Outils pour utilisateurs

Outils du site


darknet_letters

Ceci est une ancienne révision du document !


Darknet Letters

font_0_h 0.37 0.31 0.18 0.18
font_0_l 0.07 0.27 0.13 0.13
font_0_t 0.44 0.14 0.1 0.1
font_0_C 0.54 0.49 0.13 0.13
font_0_O 0.27 0.95 0.21 0.21

De l'Intelligence artificielle pour reconnaitre des lettres dans différentes polices, et en faire des cauchemars et de la musique en midi.

Les sources sur GitHub

Le jeu letters pour créer les images d'apprentissage

Créer et testé sur Debian Buster 10

Conversion d'un fichier *.midi en *.json

Le fichier python darknet-letters/letters/midi/analyse_play_midi.py permet de:

  • jouer un fichier midi
  • convertir des fichier *.midi en *.json
  • jouer un fichier *.json

Installation

sudo pip3 install numpy
sudo pip3 install opencv-python
# Blender 2.79b mais pas 2.80 qui n'a plus de BGE
sudo apt install blender
sudo pip3 install mido
sudo apt install fluidsynth
# FluidR3_GM.sf2
sudo apt install fluid-soundfont-gm
 

Utilisation

Je dois créer un menu en terminal !!

Les fichiers *.midi (“.midi”, “mid”, “kar”, “Mid”, “MID”) doivent être copié dans le dossier music.

Les *.json seront copiés dans le dossier “json”

Dans le dossier darknet-letters/letters/midi/

python3 analyse_play_midi.py

Lancement du jeu

Dans le dossier darknet-letters:

play_letters.sh
SPACE pour changer de music
1 Affichage du logo
2 Lancement de music and letters
3 Lancement de get shot
H help
Echap Quitter

En 2: Les fichiers du dossier /json seront jouées.

En 3: Pour l'apprentissage, le fichier json/get_shot.json sera utilisé. Il a été construit avec darknet-letters/letters/midi/json_for_get_shot.py

Shot

Les shots seront enregistrés dans le dossier défini dans le fichier darknet-letters/letters/global.ini, ligne 10

shot_dir = "votre/dossier/shot"

Conversion

Tous les shot doivent être floutés et converti en jpg avec le script: darknet-letters/darknet/blur_and_convert.py.

Définir ligne 81 le chemin vers votre dossier “shot”.

Création des fichiers train.txt et test.txt

Avec le script darknet-letters/darknet/create_train_test_txt.py Définir ligne 10:

shot_dir = '/media/data/projets/shot_jpg_blur/'

Ressources

How to detect your custom objects

Pre-trained weights

wget -c https://pjreddie.com/media/files/darknet53.conv.74

Fichier *.cfg

For training for both small and large objects use modified models:
Full-model: 5 yolo layers:

https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3_5l.cfg
change line batch to batch=64
change line subdivisions to subdivisions=8
change line max_batches to (classes*2000), soit 800 000
change line steps to 80% and 90% of max_batches, f.e. steps=640000,720000
 
change line classes=80 to your number of objects in each of 3 [yolo]-layers:
        Line 610
        Line 696
        Line 783
        classes=400
 
change [filters=255] to filters=(classes + 5)x3 in the 3 [convolutional] before each [yolo] layer
        Line 603
        Line 689
        Line 776
        filters = (classes + 5)x3 = (400 + 5) * 3 = 1215
 
Distinction main gauche main droite
ligne 17    flip = 0
,
darknet_letters.1565096254.txt.gz · Dernière modification : 2019/08/06 12:57 de serge