].inputs, classes);

        getchar();

    }



    char **labels = get_labels(label_list);

    list *plist = get_paths(train_list);

    char **paths = (char **)list_to_array(plist);

    printf("%d\n", plist->size);

    int train_images_num = plist->size;

    clock_t time;



    load_args args = {0};

    args.w = net.w;

    args.h = net.h;

    args.c = net.c;

    args.threads = 32;

    args.hierarchy = net.hierarchy;



    args.dontuse_opencv = dontuse_opencv;

    args.min = net.min_crop;

    args.max = net.max_crop;

    args.flip = net.flip;

    args.blur = net.blur;

    args.angle = net.angle;

    args.aspect = net.aspect;

    args.exposure = net.exposure;

    args.saturation = net.saturation;

    args.hue = net.hue;

    args.size = net.w > net.h ? net.w : net.h;



    args.label_smooth_eps = net.label_smooth_eps;

    args.mixup = net.mixup;

    if (dont_show && show_imgs) show_imgs = 2;

    args.show_imgs = show_imgs;



    args.paths = paths;

    args.classes = classes;

    args.n = imgs;

    args.m = train_images_num;

    args.labels = labels;

    args.type = CLASSIFICATION_DATA;



#ifdef OPENCV

    //args.threads = 3;

    mat_cv* img = NULL;

    float max_img_loss = 10;

    int number_of_lines = 100;

    int img_size = 1000;

    char windows_name[100];

    sprintf(windows_name, "chart_%s.png", base);

    if (!dontuse_opencv) img = draw_train_chart(windows_name, max_img_loss, net.max_batches, number_of_lines, img_size, dont_show, chart_path);

#endif  //OPENCV



    data train;

    data buffer;

    pthread_t load_thread;

    args.d = &buffer;

    load_thread = load_data(args);



    int iter_save = get_current_batch(net);

    int iter_save_last = get_current_batch(net);

    int iter_topk = get_current_batch(net);

    float topk = 0;



    int count = 0;

    double start, time_remaining, avg_time = -1, alpha_time = 0.01;

    start = what_time_is_it_now();



    while(get_current_batch(net) < net.max_batches || net.max_batches == 0){

        time=clock();



        pthread_join(load_thread, 0);

        train = buffer;

        load_thread = load_data(args);



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

        time=clock();



        float loss = 0;

#ifdef GPU

        if(ngpus == 1){

            loss = train_network(net, train);

        } else {

            loss = train_networks(nets, ngpus, train, 4);

        }

#else

        loss = train_network(net, train);

#endif

        if(avg_loss == -1 || isnan(avg_loss) || isinf(avg_loss)) avg_loss = loss;

        avg_loss = avg_loss*.9 + loss*.1;



        i = get_current_batch(net);



        int calc_topk_for_each = iter_topk + 2 * train_images_num / (net.batch * net.subdivisions);  // calculate TOPk for each 2 Epochs

        calc_topk_for_each = fmax(calc_topk_for_each, net.burn_in);

        calc_topk_for_each = fmax(calc_topk_for_each, 100);

        if (i % 10 == 0) {

            if (calc_topk) {

                fprintf(stderr, "\n (next TOP%d calculation at %d iterations) ", topk_data, calc_topk_for_each);

                if (topk > 0) fprintf(stderr, " Last accuracy TOP%d = %2.2f %% \n", topk_data, topk * 100);

            }



            if (net.cudnn_half) {

                if (i < net.burn_in * 3) fprintf(stderr, " Tensor Cores are disabled until the first %d iterations are reached.\n", 3 * net.burn_in);

                else fprintf(stderr, " Tensor Cores are used.\n");

            }

        }



        int draw_precision = 0;

        if (calc_topk && (i >= calc_topk_for_each || i == net.max_batches)) {

            iter_topk = i;

            topk = validate_classifier_single(datacfg, cfgfile, weightfile, &net, topk_data); // calc TOP-n

            printf("\n accuracy %s = %f \n", topk_buff, topk);

            draw_precision = 1;

        }



        time_remaining = ((net.max_batches - i) / ngpus) * (what_time_is_it_now() - start) / 60 / 60;

        // set initial value, even if resume training from 10000 iteration

        if (avg_time < 0) avg_time = time_remaining;

        else avg_time = alpha_time * time_remaining + (1 -  alpha_time) * avg_time;

        start = what_time_is_it_now();

        printf("%d, %.3f: %f, %f avg, %f rate, %lf seconds, %ld images, %f hours left\n", get_current_batch(net), (float)(*net.seen)/ train_images_num, loss, avg_loss, get_current_rate(net), sec(clock()-time), *net.seen, avg_time);

#ifdef OPENCV

        if (!dontuse_opencv) draw_train_loss(windows_name, img, img_size, avg_loss, max_img_loss, i, net.max_batches, topk, draw_precision, topk_buff, dont_show, mjpeg_port, avg_time);

#endif  // OPENCV



        if (i >= (iter_save + 1000)) {

            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);

        }



        if (i >= (iter_save_last + 100)) {

            iter_save_last = i;

#ifdef GPU

            if (ngpus != 1) sync_nets(nets, ngpus, 0);

#endif

            char buff[256];

            sprintf(buff, "%s/%s_last.weights", backup_directory, base);

            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

    release_mat(&img);

    destroy_all_windows_cv();

#endif



    pthread_join(load_thread, 0);

    free_data(buffer);



    //free_network(net);

    for (i = 0; i < ngpus; ++i) free_network(nets[i]);

    free(nets);



    //free_ptrs((void**)labels, classes);

    free(labels);

    free_ptrs((void**)paths, plist->size);

    free_list(plist);

    free(nets);

    free(base);



    free_list_contents_kvp(options);

    free_list(options);



}





/*

   void train_classifier(char *datacfg, char *cfgfile, char *weightfile, int clear)

   {

   srand(time(0));

   float avg_loss = -1;

   char *base = basecfg(cfgfile);

   printf("%s\n", base);

   network net = parse_network_cfg(cfgfile);

   if(weightfile){

   load_weights(&net, weightfile);

   }

   if(clear) *net.seen = 0;



   int imgs = net.batch * net.subdivisions;



   printf("Learning Rate: %g, Momentum: %g, Decay: %g\n", net.learning_rate, net.momentum, net.decay);

   list *options = read_data_cfg(datacfg);



   char *backup_directory = option_find_str(options, "backup", "/backup/");

   char *label_list = option_find_str(options, "labels", "data/labels.list");

   char *train_list = option_find_str(options, "train", "data/train.list");

   int classes = option_find_int(options, "classes", 2);



   char **labels = get_labels(label_list);

   list *plist = get_paths(train_list);

   char **paths = (char **)list_to_array(plist);

   printf("%d\n", plist->size);

   int N = plist->size;

   clock_t time;



   load_args args = {0};

   args.w = net.w;

   args.h = net.h;

   args.threads = 8;



   args.min = net.min_crop;

   args.max = net.max_crop;

   args.flip = net.flip;

   args.angle = net.angle;

   args.aspect = net.aspect;

   args.exposure = net.exposure;

   args.saturation = net.saturation;

   args.hue = net.hue;

   args.size = net.w;

   args.hierarchy = net.hierarchy;



   args.paths = paths;

   args.classes = classes;

   args.n = imgs;

   args.m = N;

   args.labels = labels;

   args.type = CLASSIFICATION_DATA;



   data train;

   data buffer;

   pthread_t load_thread;

   args.d = &buffer;

   load_thread = load_data(args);



   int epoch = (*net.seen)/N;

   while(get_current_batch(net) < net.max_batches || net.max_batches == 0){

   time=clock();



   pthread_join(load_thread, 0);

   train = buffer;

   load_thread = load_data(args);



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

   time=clock();



#ifdef OPENCV

if(0){

int u;

for(u = 0; u < imgs; ++u){

    image im = float_to_image(net.w, net.h, 3, train.X.vals[u]);

    show_image(im, "loaded");

    cvWaitKey(0);

}

}

#endif



float loss = train_network(net, train);

free_data(train);



if(avg_loss == -1) avg_loss = loss;

avg_loss = avg_loss*.9 + loss*.1;

printf("%d, %.3f: %f, %f avg, %f rate, %lf seconds, %d images\n", get_current_batch(net), (float)(*net.seen)/N, loss, avg_loss, get_current_rate(net), sec(clock()-time), *net.seen);

if(*net.seen/N > epoch){

    epoch = *net.seen/N;

    char buff[256];

    sprintf(buff, "%s/%s_%d.weights",backup_directory,base, epoch);

    save_weights(net, buff);

}

if(get_current_batch(net)%100 == 0){

    char buff[256];

    sprintf(buff, "%s/%s.backup",backup_directory,base);

    save_weights(net, buff);

}

}

char buff[256];

sprintf(buff, "%s/%s.weights", backup_directory, base);

save_weights(net, buff);



free_network(net);

free_ptrs((void**)labels, classes);

free_ptrs((void**)paths, plist->size);

free_list(plist);

free(base);

}

*/



void validate_classifier_crop(char *datacfg, char *filename, char *weightfile)

{

    int i = 0;

    network net = parse_network_cfg(filename);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    srand(time(0));



    list *options = read_data_cfg(datacfg);



    char *label_list = option_find_str(options, "labels", "data/labels.list");

    char *valid_list = option_find_str(options, "valid", "data/train.list");

    int classes = option_find_int(options, "classes", 2);

    int topk = option_find_int(options, "top", 1);

    if (topk > classes) topk = classes;



    char **labels = get_labels(label_list);

    list *plist = get_paths(valid_list);



    char **paths = (char **)list_to_array(plist);

    int m = plist->size;

    free_list(plist);



    clock_t time;

    float avg_acc = 0;

    float avg_topk = 0;

    int splits = m/1000;

    int num = (i+1)*m/splits - i*m/splits;



    data val, buffer;



    load_args args = {0};

    args.w = net.w;

    args.h = net.h;



    args.paths = paths;

    args.classes = classes;

    args.n = num;

    args.m = 0;

    args.labels = labels;

    args.d = &buffer;

    args.type = OLD_CLASSIFICATION_DATA;



    pthread_t load_thread = load_data_in_thread(args);

    for(i = 1; i <= splits; ++i){

        time=clock();



        pthread_join(load_thread, 0);

        val = buffer;



        num = (i+1)*m/splits - i*m/splits;

        char **part = paths+(i*m/splits);

        if(i != splits){

            args.paths = part;

            load_thread = load_data_in_thread(args);

        }

        printf("Loaded: %d images in %lf seconds\n", val.X.rows, sec(clock()-time));



        time=clock();

        float *acc = network_accuracies(net, val, topk);

        avg_acc += acc[0];

        avg_topk += acc[1];

        printf("%d: top 1: %f, top %d: %f, %lf seconds, %d images\n", i, avg_acc/i, topk, avg_topk/i, sec(clock()-time), val.X.rows);

        free_data(val);

    }

}



void validate_classifier_10(char *datacfg, char *filename, char *weightfile)

{

    int i, j;

    network net = parse_network_cfg(filename);

    set_batch_network(&net, 1);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    srand(time(0));



    list *options = read_data_cfg(datacfg);



    char *label_list = option_find_str(options, "labels", "data/labels.list");

    char *valid_list = option_find_str(options, "valid", "data/train.list");

    int classes = option_find_int(options, "classes", 2);

    int topk = option_find_int(options, "top", 1);

    if (topk > classes) topk = classes;



    char **labels = get_labels(label_list);

    list *plist = get_paths(valid_list);



    char **paths = (char **)list_to_array(plist);

    int m = plist->size;

    free_list(plist);



    float avg_acc = 0;

    float avg_topk = 0;

    int* indexes = (int*)xcalloc(topk, sizeof(int));



    for(i = 0; i < m; ++i){

        int class_id = -1;

        char *path = paths[i];

        for(j = 0; j < classes; ++j){

            if(strstr(path, labels[j])){

                class_id = j;

                break;

            }

        }

        int w = net.w;

        int h = net.h;

        int shift = 32;

        image im = load_image_color(paths[i], w+shift, h+shift);

        image images[10];

        images[0] = crop_image(im, -shift, -shift, w, h);

        images[1] = crop_image(im, shift, -shift, w, h);

        images[2] = crop_image(im, 0, 0, w, h);

        images[3] = crop_image(im, -shift, shift, w, h);

        images[4] = crop_image(im, shift, shift, w, h);

        flip_image(im);

        images[5] = crop_image(im, -shift, -shift, w, h);

        images[6] = crop_image(im, shift, -shift, w, h);

        images[7] = crop_image(im, 0, 0, w, h);

        images[8] = crop_image(im, -shift, shift, w, h);

        images[9] = crop_image(im, shift, shift, w, h);

        float* pred = (float*)xcalloc(classes, sizeof(float));

        for(j = 0; j < 10; ++j){

            float *p = network_predict(net, images[j].data);

            if(net.hierarchy) hierarchy_predictions(p, net.outputs, net.hierarchy, 1);

            axpy_cpu(classes, 1, p, 1, pred, 1);

            free_image(images[j]);

        }

        free_image(im);

        top_k(pred, classes, topk, indexes);

        free(pred);

        if(indexes[0] == class_id) avg_acc += 1;

        for(j = 0; j < topk; ++j){

            if(indexes[j] == class_id) avg_topk += 1;

        }



        printf("%d: top 1: %f, top %d: %f\n", i, avg_acc/(i+1), topk, avg_topk/(i+1));

    }

    free(indexes);

}



void validate_classifier_full(char *datacfg, char *filename, char *weightfile)

{

    int i, j;

    network net = parse_network_cfg(filename);

    set_batch_network(&net, 1);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    srand(time(0));



    list *options = read_data_cfg(datacfg);



    char *label_list = option_find_str(options, "labels", "data/labels.list");

    char *valid_list = option_find_str(options, "valid", "data/train.list");

    int classes = option_find_int(options, "classes", 2);

    int topk = option_find_int(options, "top", 1);

    if (topk > classes) topk = classes;



    char **labels = get_labels(label_list);

    list *plist = get_paths(valid_list);



    char **paths = (char **)list_to_array(plist);

    int m = plist->size;

    free_list(plist);



    float avg_acc = 0;

    float avg_topk = 0;

    int* indexes = (int*)xcalloc(topk, sizeof(int));



    int size = net.w;

    for(i = 0; i < m; ++i){

        int class_id = -1;

        char *path = paths[i];

        for(j = 0; j < classes; ++j){

            if(strstr(path, labels[j])){

                class_id = j;

                break;

            }

        }

        image im = load_image_color(paths[i], 0, 0);

        image resized = resize_min(im, size);

        resize_network(&net, resized.w, resized.h);

        //show_image(im, "orig");

        //show_image(crop, "cropped");

        //cvWaitKey(0);

        float *pred = network_predict(net, resized.data);

        if(net.hierarchy) hierarchy_predictions(pred, net.outputs, net.hierarchy, 1);



        free_image(im);

        free_image(resized);

        top_k(pred, classes, topk, indexes);



        if(indexes[0] == class_id) avg_acc += 1;

        for(j = 0; j < topk; ++j){

            if(indexes[j] == class_id) avg_topk += 1;

        }



        printf("%d: top 1: %f, top %d: %f\n", i, avg_acc/(i+1), topk, avg_topk/(i+1));

    }

    free(indexes);

}





float validate_classifier_single(char *datacfg, char *filename, char *weightfile, network *existing_net, int topk_custom)

{

    int i, j;

    network net;

    int old_batch = -1;

    if (existing_net) {

        net = *existing_net;    // for validation during training

        old_batch = net.batch;

        set_batch_network(&net, 1);

    }

    else {

        net = parse_network_cfg_custom(filename, 1, 0);

        if (weightfile) {

            load_weights(&net, weightfile);

        }

        //set_batch_network(&net, 1);

        fuse_conv_batchnorm(net);

        calculate_binary_weights(net);

    }

    srand(time(0));



    list *options = read_data_cfg(datacfg);



    char *label_list = option_find_str(options, "labels", "data/labels.list");

    char *leaf_list = option_find_str(options, "leaves", 0);

    if(leaf_list) change_leaves(net.hierarchy, leaf_list);

    char *valid_list = option_find_str(options, "valid", "data/train.list");

    int classes = option_find_int(options, "classes", 2);

    int topk = option_find_int(options, "top", 1);

    if (topk_custom > 0) topk = topk_custom;    // for validation during training

    if (topk > classes) topk = classes;

    printf(" TOP calculation...\n");



    char **labels = get_labels(label_list);

    list *plist = get_paths(valid_list);



    char **paths = (char **)list_to_array(plist);

    int m = plist->size;

    free_list(plist);



    float avg_acc = 0;

    float avg_topk = 0;

    int* indexes = (int*)xcalloc(topk, sizeof(int));



    for(i = 0; i < m; ++i){

        int class_id = -1;

        char *path = paths[i];

        for(j = 0; j < classes; ++j){

            if(strstr(path, labels[j])){

                class_id = j;

                break;

            }

        }

        image im = load_image_color(paths[i], 0, 0);

        image resized = resize_min(im, net.w);

        image crop = crop_image(resized, (resized.w - net.w)/2, (resized.h - net.h)/2, net.w, net.h);

        //show_image(im, "orig");

        //show_image(crop, "cropped");

        //cvWaitKey(0);

        float *pred = network_predict(net, crop.data);

        if(net.hierarchy) hierarchy_predictions(pred, net.outputs, net.hierarchy, 1);



        if(resized.data != im.data) free_image(resized);

        free_image(im);

        free_image(crop);

        top_k(pred, classes, topk, indexes);



        if(indexes[0] == class_id) avg_acc += 1;

        for(j = 0; j < topk; ++j){

            if(indexes[j] == class_id) avg_topk += 1;

        }



        if (existing_net) printf("\r");

        else printf("\n");

        printf("%d: top 1: %f, top %d: %f", i, avg_acc/(i+1), topk, avg_topk/(i+1));

    }

    free(indexes);

    if (existing_net) {

        set_batch_network(&net, old_batch);

    }

    float topk_result = avg_topk / i;

    return topk_result;

}



void validate_classifier_multi(char *datacfg, char *filename, char *weightfile)

{

    int i, j;

    network net = parse_network_cfg(filename);

    set_batch_network(&net, 1);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    srand(time(0));



    list *options = read_data_cfg(datacfg);



    char *label_list = option_find_str(options, "labels", "data/labels.list");

    char *valid_list = option_find_str(options, "valid", "data/train.list");

    int classes = option_find_int(options, "classes", 2);

    int topk = option_find_int(options, "top", 1);

    if (topk > classes) topk = classes;



    char **labels = get_labels(label_list);

    list *plist = get_paths(valid_list);

    int scales[] = {224, 288, 320, 352, 384};

    int nscales = sizeof(scales)/sizeof(scales[0]);



    char **paths = (char **)list_to_array(plist);

    int m = plist->size;

    free_list(plist);



    float avg_acc = 0;

    float avg_topk = 0;

    int* indexes = (int*)xcalloc(topk, sizeof(int));



    for(i = 0; i < m; ++i){

        int class_id = -1;

        char *path = paths[i];

        for(j = 0; j < classes; ++j){

            if(strstr(path, labels[j])){

                class_id = j;

                break;

            }

        }

        float* pred = (float*)xcalloc(classes, sizeof(float));

        image im = load_image_color(paths[i], 0, 0);

        for(j = 0; j < nscales; ++j){

            image r = resize_min(im, scales[j]);

            resize_network(&net, r.w, r.h);

            float *p = network_predict(net, r.data);

            if(net.hierarchy) hierarchy_predictions(p, net.outputs, net.hierarchy, 1);

            axpy_cpu(classes, 1, p, 1, pred, 1);

            flip_image(r);

            p = network_predict(net, r.data);

            axpy_cpu(classes, 1, p, 1, pred, 1);

            if(r.data != im.data) free_image(r);

        }

        free_image(im);

        top_k(pred, classes, topk, indexes);

        free(pred);

        if(indexes[0] == class_id) avg_acc += 1;

        for(j = 0; j < topk; ++j){

            if(indexes[j] == class_id) avg_topk += 1;

        }



        printf("%d: top 1: %f, top %d: %f\n", i, avg_acc/(i+1), topk, avg_topk/(i+1));

    }

    free(indexes);

}



void try_classifier(char *datacfg, char *cfgfile, char *weightfile, char *filename, int layer_num)

{

    network net = parse_network_cfg_custom(cfgfile, 1, 0);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    set_batch_network(&net, 1);

    srand(2222222);



    list *options = read_data_cfg(datacfg);



    char *name_list = option_find_str(options, "names", 0);

    if(!name_list) name_list = option_find_str(options, "labels", "data/labels.list");

    int classes = option_find_int(options, "classes", 2);

    int top = option_find_int(options, "top", 1);

    if (top > classes) top = classes;



    char **names = get_labels(name_list);

    clock_t time;

    int* indexes = (int*)xcalloc(top, sizeof(int));

    char buff[256];

    char *input = buff;

    while(1){

        if(filename){

            strncpy(input, filename, 256);

        }else{

            printf("Enter Image Path: ");

            fflush(stdout);

            input = fgets(input, 256, stdin);

            if(!input) break;

            strtok(input, "\n");

        }

        image orig = load_image_color(input, 0, 0);

        image r = resize_min(orig, 256);

        image im = crop_image(r, (r.w - 224 - 1)/2 + 1, (r.h - 224 - 1)/2 + 1, 224, 224);

        float mean[] = {0.48263312050943, 0.45230225481413, 0.40099074308742};

        float std[] = {0.22590347483426, 0.22120921437787, 0.22103996251583};

        float var[3];

        var[0] = std[0]*std[0];

        var[1] = std[1]*std[1];

        var[2] = std[2]*std[2];



        normalize_cpu(im.data, mean, var, 1, 3, im.w*im.h);



        float *X = im.data;

        time=clock();

        float *predictions = network_predict(net, X);



        layer l = net.layers[layer_num];

        int i;

        for(i = 0; i < l.c; ++i){

            if(l.rolling_mean) printf("%f %f %f\n", l.rolling_mean[i], l.rolling_variance[i], l.scales[i]);

        }

#ifdef GPU

        cuda_pull_array(l.output_gpu, l.output, l.outputs);

#endif

        for(i = 0; i < l.outputs; ++i){

            printf("%f\n", l.output[i]);

        }

        /*



           printf("\n\nWeights\n");

           for(i = 0; i < l.n*l.size*l.size*l.c; ++i){

           printf("%f\n", l.filters[i]);

           }



           printf("\n\nBiases\n");

           for(i = 0; i < l.n; ++i){

           printf("%f\n", l.biases[i]);

           }

         */



        top_predictions(net, top, indexes);

        printf("%s: Predicted in %f seconds.\n", input, sec(clock()-time));

        for(i = 0; i < top; ++i){

            int index = indexes[i];

            printf("%s: %f\n", names[index], predictions[index]);

        }

        free_image(im);

        if (filename) break;

    }

    free(indexes);

}



void predict_classifier(char *datacfg, char *cfgfile, char *weightfile, char *filename, int top)

{

    network net = parse_network_cfg_custom(cfgfile, 1, 0);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    set_batch_network(&net, 1);

    srand(2222222);



    fuse_conv_batchnorm(net);

    calculate_binary_weights(net);



    list *options = read_data_cfg(datacfg);



    char *name_list = option_find_str(options, "names", 0);

    if(!name_list) name_list = option_find_str(options, "labels", "data/labels.list");

    int classes = option_find_int(options, "classes", 2);

    printf(" classes = %d, output in cfg = %d \n", classes, net.layers[net.n - 1].c);

    if (classes != net.layers[net.n - 1].inputs) {

        printf("\n Error: num of filters = %d in the last conv-layer in cfg-file doesn't match to classes = %d in data-file \n",

            net.layers[net.n - 1].inputs, classes);

        getchar();

    }

    if (top == 0) top = option_find_int(options, "top", 1);

    if (top > classes) top = classes;



    int i = 0;

    char **names = get_labels(name_list);

    clock_t time;

    int* indexes = (int*)xcalloc(top, sizeof(int));

    char buff[256];

    char *input = buff;

    //int size = net.w;

    while(1){

        if(filename){

            strncpy(input, filename, 256);

        }else{

            printf("Enter Image Path: ");

            fflush(stdout);

            input = fgets(input, 256, stdin);

            if(!input) break;

            strtok(input, "\n");

        }

        image im = load_image_color(input, 0, 0);

        image resized = resize_min(im, net.w);

        image r = crop_image(resized, (resized.w - net.w)/2, (resized.h - net.h)/2, net.w, net.h);

        //image r = resize_min(im, size);

        //resize_network(&net, r.w, r.h);

        printf("%d %d\n", r.w, r.h);



        float *X = r.data;



        double time = get_time_point();

        float *predictions = network_predict(net, X);

        printf("%s: Predicted in %lf milli-seconds.\n", input, ((double)get_time_point() - time) / 1000);



        if(net.hierarchy) hierarchy_predictions(predictions, net.outputs, net.hierarchy, 0);

        top_k(predictions, net.outputs, top, indexes);



        for(i = 0; i < top; ++i){

            int index = indexes[i];

            if(net.hierarchy) printf("%d, %s: %f, parent: %s \n",index, names[index], predictions[index], (net.hierarchy->parent[index] >= 0) ? names[net.hierarchy->parent[index]] : "Root");

            else printf("%s: %f\n",names[index], predictions[index]);

        }

        if(r.data != im.data) free_image(r);

        free_image(im);

        free_image(resized);

        if (filename) break;

    }

    free(indexes);

    free_network(net);

    free_list_contents_kvp(options);

    free_list(options);

}





void label_classifier(char *datacfg, char *filename, char *weightfile)

{

    int i;

    network net = parse_network_cfg(filename);

    set_batch_network(&net, 1);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    srand(time(0));



    list *options = read_data_cfg(datacfg);



    char *label_list = option_find_str(options, "names", "data/labels.list");

    char *test_list = option_find_str(options, "test", "data/train.list");

    int classes = option_find_int(options, "classes", 2);



    char **labels = get_labels(label_list);

    list *plist = get_paths(test_list);



    char **paths = (char **)list_to_array(plist);

    int m = plist->size;

    free_list(plist);



    for(i = 0; i < m; ++i){

        image im = load_image_color(paths[i], 0, 0);

        image resized = resize_min(im, net.w);

        image crop = crop_image(resized, (resized.w - net.w)/2, (resized.h - net.h)/2, net.w, net.h);

        float *pred = network_predict(net, crop.data);



        if(resized.data != im.data) free_image(resized);

        free_image(im);

        free_image(crop);

        int ind = max_index(pred, classes);



        printf("%s\n", labels[ind]);

    }

}





void test_classifier(char *datacfg, char *cfgfile, char *weightfile, int target_layer)

{

    int curr = 0;

    network net = parse_network_cfg(cfgfile);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    srand(time(0));

    fuse_conv_batchnorm(net);

    calculate_binary_weights(net);



    list *options = read_data_cfg(datacfg);



    char *test_list = option_find_str(options, "test", "data/test.list");

    int classes = option_find_int(options, "classes", 2);



    list *plist = get_paths(test_list);



    char **paths = (char **)list_to_array(plist);

    int m = plist->size;

    free_list(plist);



    clock_t time;



    data val, buffer;



    load_args args = {0};

    args.w = net.w;

    args.h = net.h;

    args.paths = paths;

    args.classes = classes;

    args.n = net.batch;

    args.m = 0;

    args.labels = 0;

    args.d = &buffer;

    args.type = OLD_CLASSIFICATION_DATA;



    pthread_t load_thread = load_data_in_thread(args);

    for(curr = net.batch; curr < m; curr += net.batch){

        time=clock();



        pthread_join(load_thread, 0);

        val = buffer;



        if(curr < m){

            args.paths = paths + curr;

            if (curr + net.batch > m) args.n = m - curr;

            load_thread = load_data_in_thread(args);

        }

        fprintf(stderr, "Loaded: %d images in %lf seconds\n", val.X.rows, sec(clock()-time));



        time=clock();

        matrix pred = network_predict_data(net, val);



        int i, j;

        if (target_layer >= 0){

            //layer l = net.layers[target_layer];

        }



        for(i = 0; i < pred.rows; ++i){

            printf("%s", paths[curr-net.batch+i]);

            for(j = 0; j < pred.cols; ++j){

                printf("\t%g", pred.vals[i][j]);

            }

            printf("\n");

        }



        free_matrix(pred);



        fprintf(stderr, "%lf seconds, %d images, %d total\n", sec(clock()-time), val.X.rows, curr);

        free_data(val);

    }

}





void threat_classifier(char *datacfg, char *cfgfile, char *weightfile, int cam_index, const char *filename)

{

#ifdef OPENCV

    float threat = 0;

    float roll = .2;



    printf("Classifier Demo\n");

    network net = parse_network_cfg(cfgfile);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    set_batch_network(&net, 1);

    list *options = read_data_cfg(datacfg);



    srand(2222222);

    cap_cv * cap;



    if (filename) {

        //cap = cvCaptureFromFile(filename);

        cap = get_capture_video_stream(filename);

    }

    else {

        //cap = cvCaptureFromCAM(cam_index);

        cap = get_capture_webcam(cam_index);

    }



    int classes = option_find_int(options, "classes", 2);

    int top = option_find_int(options, "top", 1);

    if (top > classes) top = classes;



    char *name_list = option_find_str(options, "names", 0);

    char **names = get_labels(name_list);



    int* indexes = (int*)xcalloc(top, sizeof(int));



    if(!cap) error("Couldn't connect to webcam.\n");

    create_window_cv("Threat", 0, 512, 512);

    float fps = 0;

    int i;



    int count = 0;



    while(1){

        ++count;

        struct timeval tval_before, tval_after, tval_result;

        gettimeofday(&tval_before, NULL);



        //image in = get_image_from_stream(cap);

        image in = get_image_from_stream_cpp(cap);

        if(!in.data) break;

        image in_s = resize_image(in, net.w, net.h);



        image out = in;

        int x1 = out.w / 20;

        int y1 = out.h / 20;

        int x2 = 2*x1;

        int y2 = out.h - out.h/20;



        int border = .01*out.h;

        int h = y2 - y1 - 2*border;

        int w = x2 - x1 - 2*border;



        float *predictions = network_predict(net, in_s.data);

        float curr_threat = 0;

        if(1){

            curr_threat = predictions[0] * 0 +

                predictions[1] * .6 +

                predictions[2];

        } else {

            curr_threat = predictions[218] +

                predictions[539] +

                predictions[540] +

                predictions[368] +

                predictions[369] +

                predictions[370];

        }

        threat = roll * curr_threat + (1-roll) * threat;



        draw_box_width(out, x2 + border, y1 + .02*h, x2 + .5 * w, y1 + .02*h + border, border, 0,0,0);

        if(threat > .97) {

            draw_box_width(out,  x2 + .5 * w + border,

                    y1 + .02*h - 2*border,

                    x2 + .5 * w + 6*border,

                    y1 + .02*h + 3*border, 3*border, 1,0,0);

        }

        draw_box_width(out,  x2 + .5 * w + border,

                y1 + .02*h - 2*border,

                x2 + .5 * w + 6*border,

                y1 + .02*h + 3*border, .5*border, 0,0,0);

        draw_box_width(out, x2 + border, y1 + .42*h, x2 + .5 * w, y1 + .42*h + border, border, 0,0,0);

        if(threat > .57) {

            draw_box_width(out,  x2 + .5 * w + border,

                    y1 + .42*h - 2*border,

                    x2 + .5 * w + 6*border,

                    y1 + .42*h + 3*border, 3*border, 1,1,0);

        }

        draw_box_width(out,  x2 + .5 * w + border,

                y1 + .42*h - 2*border,

                x2 + .5 * w + 6*border,

                y1 + .42*h + 3*border, .5*border, 0,0,0);



        draw_box_width(out, x1, y1, x2, y2, border, 0,0,0);

        for(i = 0; i < threat * h ; ++i){

            float ratio = (float) i / h;

            float r = (ratio < .5) ? (2*(ratio)) : 1;

            float g = (ratio < .5) ? 1 : 1 - 2*(ratio - .5);

            draw_box_width(out, x1 + border, y2 - border - i, x2 - border, y2 - border - i, 1, r, g, 0);

        }

        top_predictions(net, top, indexes);

        char buff[256];

        sprintf(buff, "tmp/threat_%06d", count);

        //save_image(out, buff);



#ifndef _WIN32

        printf("\033[2J");

        printf("\033[1;1H");

#endif

        printf("\nFPS:%.0f\n",fps);



        for(i = 0; i < top; ++i){

            int index = indexes[i];

            printf("%.1f%%: %s\n", predictions[index]*100, names[index]);

        }



        if(1){

            show_image(out, "Threat");

            wait_key_cv(10);

        }

        free_image(in_s);

        free_image(in);



        gettimeofday(&tval_after, NULL);

        timersub(&tval_after, &tval_before, &tval_result);

        float curr = 1000000.f/((long int)tval_result.tv_usec);

        fps = .9*fps + .1*curr;

    }

#endif

}





void gun_classifier(char *datacfg, char *cfgfile, char *weightfile, int cam_index, const char *filename)

{

#ifdef OPENCV_DISABLE

    int bad_cats[] = {218, 539, 540, 1213, 1501, 1742, 1911, 2415, 4348, 19223, 368, 369, 370, 1133, 1200, 1306, 2122, 2301, 2537, 2823, 3179, 3596, 3639, 4489, 5107, 5140, 5289, 6240, 6631, 6762, 7048, 7171, 7969, 7984, 7989, 8824, 8927, 9915, 10270, 10448, 13401, 15205, 18358, 18894, 18895, 19249, 19697};



    printf("Classifier Demo\n");

    network net = parse_network_cfg(cfgfile);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    set_batch_network(&net, 1);

    list *options = read_data_cfg(datacfg);



    srand(2222222);

    CvCapture * cap;



    if (filename) {

        //cap = cvCaptureFromFile(filename);

        cap = get_capture_video_stream(filename);

    }

    else {

        //cap = cvCaptureFromCAM(cam_index);

        cap = get_capture_webcam(cam_index);

    }



    int classes = option_find_int(options, "classes", 2);

    int top = option_find_int(options, "top", 1);

    if (top > classes) top = classes;



    char *name_list = option_find_str(options, "names", 0);

    char **names = get_labels(name_list);



    int* indexes = (int*)xcalloc(top, sizeof(int));



    if(!cap) error("Couldn't connect to webcam.\n");

    cvNamedWindow("Threat Detection", CV_WINDOW_NORMAL);

    cvResizeWindow("Threat Detection", 512, 512);

    float fps = 0;

    int i;



    while(1){

        struct timeval tval_before, tval_after, tval_result;

        gettimeofday(&tval_before, NULL);



        //image in = get_image_from_stream(cap);

        image in = get_image_from_stream_cpp(cap);

        image in_s = resize_image(in, net.w, net.h);

        show_image(in, "Threat Detection");



        float *predictions = network_predict(net, in_s.data);

        top_predictions(net, top, indexes);



        printf("\033[2J");

        printf("\033[1;1H");



        int threat = 0;

        for(i = 0; i < sizeof(bad_cats)/sizeof(bad_cats[0]); ++i){

            int index = bad_cats[i];

            if(predictions[index] > .01){

                printf("Threat Detected!\n");

                threat = 1;

                break;

            }

        }

        if(!threat) printf("Scanning...\n");

        for(i = 0; i < sizeof(bad_cats)/sizeof(bad_cats[0]); ++i){

            int index = bad_cats[i];

            if(predictions[index] > .01){

                printf("%s\n", names[index]);

            }

        }



        free_image(in_s);

        free_image(in);



        cvWaitKey(10);



        gettimeofday(&tval_after, NULL);

        timersub(&tval_after, &tval_before, &tval_result);

        float curr = 1000000.f/((long int)tval_result.tv_usec);

        fps = .9*fps + .1*curr;

    }

#endif

}



void demo_classifier(char *datacfg, char *cfgfile, char *weightfile, int cam_index, const char *filename, int benchmark, int benchmark_layers)

{

#ifdef OPENCV

    printf("Classifier Demo\n");

    network net = parse_network_cfg_custom(cfgfile, 1, 0);

    if(weightfile){

        load_weights(&net, weightfile);

    }

    net.benchmark_layers = benchmark_layers;

    set_batch_network(&net, 1);

    list *options = read_data_cfg(datacfg);



    fuse_conv_batchnorm(net);

    calculate_binary_weights(net);



    srand(2222222);

    cap_cv * cap;



    if(filename){

        cap = get_capture_video_stream(filename);

    }else{

        cap = get_capture_webcam(cam_index);

    }



    int classes = option_find_int(options, "classes", 2);

    int top = option_find_int(options, "top", 1);

    if (top > classes) top = classes;



    char *name_list = option_find_str(options, "names", 0);

    char **names = get_labels(name_list);



    int* indexes = (int*)xcalloc(top, sizeof(int));



    if(!cap) error("Couldn't connect to webcam.\n");

    if (!benchmark) create_window_cv("Classifier", 0, 512, 512);

    float fps = 0;

    int i;



    double start_time = get_time_point();

    float avg_fps = 0;

    int frame_counter = 0;



    while(1){

        struct timeval tval_before, tval_after, tval_result;

        gettimeofday(&tval_before, NULL);



        //image in = get_image_from_stream(cap);

        image in_s, in;

        if (!benchmark) {

            in = get_image_from_stream_cpp(cap);

            in_s = resize_image(in, net.w, net.h);

            show_image(in, "Classifier");

        }

        else {

            static image tmp;

            if (!tmp.data) tmp = make_image(net.w, net.h, 3);

            in_s = tmp;

        }



        double time = get_time_point();

        float *predictions = network_predict(net, in_s.data);

        double frame_time_ms = (get_time_point() - time)/1000;

        frame_counter++;



        if(net.hierarchy) hierarchy_predictions(predictions, net.outputs, net.hierarchy, 1);

        top_predictions(net, top, indexes);



#ifndef _WIN32

        printf("\033[2J");

        printf("\033[1;1H");

#endif





        if (!benchmark) {

            printf("\rFPS: %.2f  (use -benchmark command line flag for correct measurement)\n", fps);

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

                int index = indexes[i];

                printf("%.1f%%: %s\n", predictions[index] * 100, names[index]);

            }

            printf("\n");



            free_image(in_s);

            free_image(in);



            int c = wait_key_cv(10);// cvWaitKey(10);

            if (c == 27 || c == 1048603) break;

        }

        else {

            printf("\rFPS: %.2f \t AVG_FPS = %.2f ", fps, avg_fps);

        }



        //gettimeofday(&tval_after, NULL);

        //timersub(&tval_after, &tval_before, &tval_result);

        //float curr = 1000000.f/((long int)tval_result.tv_usec);

        float curr = 1000.f / frame_time_ms;

        if (fps == 0) fps = curr;

        else fps = .9*fps + .1*curr;



        float spent_time = (get_time_point() - start_time) / 1000000;

        if (spent_time >= 3.0f) {

            //printf(" spent_time = %f \n", spent_time);

            avg_fps = frame_counter / spent_time;

            frame_counter = 0;

            start_time = get_time_point();

        }

    }

#endif

}





void run_classifier(int argc, char **argv)

{

    if(argc < 4){

        fprintf(stderr, "usage: %s %s [train/test/valid] [cfg] [weights (optional)]\n", argv[0], argv[1]);

        return;

    }



    int mjpeg_port = find_int_arg(argc, argv, "-mjpeg_port", -1);

    char *gpu_list = find_char_arg(argc, argv, "-gpus", 0);

    int *gpus = 0;

    int gpu = 0;

    int ngpus = 0;

    if(gpu_list){

        printf("%s\n", gpu_list);

        int len = strlen(gpu_list);

        ngpus = 1;

        int i;

        for(i = 0; i < len; ++i){

            if (gpu_list[i] == ',') ++ngpus;

        }

        gpus = (int*)xcalloc(ngpus, sizeof(int));

        for(i = 0; i < ngpus; ++i){

            gpus[i] = atoi(gpu_list);

            gpu_list = strchr(gpu_list, ',')+1;

        }

    } else {

        gpu = gpu_index;

        gpus = &gpu;

        ngpus = 1;

    }



    int dont_show = find_arg(argc, argv, "-dont_show");

    int benchmark = find_arg(argc, argv, "-benchmark");

    int benchmark_layers = find_arg(argc, argv, "-benchmark_layers");

    if (benchmark_layers) benchmark = 1;

    int dontuse_opencv = find_arg(argc, argv, "-dontuse_opencv");

    int show_imgs = find_arg(argc, argv, "-show_imgs");

    int calc_topk = find_arg(argc, argv, "-topk");

    int cam_index = find_int_arg(argc, argv, "-c", 0);

    int top = find_int_arg(argc, argv, "-t", 0);

    int clear = find_arg(argc, argv, "-clear");

    char *data = argv[3];

    char *cfg = argv[4];

    char *weights = (argc > 5) ? argv[5] : 0;

    char *filename = (argc > 6) ? argv[6]: 0;

    char *layer_s = (argc > 7) ? argv[7]: 0;

    int layer = layer_s ? atoi(layer_s) : -1;

    char* chart_path = find_char_arg(argc, argv, "-chart", 0);

    if(0==strcmp(argv[2], "predict")) predict_classifier(data, cfg, weights, filename, top);

    else if(0==strcmp(argv[2], "try")) try_classifier(data, cfg, weights, filename, atoi(layer_s));

    else if(0==strcmp(argv[2], "train")) train_classifier(data, cfg, weights, gpus, ngpus, clear, dontuse_opencv, dont_show, mjpeg_port, calc_topk, show_imgs, chart_path);

    else if(0==strcmp(argv[2], "demo")) demo_classifier(data, cfg, weights, cam_index, filename, benchmark, benchmark_layers);

    else if(0==strcmp(argv[2], "gun")) gun_classifier(data, cfg, weights, cam_index, filename);

    else if(0==strcmp(argv[2], "threat")) threat_classifier(data, cfg, weights, cam_index, filename);

    else if(0==strcmp(argv[2], "test")) test_classifier(data, cfg, weights, layer);

    else if(0==strcmp(argv[2], "label")) label_classifier(data, cfg, weights);

    else if(0==strcmp(argv[2], "valid")) validate_classifier_single(data, cfg, weights, NULL, -1);

    else if(0==strcmp(argv[2], "validmulti")) validate_classifier_multi(data, cfg, weights);

    else if(0==strcmp(argv[2], "valid10")) validate_classifier_10(data, cfg, weights);

    else if(0==strcmp(argv[2], "validcrop")) validate_classifier_crop(data, cfg, weights);

    else if(0==strcmp(argv[2], "validfull")) validate_classifier_full(data, cfg, weights);



    if (gpus && gpu_list && ngpus > 1) free(gpus);

}

#include "network.h"
#include "utils.h"
#include "parser.h"
#include "option_list.h"
#include "blas.h"
#include "assert.h"
#include "classifier.h"
#include "dark_cuda.h"
#ifdef WIN32
#include <time.h>
#include "gettimeofday.h"
#else
#include <sys/time.h>
#endif

float validate_classifier_single(char *datacfg, char *filename, char *weightfile, network *existing_net, int topk_custom);

float *get_regression_values(char **labels, int n)
{
    float* v = (float*)xcalloc(n, sizeof(float));
    int i;
    for(i = 0; i < n; ++i){
        char *p = strchr(labels[i], ' ');
        *p = 0;
        v[i] = atof(p+1);
    }
    return v;
}

void train_classifier(char *datacfg, char *cfgfile, char *weightfile, int *gpus, int ngpus, int clear, int dontuse_opencv, int dont_show, int mjpeg_port, int calc_topk, int show_imgs, char* chart_path)
{
    int i;

    float avg_loss = -1;
    float avg_contrastive_acc = 0;
    char *base = basecfg(cfgfile);
    printf("%s\n", base);
    printf("%d\n", ngpus);
    network* nets = (network*)xcalloc(ngpus, sizeof(network));

    srand(time(0));
    int seed = rand();
    for(i = 0; i < ngpus; ++i){
        srand(seed);
#ifdef GPU
        cuda_set_device(gpus[i]);
#endif
        nets[i] = parse_network_cfg(cfgfile);
        if(weightfile){
            load_weights(&nets[i], weightfile);
        }
        if (clear) {
            *nets[i].seen = 0;
            *nets[i].cur_iteration = 0;
        }
        nets[i].learning_rate *= ngpus;
    }
    srand(time(0));
    network net = nets[0];

    int imgs = net.batch * net.subdivisions * ngpus;

    printf("Learning Rate: %g, Momentum: %g, Decay: %g\n", net.learning_rate, net.momentum, net.decay);
    list *options = read_data_cfg(datacfg);

    char *backup_directory = option_find_str(options, "backup", "/backup/");
    char *label_list = option_find_str(options, "labels", "data/labels.list");
    char *train_list = option_find_str(options, "train", "data/train.list");
    int classes = option_find_int(options, "classes", 2);
    int topk_data = option_find_int(options, "top", 5);
    char topk_buff[10];
    sprintf(topk_buff, "top%d", topk_data);
    layer l = net.layers[net.n - 1];
    if (classes != l.outputs && (l.type == SOFTMAX || l.type == COST)) {
        printf("\n Error: num of filters = %d in the last conv-layer in cfg-file doesn't match to classes = %d in data-file \n",
            l.outputs, classes);
        getchar();
    }

    char **labels = get_labels(label_list);
    if (net.unsupervised) {
        free(labels);
        labels = NULL;
    }
    list *plist = get_paths(train_list);
    char **paths = (char **)list_to_array(plist);
    printf("%d\n", plist->size);
    int train_images_num = plist->size;
    clock_t time;

    load_args args = {0};
    args.w = net.w;
    args.h = net.h;
    args.c = net.c;
    args.threads = 32;
    if (net.contrastive && args.threads > net.batch/2) args.threads = net.batch / 2;
    args.hierarchy = net.hierarchy;

    args.contrastive = net.contrastive;
    args.dontuse_opencv = dontuse_opencv;
    args.min = net.min_crop;
    args.max = net.max_crop;
    args.flip = net.flip;
    args.blur = net.blur;
    args.angle = net.angle;
    args.aspect = net.aspect;
    args.exposure = net.exposure;
    args.saturation = net.saturation;
    args.hue = net.hue;
    args.size = net.w > net.h ? net.w : net.h;

    args.label_smooth_eps = net.label_smooth_eps;
    args.mixup = net.mixup;
    if (dont_show && show_imgs) show_imgs = 2;
    args.show_imgs = show_imgs;

    args.paths = paths;
    args.classes = classes;
    args.n = imgs;
    args.m = train_images_num;
    args.labels = labels;
    args.type = CLASSIFICATION_DATA;

#ifdef OPENCV
    //args.threads = 3;
    mat_cv* img = NULL;
    float max_img_loss = net.max_chart_loss;
    int number_of_lines = 100;
    int img_size = 1000;
    char windows_name[100];
    sprintf(windows_name, "chart_%s.png", base);
    if (!dontuse_opencv) img = draw_train_chart(windows_name, max_img_loss, net.max_batches, number_of_lines, img_size, dont_show, chart_path);
#endif  //OPENCV

    data train;
    data buffer;
    pthread_t load_thread;
    args.d = &buffer;
    load_thread = load_data(args);

    int iter_save = get_current_batch(net);
    int iter_save_last = get_current_batch(net);
    int iter_topk = get_current_batch(net);
    float topk = 0;

    int count = 0;
    double start, time_remaining, avg_time = -1, alpha_time = 0.01;
    start = what_time_is_it_now();

    while(get_current_batch(net) < net.max_batches || net.max_batches == 0){
        time=clock();

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

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

        float loss = 0;
#ifdef GPU
        if(ngpus == 1){
            loss = train_network(net, train);
        } else {
            loss = train_networks(nets, ngpus, train, 4);
        }
#else
        loss = train_network(net, train);
#endif
        if(avg_loss == -1 || isnan(avg_loss) || isinf(avg_loss)) avg_loss = loss;
        avg_loss = avg_loss*.9 + loss*.1;

        i = get_current_batch(net);

        int calc_topk_for_each = iter_topk + 2 * train_images_num / (net.batch * net.subdivisions);  // calculate TOPk for each 2 Epochs
        calc_topk_for_each = fmax(calc_topk_for_each, net.burn_in);
        calc_topk_for_each = fmax(calc_topk_for_each, 100);
        if (i % 10 == 0) {
            if (calc_topk) {
                fprintf(stderr, "\n (next TOP%d calculation at %d iterations) ", topk_data, calc_topk_for_each);
                if (topk > 0) fprintf(stderr, " Last accuracy TOP%d = %2.2f %% \n", topk_data, topk * 100);
            }

            if (net.cudnn_half) {
                if (i < net.burn_in * 3) fprintf(stderr, " Tensor Cores are disabled until the first %d iterations are reached.\n", 3 * net.burn_in);
                else fprintf(stderr, " Tensor Cores are used.\n");
            }
        }

        int draw_precision = 0;
        if (calc_topk && (i >= calc_topk_for_each || i == net.max_batches)) {
            iter_topk = i;
            if (net.contrastive && l.type != SOFTMAX && l.type != COST) {
                int k;
                for (k = 0; k < net.n; ++k) if (net.layers[k].type == CONTRASTIVE) break;
                topk = *(net.layers[k].loss) / 100;
                sprintf(topk_buff, "Contr");
            }
            else {
                topk = validate_classifier_single(datacfg, cfgfile, weightfile, &net, topk_data); // calc TOP-n
                printf("\n accuracy %s = %f \n", topk_buff, topk);
            }
            draw_precision = 1;
        }

        time_remaining = ((net.max_batches - i) / ngpus) * (what_time_is_it_now() - start) / 60 / 60;
        // set initial value, even if resume training from 10000 iteration
        if (avg_time < 0) avg_time = time_remaining;
        else avg_time = alpha_time * time_remaining + (1 -  alpha_time) * avg_time;
        start = what_time_is_it_now();
        printf("%d, %.3f: %f, %f avg, %f rate, %lf seconds, %ld images, %f hours left\n", get_current_batch(net), (float)(*net.seen)/ train_images_num, loss, avg_loss, get_current_rate(net), sec(clock()-time), *net.seen, avg_time);
#ifdef OPENCV
        if (net.contrastive) {
            float cur_con_acc = -1;
            int k;
            for (k = 0; k < net.n; ++k)
                if (net.layers[k].type == CONTRASTIVE) cur_con_acc = *net.layers[k].loss;
            if (cur_con_acc >= 0) avg_contrastive_acc = avg_contrastive_acc*0.99 + cur_con_acc * 0.01;
            printf("  avg_contrastive_acc = %f \n", avg_contrastive_acc);
        }
        if (!dontuse_opencv) draw_train_loss(windows_name, img, img_size, avg_loss, max_img_loss, i, net.max_batches, topk, draw_precision, topk_buff, avg_contrastive_acc / 100, dont_show, mjpeg_port, avg_time);
#endif  // OPENCV

        if (i >= (iter_save + 1000)) {
            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);
        }

        if (i >= (iter_save_last + 100)) {
            iter_save_last = i;
#ifdef GPU
            if (ngpus != 1) sync_nets(nets, ngpus, 0);
#endif
            char buff[256];
            sprintf(buff, "%s/%s_last.weights", backup_directory, base);
            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
    release_mat(&img);
    destroy_all_windows_cv();
#endif

    pthread_join(load_thread, 0);
    free_data(buffer);

    //free_network(net);
    for (i = 0; i < ngpus; ++i) free_network(nets[i]);
    free(nets);

    //free_ptrs((void**)labels, classes);
    if(labels) free(labels);
    free_ptrs((void**)paths, plist->size);
    free_list(plist);
    free(base);

    free_list_contents_kvp(options);
    free_list(options);

}


/*
   void train_classifier(char *datacfg, char *cfgfile, char *weightfile, int clear)
   {
   srand(time(0));
   float avg_loss = -1;
   char *base = basecfg(cfgfile);
   printf("%s\n", base);
   network net = parse_network_cfg(cfgfile);
   if(weightfile){
   load_weights(&net, weightfile);
   }
   if(clear) *net.seen = 0;

   int imgs = net.batch * net.subdivisions;

   printf("Learning Rate: %g, Momentum: %g, Decay: %g\n", net.learning_rate, net.momentum, net.decay);
   list *options = read_data_cfg(datacfg);

   char *backup_directory = option_find_str(options, "backup", "/backup/");
   char *label_list = option_find_str(options, "labels", "data/labels.list");
   char *train_list = option_find_str(options, "train", "data/train.list");
   int classes = option_find_int(options, "classes", 2);

   char **labels = get_labels(label_list);
   list *plist = get_paths(train_list);
   char **paths = (char **)list_to_array(plist);
   printf("%d\n", plist->size);
   int N = plist->size;
   clock_t time;

   load_args args = {0};
   args.w = net.w;
   args.h = net.h;
   args.threads = 8;

   args.min = net.min_crop;
   args.max = net.max_crop;
   args.flip = net.flip;
   args.angle = net.angle;
   args.aspect = net.aspect;
   args.exposure = net.exposure;
   args.saturation = net.saturation;
   args.hue = net.hue;
   args.size = net.w;
   args.hierarchy = net.hierarchy;

   args.paths = paths;
   args.classes = classes;
   args.n = imgs;
   args.m = N;
   args.labels = labels;
   args.type = CLASSIFICATION_DATA;

   data train;
   data buffer;
   pthread_t load_thread;
   args.d = &buffer;
   load_thread = load_data(args);

   int epoch = (*net.seen)/N;
   while(get_current_batch(net) < net.max_batches || net.max_batches == 0){
   time=clock();

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

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

#ifdef OPENCV
if(0){
int u;
for(u = 0; u < imgs; ++u){
    image im = float_to_image(net.w, net.h, 3, train.X.vals[u]);
    show_image(im, "loaded");
    cvWaitKey(0);
}
}
#endif

float loss = train_network(net, train);
free_data(train);

if(avg_loss == -1) avg_loss = loss;
avg_loss = avg_loss*.9 + loss*.1;
printf("%d, %.3f: %f, %f avg, %f rate, %lf seconds, %d images\n", get_current_batch(net), (float)(*net.seen)/N, loss, avg_loss, get_current_rate(net), sec(clock()-time), *net.seen);
if(*net.seen/N > epoch){
    epoch = *net.seen/N;
    char buff[256];
    sprintf(buff, "%s/%s_%d.weights",backup_directory,base, epoch);
    save_weights(net, buff);
}
if(get_current_batch(net)%100 == 0){
    char buff[256];
    sprintf(buff, "%s/%s.backup",backup_directory,base);
    save_weights(net, buff);
}
}
char buff[256];
sprintf(buff, "%s/%s.weights", backup_directory, base);
save_weights(net, buff);

free_network(net);
free_ptrs((void**)labels, classes);
free_ptrs((void**)paths, plist->size);
free_list(plist);
free(base);
}
*/

void validate_classifier_crop(char *datacfg, char *filename, char *weightfile)
{
    int i = 0;
    network net = parse_network_cfg(filename);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    srand(time(0));

    list *options = read_data_cfg(datacfg);

    char *label_list = option_find_str(options, "labels", "data/labels.list");
    char *valid_list = option_find_str(options, "valid", "data/train.list");
    int classes = option_find_int(options, "classes", 2);
    int topk = option_find_int(options, "top", 1);
    if (topk > classes) topk = classes;

    char **labels = get_labels(label_list);
    list *plist = get_paths(valid_list);

    char **paths = (char **)list_to_array(plist);
    int m = plist->size;
    free_list(plist);

    clock_t time;
    float avg_acc = 0;
    float avg_topk = 0;
    int splits = m/1000;
    int num = (i+1)*m/splits - i*m/splits;

    data val, buffer;

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

    args.paths = paths;
    args.classes = classes;
    args.n = num;
    args.m = 0;
    args.labels = labels;
    args.d = &buffer;
    args.type = OLD_CLASSIFICATION_DATA;

    pthread_t load_thread = load_data_in_thread(args);
    for(i = 1; i <= splits; ++i){
        time=clock();

        pthread_join(load_thread, 0);
        val = buffer;

        num = (i+1)*m/splits - i*m/splits;
        char **part = paths+(i*m/splits);
        if(i != splits){
            args.paths = part;
            load_thread = load_data_in_thread(args);
        }
        printf("Loaded: %d images in %lf seconds\n", val.X.rows, sec(clock()-time));

        time=clock();
        float *acc = network_accuracies(net, val, topk);
        avg_acc += acc[0];
        avg_topk += acc[1];
        printf("%d: top 1: %f, top %d: %f, %lf seconds, %d images\n", i, avg_acc/i, topk, avg_topk/i, sec(clock()-time), val.X.rows);
        free_data(val);
    }
}

void validate_classifier_10(char *datacfg, char *filename, char *weightfile)
{
    int i, j;
    network net = parse_network_cfg(filename);
    set_batch_network(&net, 1);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    srand(time(0));

    list *options = read_data_cfg(datacfg);

    char *label_list = option_find_str(options, "labels", "data/labels.list");
    char *valid_list = option_find_str(options, "valid", "data/train.list");
    int classes = option_find_int(options, "classes", 2);
    int topk = option_find_int(options, "top", 1);
    if (topk > classes) topk = classes;

    char **labels = get_labels(label_list);
    list *plist = get_paths(valid_list);

    char **paths = (char **)list_to_array(plist);
    int m = plist->size;
    free_list(plist);

    float avg_acc = 0;
    float avg_topk = 0;
    int* indexes = (int*)xcalloc(topk, sizeof(int));

    for(i = 0; i < m; ++i){
        int class_id = -1;
        char *path = paths[i];
        for(j = 0; j < classes; ++j){
            if(strstr(path, labels[j])){
                class_id = j;
                break;
            }
        }
        int w = net.w;
        int h = net.h;
        int shift = 32;
        image im = load_image_color(paths[i], w+shift, h+shift);
        image images[10];
        images[0] = crop_image(im, -shift, -shift, w, h);
        images[1] = crop_image(im, shift, -shift, w, h);
        images[2] = crop_image(im, 0, 0, w, h);
        images[3] = crop_image(im, -shift, shift, w, h);
        images[4] = crop_image(im, shift, shift, w, h);
        flip_image(im);
        images[5] = crop_image(im, -shift, -shift, w, h);
        images[6] = crop_image(im, shift, -shift, w, h);
        images[7] = crop_image(im, 0, 0, w, h);
        images[8] = crop_image(im, -shift, shift, w, h);
        images[9] = crop_image(im, shift, shift, w, h);
        float* pred = (float*)xcalloc(classes, sizeof(float));
        for(j = 0; j < 10; ++j){
            float *p = network_predict(net, images[j].data);
            if(net.hierarchy) hierarchy_predictions(p, net.outputs, net.hierarchy, 1);
            axpy_cpu(classes, 1, p, 1, pred, 1);
            free_image(images[j]);
        }
        free_image(im);
        top_k(pred, classes, topk, indexes);
        free(pred);
        if(indexes[0] == class_id) avg_acc += 1;
        for(j = 0; j < topk; ++j){
            if(indexes[j] == class_id) avg_topk += 1;
        }

        printf("%d: top 1: %f, top %d: %f\n", i, avg_acc/(i+1), topk, avg_topk/(i+1));
    }
    free(indexes);
}

void validate_classifier_full(char *datacfg, char *filename, char *weightfile)
{
    int i, j;
    network net = parse_network_cfg(filename);
    set_batch_network(&net, 1);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    srand(time(0));

    list *options = read_data_cfg(datacfg);

    char *label_list = option_find_str(options, "labels", "data/labels.list");
    char *valid_list = option_find_str(options, "valid", "data/train.list");
    int classes = option_find_int(options, "classes", 2);
    int topk = option_find_int(options, "top", 1);
    if (topk > classes) topk = classes;

    char **labels = get_labels(label_list);
    list *plist = get_paths(valid_list);

    char **paths = (char **)list_to_array(plist);
    int m = plist->size;
    free_list(plist);

    float avg_acc = 0;
    float avg_topk = 0;
    int* indexes = (int*)xcalloc(topk, sizeof(int));

    int size = net.w;
    for(i = 0; i < m; ++i){
        int class_id = -1;
        char *path = paths[i];
        for(j = 0; j < classes; ++j){
            if(strstr(path, labels[j])){
                class_id = j;
                break;
            }
        }
        image im = load_image_color(paths[i], 0, 0);
        image resized = resize_min(im, size);
        resize_network(&net, resized.w, resized.h);
        //show_image(im, "orig");
        //show_image(crop, "cropped");
        //cvWaitKey(0);
        float *pred = network_predict(net, resized.data);
        if(net.hierarchy) hierarchy_predictions(pred, net.outputs, net.hierarchy, 1);

        free_image(im);
        free_image(resized);
        top_k(pred, classes, topk, indexes);

        if(indexes[0] == class_id) avg_acc += 1;
        for(j = 0; j < topk; ++j){
            if(indexes[j] == class_id) avg_topk += 1;
        }

        printf("%d: top 1: %f, top %d: %f\n", i, avg_acc/(i+1), topk, avg_topk/(i+1));
    }
    free(indexes);
}


float validate_classifier_single(char *datacfg, char *filename, char *weightfile, network *existing_net, int topk_custom)
{
    int i, j;
    network net;
    int old_batch = -1;
    if (existing_net) {
        net = *existing_net;    // for validation during training
        old_batch = net.batch;
        set_batch_network(&net, 1);
    }
    else {
        net = parse_network_cfg_custom(filename, 1, 0);
        if (weightfile) {
            load_weights(&net, weightfile);
        }
        //set_batch_network(&net, 1);
        fuse_conv_batchnorm(net);
        calculate_binary_weights(net);
    }
    srand(time(0));

    list *options = read_data_cfg(datacfg);

    char *label_list = option_find_str(options, "labels", "data/labels.list");
    char *leaf_list = option_find_str(options, "leaves", 0);
    if(leaf_list) change_leaves(net.hierarchy, leaf_list);
    char *valid_list = option_find_str(options, "valid", "data/train.list");
    int classes = option_find_int(options, "classes", 2);
    int topk = option_find_int(options, "top", 1);
    if (topk_custom > 0) topk = topk_custom;    // for validation during training
    if (topk > classes) topk = classes;
    printf(" TOP calculation...\n");

    char **labels = get_labels(label_list);
    list *plist = get_paths(valid_list);

    char **paths = (char **)list_to_array(plist);
    int m = plist->size;
    free_list(plist);

    float avg_acc = 0;
    float avg_topk = 0;
    int* indexes = (int*)xcalloc(topk, sizeof(int));

    for(i = 0; i < m; ++i){
        int class_id = -1;
        char *path = paths[i];
        for(j = 0; j < classes; ++j){
            if(strstr(path, labels[j])){
                class_id = j;
                break;
            }
        }
        image im = load_image_color(paths[i], 0, 0);
        image resized = resize_min(im, net.w);
        image crop = crop_image(resized, (resized.w - net.w)/2, (resized.h - net.h)/2, net.w, net.h);
        //show_image(im, "orig");
        //show_image(crop, "cropped");
        //cvWaitKey(0);
        float *pred = network_predict(net, crop.data);
        if(net.hierarchy) hierarchy_predictions(pred, net.outputs, net.hierarchy, 1);

        if(resized.data != im.data) free_image(resized);
        free_image(im);
        free_image(crop);
        top_k(pred, classes, topk, indexes);

        if(indexes[0] == class_id) avg_acc += 1;
        for(j = 0; j < topk; ++j){
            if(indexes[j] == class_id) avg_topk += 1;
        }

        if (existing_net) printf("\r");
        else printf("\n");
        printf("%d: top 1: %f, top %d: %f", i, avg_acc/(i+1), topk, avg_topk/(i+1));
    }
    free(indexes);
    if (existing_net) {
        set_batch_network(&net, old_batch);
    }
    float topk_result = avg_topk / i;
    return topk_result;
}

void validate_classifier_multi(char *datacfg, char *filename, char *weightfile)
{
    int i, j;
    network net = parse_network_cfg(filename);
    set_batch_network(&net, 1);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    srand(time(0));

    list *options = read_data_cfg(datacfg);

    char *label_list = option_find_str(options, "labels", "data/labels.list");
    char *valid_list = option_find_str(options, "valid", "data/train.list");
    int classes = option_find_int(options, "classes", 2);
    int topk = option_find_int(options, "top", 1);
    if (topk > classes) topk = classes;

    char **labels = get_labels(label_list);
    list *plist = get_paths(valid_list);
    int scales[] = {224, 288, 320, 352, 384};
    int nscales = sizeof(scales)/sizeof(scales[0]);

    char **paths = (char **)list_to_array(plist);
    int m = plist->size;
    free_list(plist);

    float avg_acc = 0;
    float avg_topk = 0;
    int* indexes = (int*)xcalloc(topk, sizeof(int));

    for(i = 0; i < m; ++i){
        int class_id = -1;
        char *path = paths[i];
        for(j = 0; j < classes; ++j){
            if(strstr(path, labels[j])){
                class_id = j;
                break;
            }
        }
        float* pred = (float*)xcalloc(classes, sizeof(float));
        image im = load_image_color(paths[i], 0, 0);
        for(j = 0; j < nscales; ++j){
            image r = resize_min(im, scales[j]);
            resize_network(&net, r.w, r.h);
            float *p = network_predict(net, r.data);
            if(net.hierarchy) hierarchy_predictions(p, net.outputs, net.hierarchy, 1);
            axpy_cpu(classes, 1, p, 1, pred, 1);
            flip_image(r);
            p = network_predict(net, r.data);
            axpy_cpu(classes, 1, p, 1, pred, 1);
            if(r.data != im.data) free_image(r);
        }
        free_image(im);
        top_k(pred, classes, topk, indexes);
        free(pred);
        if(indexes[0] == class_id) avg_acc += 1;
        for(j = 0; j < topk; ++j){
            if(indexes[j] == class_id) avg_topk += 1;
        }

        printf("%d: top 1: %f, top %d: %f\n", i, avg_acc/(i+1), topk, avg_topk/(i+1));
    }
    free(indexes);
}

void try_classifier(char *datacfg, char *cfgfile, char *weightfile, char *filename, int layer_num)
{
    network net = parse_network_cfg_custom(cfgfile, 1, 0);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    set_batch_network(&net, 1);
    srand(2222222);

    list *options = read_data_cfg(datacfg);

    char *name_list = option_find_str(options, "names", 0);
    if(!name_list) name_list = option_find_str(options, "labels", "data/labels.list");
    int classes = option_find_int(options, "classes", 2);
    int top = option_find_int(options, "top", 1);
    if (top > classes) top = classes;

    char **names = get_labels(name_list);
    clock_t time;
    int* indexes = (int*)xcalloc(top, sizeof(int));
    char buff[256];
    char *input = buff;
    while(1){
        if(filename){
            strncpy(input, filename, 256);
        }else{
            printf("Enter Image Path: ");
            fflush(stdout);
            input = fgets(input, 256, stdin);
            if(!input) break;
            strtok(input, "\n");
        }
        image orig = load_image_color(input, 0, 0);
        image r = resize_min(orig, 256);
        image im = crop_image(r, (r.w - 224 - 1)/2 + 1, (r.h - 224 - 1)/2 + 1, 224, 224);
        float mean[] = {0.48263312050943, 0.45230225481413, 0.40099074308742};
        float std[] = {0.22590347483426, 0.22120921437787, 0.22103996251583};
        float var[3];
        var[0] = std[0]*std[0];
        var[1] = std[1]*std[1];
        var[2] = std[2]*std[2];

        normalize_cpu(im.data, mean, var, 1, 3, im.w*im.h);

        float *X = im.data;
        time=clock();
        float *predictions = network_predict(net, X);

        layer l = net.layers[layer_num];
        int i;
        for(i = 0; i < l.c; ++i){
            if(l.rolling_mean) printf("%f %f %f\n", l.rolling_mean[i], l.rolling_variance[i], l.scales[i]);
        }
#ifdef GPU
        cuda_pull_array(l.output_gpu, l.output, l.outputs);
#endif
        for(i = 0; i < l.outputs; ++i){
            printf("%f\n", l.output[i]);
        }
        /*

           printf("\n\nWeights\n");
           for(i = 0; i < l.n*l.size*l.size*l.c; ++i){
           printf("%f\n", l.filters[i]);
           }

           printf("\n\nBiases\n");
           for(i = 0; i < l.n; ++i){
           printf("%f\n", l.biases[i]);
           }
         */

        top_predictions(net, top, indexes);
        printf("%s: Predicted in %f seconds.\n", input, sec(clock()-time));
        for(i = 0; i < top; ++i){
            int index = indexes[i];
            printf("%s: %f\n", names[index], predictions[index]);
        }
        free_image(im);
        if (filename) break;
    }
    free(indexes);
}

void predict_classifier(char *datacfg, char *cfgfile, char *weightfile, char *filename, int top)
{
    network net = parse_network_cfg_custom(cfgfile, 1, 0);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    set_batch_network(&net, 1);
    srand(2222222);

    fuse_conv_batchnorm(net);
    calculate_binary_weights(net);

    list *options = read_data_cfg(datacfg);

    char *name_list = option_find_str(options, "names", 0);
    if(!name_list) name_list = option_find_str(options, "labels", "data/labels.list");
    int classes = option_find_int(options, "classes", 2);
    printf(" classes = %d, output in cfg = %d \n", classes, net.layers[net.n - 1].c);
    layer l = net.layers[net.n - 1];
    if (classes != l.outputs && (l.type == SOFTMAX || l.type == COST)) {
        printf("\n Error: num of filters = %d in the last conv-layer in cfg-file doesn't match to classes = %d in data-file \n",
            l.outputs, classes);
        getchar();
    }
    if (top == 0) top = option_find_int(options, "top", 1);
    if (top > classes) top = classes;

    int i = 0;
    char **names = get_labels(name_list);
    clock_t time;
    int* indexes = (int*)xcalloc(top, sizeof(int));
    char buff[256];
    char *input = buff;
    //int size = net.w;
    while(1){
        if(filename){
            strncpy(input, filename, 256);
        }else{
            printf("Enter Image Path: ");
            fflush(stdout);
            input = fgets(input, 256, stdin);
            if(!input) break;
            strtok(input, "\n");
        }
        image im = load_image_color(input, 0, 0);
        image resized = resize_min(im, net.w);
        image cropped = crop_image(resized, (resized.w - net.w)/2, (resized.h - net.h)/2, net.w, net.h);
        printf("%d %d\n", cropped.w, cropped.h);

        float *X = cropped.data;

        double time = get_time_point();
        float *predictions = network_predict(net, X);
        printf("%s: Predicted in %lf milli-seconds.\n", input, ((double)get_time_point() - time) / 1000);

        if(net.hierarchy) hierarchy_predictions(predictions, net.outputs, net.hierarchy, 0);
        top_k(predictions, net.outputs, top, indexes);

        for(i = 0; i < top; ++i){
            int index = indexes[i];
            if(net.hierarchy) printf("%d, %s: %f, parent: %s \n",index, names[index], predictions[index], (net.hierarchy->parent[index] >= 0) ? names[net.hierarchy->parent[index]] : "Root");
            else printf("%s: %f\n",names[index], predictions[index]);
        }

        free_image(cropped);
        if (resized.data != im.data) {
            free_image(resized);
        }
        free_image(im);

        if (filename) break;
    }
    free(indexes);
    free_network(net);
    free_list_contents_kvp(options);
    free_list(options);
}


void label_classifier(char *datacfg, char *filename, char *weightfile)
{
    int i;
    network net = parse_network_cfg(filename);
    set_batch_network(&net, 1);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    srand(time(0));

    list *options = read_data_cfg(datacfg);

    char *label_list = option_find_str(options, "names", "data/labels.list");
    char *test_list = option_find_str(options, "test", "data/train.list");
    int classes = option_find_int(options, "classes", 2);

    char **labels = get_labels(label_list);
    list *plist = get_paths(test_list);

    char **paths = (char **)list_to_array(plist);
    int m = plist->size;
    free_list(plist);

    for(i = 0; i < m; ++i){
        image im = load_image_color(paths[i], 0, 0);
        image resized = resize_min(im, net.w);
        image crop = crop_image(resized, (resized.w - net.w)/2, (resized.h - net.h)/2, net.w, net.h);
        float *pred = network_predict(net, crop.data);

        if(resized.data != im.data) free_image(resized);
        free_image(im);
        free_image(crop);
        int ind = max_index(pred, classes);

        printf("%s\n", labels[ind]);
    }
}


void test_classifier(char *datacfg, char *cfgfile, char *weightfile, int target_layer)
{
    int curr = 0;
    network net = parse_network_cfg(cfgfile);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    srand(time(0));
    fuse_conv_batchnorm(net);
    calculate_binary_weights(net);

    list *options = read_data_cfg(datacfg);

    char *test_list = option_find_str(options, "test", "data/test.list");
    int classes = option_find_int(options, "classes", 2);

    list *plist = get_paths(test_list);

    char **paths = (char **)list_to_array(plist);
    int m = plist->size;
    free_list(plist);

    clock_t time;

    data val, buffer;

    load_args args = {0};
    args.w = net.w;
    args.h = net.h;
    args.paths = paths;
    args.classes = classes;
    args.n = net.batch;
    args.m = 0;
    args.labels = 0;
    args.d = &buffer;
    args.type = OLD_CLASSIFICATION_DATA;

    pthread_t load_thread = load_data_in_thread(args);
    for(curr = net.batch; curr < m; curr += net.batch){
        time=clock();

        pthread_join(load_thread, 0);
        val = buffer;

        if(curr < m){
            args.paths = paths + curr;
            if (curr + net.batch > m) args.n = m - curr;
            load_thread = load_data_in_thread(args);
        }
        fprintf(stderr, "Loaded: %d images in %lf seconds\n", val.X.rows, sec(clock()-time));

        time=clock();
        matrix pred = network_predict_data(net, val);

        int i, j;
        if (target_layer >= 0){
            //layer l = net.layers[target_layer];
        }

        for(i = 0; i < pred.rows; ++i){
            printf("%s", paths[curr-net.batch+i]);
            for(j = 0; j < pred.cols; ++j){
                printf("\t%g", pred.vals[i][j]);
            }
            printf("\n");
        }

        free_matrix(pred);

        fprintf(stderr, "%lf seconds, %d images, %d total\n", sec(clock()-time), val.X.rows, curr);
        free_data(val);
    }
}


void threat_classifier(char *datacfg, char *cfgfile, char *weightfile, int cam_index, const char *filename)
{
#ifdef OPENCV
    float threat = 0;
    float roll = .2;

    printf("Classifier Demo\n");
    network net = parse_network_cfg(cfgfile);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    set_batch_network(&net, 1);
    list *options = read_data_cfg(datacfg);

    srand(2222222);
    cap_cv * cap;

    if (filename) {
        //cap = cvCaptureFromFile(filename);
        cap = get_capture_video_stream(filename);
    }
    else {
        //cap = cvCaptureFromCAM(cam_index);
        cap = get_capture_webcam(cam_index);
    }

    int classes = option_find_int(options, "classes", 2);
    int top = option_find_int(options, "top", 1);
    if (top > classes) top = classes;

    char *name_list = option_find_str(options, "names", 0);
    char **names = get_labels(name_list);

    int* indexes = (int*)xcalloc(top, sizeof(int));

    if(!cap) error("Couldn't connect to webcam.\n");
    create_window_cv("Threat", 0, 512, 512);
    float fps = 0;
    int i;

    int count = 0;

    while(1){
        ++count;
        struct timeval tval_before, tval_after, tval_result;
        gettimeofday(&tval_before, NULL);

        //image in = get_image_from_stream(cap);
        image in = get_image_from_stream_cpp(cap);
        if(!in.data) break;
        image in_s = resize_image(in, net.w, net.h);

        image out = in;
        int x1 = out.w / 20;
        int y1 = out.h / 20;
        int x2 = 2*x1;
        int y2 = out.h - out.h/20;

        int border = .01*out.h;
        int h = y2 - y1 - 2*border;
        int w = x2 - x1 - 2*border;

        float *predictions = network_predict(net, in_s.data);
        float curr_threat = 0;
        if(1){
            curr_threat = predictions[0] * 0 +
                predictions[1] * .6 +
                predictions[2];
        } else {
            curr_threat = predictions[218] +
                predictions[539] +
                predictions[540] +
                predictions[368] +
                predictions[369] +
                predictions[370];
        }
        threat = roll * curr_threat + (1-roll) * threat;

        draw_box_width(out, x2 + border, y1 + .02*h, x2 + .5 * w, y1 + .02*h + border, border, 0,0,0);
        if(threat > .97) {
            draw_box_width(out,  x2 + .5 * w + border,
                    y1 + .02*h - 2*border,
                    x2 + .5 * w + 6*border,
                    y1 + .02*h + 3*border, 3*border, 1,0,0);
        }
        draw_box_width(out,  x2 + .5 * w + border,
                y1 + .02*h - 2*border,
                x2 + .5 * w + 6*border,
                y1 + .02*h + 3*border, .5*border, 0,0,0);
        draw_box_width(out, x2 + border, y1 + .42*h, x2 + .5 * w, y1 + .42*h + border, border, 0,0,0);
        if(threat > .57) {
            draw_box_width(out,  x2 + .5 * w + border,
                    y1 + .42*h - 2*border,
                    x2 + .5 * w + 6*border,
                    y1 + .42*h + 3*border, 3*border, 1,1,0);
        }
        draw_box_width(out,  x2 + .5 * w + border,
                y1 + .42*h - 2*border,
                x2 + .5 * w + 6*border,
                y1 + .42*h + 3*border, .5*border, 0,0,0);

        draw_box_width(out, x1, y1, x2, y2, border, 0,0,0);
        for(i = 0; i < threat * h ; ++i){
            float ratio = (float) i / h;
            float r = (ratio < .5) ? (2*(ratio)) : 1;
            float g = (ratio < .5) ? 1 : 1 - 2*(ratio - .5);
            draw_box_width(out, x1 + border, y2 - border - i, x2 - border, y2 - border - i, 1, r, g, 0);
        }
        top_predictions(net, top, indexes);
        char buff[256];
        sprintf(buff, "tmp/threat_%06d", count);
        //save_image(out, buff);

#ifndef _WIN32
        printf("\033[2J");
        printf("\033[1;1H");
#endif
        printf("\nFPS:%.0f\n",fps);

        for(i = 0; i < top; ++i){
            int index = indexes[i];
            printf("%.1f%%: %s\n", predictions[index]*100, names[index]);
        }

        if(1){
            show_image(out, "Threat");
            wait_key_cv(10);
        }
        free_image(in_s);
        free_image(in);

        gettimeofday(&tval_after, NULL);
        timersub(&tval_after, &tval_before, &tval_result);
        float curr = 1000000.f/((long int)tval_result.tv_usec);
        fps = .9*fps + .1*curr;
    }
#endif
}


void gun_classifier(char *datacfg, char *cfgfile, char *weightfile, int cam_index, const char *filename)
{
#ifdef OPENCV_DISABLE
    int bad_cats[] = {218, 539, 540, 1213, 1501, 1742, 1911, 2415, 4348, 19223, 368, 369, 370, 1133, 1200, 1306, 2122, 2301, 2537, 2823, 3179, 3596, 3639, 4489, 5107, 5140, 5289, 6240, 6631, 6762, 7048, 7171, 7969, 7984, 7989, 8824, 8927, 9915, 10270, 10448, 13401, 15205, 18358, 18894, 18895, 19249, 19697};

    printf("Classifier Demo\n");
    network net = parse_network_cfg(cfgfile);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    set_batch_network(&net, 1);
    list *options = read_data_cfg(datacfg);

    srand(2222222);
    CvCapture * cap;

    if (filename) {
        //cap = cvCaptureFromFile(filename);
        cap = get_capture_video_stream(filename);
    }
    else {
        //cap = cvCaptureFromCAM(cam_index);
        cap = get_capture_webcam(cam_index);
    }

    int classes = option_find_int(options, "classes", 2);
    int top = option_find_int(options, "top", 1);
    if (top > classes) top = classes;

    char *name_list = option_find_str(options, "names", 0);
    char **names = get_labels(name_list);

    int* indexes = (int*)xcalloc(top, sizeof(int));

    if(!cap) error("Couldn't connect to webcam.\n");
    cvNamedWindow("Threat Detection", CV_WINDOW_NORMAL);
    cvResizeWindow("Threat Detection", 512, 512);
    float fps = 0;
    int i;

    while(1){
        struct timeval tval_before, tval_after, tval_result;
        gettimeofday(&tval_before, NULL);

        //image in = get_image_from_stream(cap);
        image in = get_image_from_stream_cpp(cap);
        image in_s = resize_image(in, net.w, net.h);
        show_image(in, "Threat Detection");

        float *predictions = network_predict(net, in_s.data);
        top_predictions(net, top, indexes);

        printf("\033[2J");
        printf("\033[1;1H");

        int threat = 0;
        for(i = 0; i < sizeof(bad_cats)/sizeof(bad_cats[0]); ++i){
            int index = bad_cats[i];
            if(predictions[index] > .01){
                printf("Threat Detected!\n");
                threat = 1;
                break;
            }
        }
        if(!threat) printf("Scanning...\n");
        for(i = 0; i < sizeof(bad_cats)/sizeof(bad_cats[0]); ++i){
            int index = bad_cats[i];
            if(predictions[index] > .01){
                printf("%s\n", names[index]);
            }
        }

        free_image(in_s);
        free_image(in);

        cvWaitKey(10);

        gettimeofday(&tval_after, NULL);
        timersub(&tval_after, &tval_before, &tval_result);
        float curr = 1000000.f/((long int)tval_result.tv_usec);
        fps = .9*fps + .1*curr;
    }
#endif
}

void demo_classifier(char *datacfg, char *cfgfile, char *weightfile, int cam_index, const char *filename, int benchmark, int benchmark_layers)
{
#ifdef OPENCV
    printf("Classifier Demo\n");
    network net = parse_network_cfg_custom(cfgfile, 1, 0);
    if(weightfile){
        load_weights(&net, weightfile);
    }
    net.benchmark_layers = benchmark_layers;
    set_batch_network(&net, 1);
    list *options = read_data_cfg(datacfg);

    fuse_conv_batchnorm(net);
    calculate_binary_weights(net);

    srand(2222222);
    cap_cv * cap;

    if(filename){
        cap = get_capture_video_stream(filename);
    }else{
        cap = get_capture_webcam(cam_index);
    }

    int classes = option_find_int(options, "classes", 2);
    int top = option_find_int(options, "top", 1);
    if (top > classes) top = classes;

    char *name_list = option_find_str(options, "names", 0);
    char **names = get_labels(name_list);

    int* indexes = (int*)xcalloc(top, sizeof(int));

    if(!cap) error("Couldn't connect to webcam.\n");
    if (!benchmark) create_window_cv("Classifier", 0, 512, 512);
    float fps = 0;
    int i;

    double start_time = get_time_point();
    float avg_fps = 0;
    int frame_counter = 0;

    while(1){
        struct timeval tval_before, tval_after, tval_result;
        gettimeofday(&tval_before, NULL);

        //image in = get_image_from_stream(cap);
        image in_s, in;
        if (!benchmark) {
            in = get_image_from_stream_cpp(cap);
            in_s = resize_image(in, net.w, net.h);
            show_image(in, "Classifier");
        }
        else {
            static image tmp;
            if (!tmp.data) tmp = make_image(net.w, net.h, 3);
            in_s = tmp;
        }

        double time = get_time_point();
        float *predictions = network_predict(net, in_s.data);
        double frame_time_ms = (get_time_point() - time)/1000;
        frame_counter++;

        if(net.hierarchy) hierarchy_predictions(predictions, net.outputs, net.hierarchy, 1);
        top_predictions(net, top, indexes);

#ifndef _WIN32
        printf("\033[2J");
        printf("\033[1;1H");
#endif


        if (!benchmark) {
            printf("\rFPS: %.2f  (use -benchmark command line flag for correct measurement)\n", fps);
            for (i = 0; i < top; ++i) {
                int index = indexes[i];
                printf("%.1f%%: %s\n", predictions[index] * 100, names[index]);
            }
            printf("\n");

            free_image(in_s);
            free_image(in);

            int c = wait_key_cv(10);// cvWaitKey(10);
            if (c == 27 || c == 1048603) break;
        }
        else {
            printf("\rFPS: %.2f \t AVG_FPS = %.2f ", fps, avg_fps);
        }

        //gettimeofday(&tval_after, NULL);
        //timersub(&tval_after, &tval_before, &tval_result);
        //float curr = 1000000.f/((long int)tval_result.tv_usec);
        float curr = 1000.f / frame_time_ms;
        if (fps == 0) fps = curr;
        else fps = .9*fps + .1*curr;

        float spent_time = (get_time_point() - start_time) / 1000000;
        if (spent_time >= 3.0f) {
            //printf(" spent_time = %f \n", spent_time);
            avg_fps = frame_counter / spent_time;
            frame_counter = 0;
            start_time = get_time_point();
        }
    }
#endif
}


void run_classifier(int argc, char **argv)
{
    if(argc < 4){
        fprintf(stderr, "usage: %s %s [train/test/valid] [cfg] [weights (optional)]\n", argv[0], argv[1]);
        return;
    }

    int mjpeg_port = find_int_arg(argc, argv, "-mjpeg_port", -1);
    char *gpu_list = find_char_arg(argc, argv, "-gpus", 0);
    int *gpus = 0;
    int gpu = 0;
    int ngpus = 0;
    if(gpu_list){
        printf("%s\n", gpu_list);
        int len = strlen(gpu_list);
        ngpus = 1;
        int i;
        for(i = 0; i < len; ++i){
            if (gpu_list[i] == ',') ++ngpus;
        }
        gpus = (int*)xcalloc(ngpus, sizeof(int));
        for(i = 0; i < ngpus; ++i){
            gpus[i] = atoi(gpu_list);
            gpu_list = strchr(gpu_list, ',')+1;
        }
    } else {
        gpu = gpu_index;
        gpus = &gpu;
        ngpus = 1;
    }

    int dont_show = find_arg(argc, argv, "-dont_show");
    int benchmark = find_arg(argc, argv, "-benchmark");
    int benchmark_layers = find_arg(argc, argv, "-benchmark_layers");
    if (benchmark_layers) benchmark = 1;
    int dontuse_opencv = find_arg(argc, argv, "-dontuse_opencv");
    int show_imgs = find_arg(argc, argv, "-show_imgs");
    int calc_topk = find_arg(argc, argv, "-topk");
    int cam_index = find_int_arg(argc, argv, "-c", 0);
    int top = find_int_arg(argc, argv, "-t", 0);
    int clear = find_arg(argc, argv, "-clear");
    char *data = argv[3];
    char *cfg = argv[4];
    char *weights = (argc > 5) ? argv[5] : 0;
    char *filename = (argc > 6) ? argv[6]: 0;
    char *layer_s = (argc > 7) ? argv[7]: 0;
    int layer = layer_s ? atoi(layer_s) : -1;
    char* chart_path = find_char_arg(argc, argv, "-chart", 0);
    if(0==strcmp(argv[2], "predict")) predict_classifier(data, cfg, weights, filename, top);
    else if(0==strcmp(argv[2], "try")) try_classifier(data, cfg, weights, filename, atoi(layer_s));
    else if(0==strcmp(argv[2], "train")) train_classifier(data, cfg, weights, gpus, ngpus, clear, dontuse_opencv, dont_show, mjpeg_port, calc_topk, show_imgs, chart_path);
    else if(0==strcmp(argv[2], "demo")) demo_classifier(data, cfg, weights, cam_index, filename, benchmark, benchmark_layers);
    else if(0==strcmp(argv[2], "gun")) gun_classifier(data, cfg, weights, cam_index, filename);
    else if(0==strcmp(argv[2], "threat")) threat_classifier(data, cfg, weights, cam_index, filename);
    else if(0==strcmp(argv[2], "test")) test_classifier(data, cfg, weights, layer);
    else if(0==strcmp(argv[2], "label")) label_classifier(data, cfg, weights);
    else if(0==strcmp(argv[2], "valid")) validate_classifier_single(data, cfg, weights, NULL, -1);
    else if(0==strcmp(argv[2], "validmulti")) validate_classifier_multi(data, cfg, weights);
    else if(0==strcmp(argv[2], "valid10")) validate_classifier_10(data, cfg, weights);
    else if(0==strcmp(argv[2], "validcrop")) validate_classifier_crop(data, cfg, weights);
    else if(0==strcmp(argv[2], "validfull")) validate_classifier_full(data, cfg, weights);

    if (gpus && gpu_list && ngpus > 1) free(gpus);
}