Outils pour utilisateurs

Outils du site


darknet_letters

Ceci est une ancienne révision du document !


Darknet Letters

2 0.37 0.31 0.18 0.18
356 0.07 0.27 0.13 0.13
29 0.44 0.14 0.1 0.1
127 0.54 0.49 0.13 0.13
99 0.27 0.95 0.21 0.21

De l'Intelligence Artificielle pour reconnaître des lettres dans différentes polices, convertir les lettres d'un texte en musique 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

Principe de la conversion d'un fichier midi en json

Les fichiers midi sont très optimisés. La conversion en json permet d'accéder en python aux instruments, notes, volumes facilement.

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

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

Message d'erreur

# Pour éviter ce message:
fluidsynth: warning: Failed to set thread to high priority
fluidsynth: warning: Failed to pin the sample data to RAM; swapping is possible.

sudo nano /etc/security/limits.conf

# Ajouter:
  @audio   -  rtprio      90
  @audio   -  memlock     unlimited

# Le user doit être dans le gropue audio!

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

Installation de mon package perso: pymultilame

La Font midi utilisée est TimGM6mb.sf2 de Tim Brechbill qui est dans le dossier letters/midi/my_pretty_midi des sources

Modification de la configuration

Règles générales

  1. Ne pas bidouiller les scripts, à moins que vous ne soyez hollandais.
  2. Si il y a un bug, corriger dans les scripts, toujours de façon explicite.
  3. Les modifications de configuration se font dans ./letters/letters.ini

Le jeu letters

Dans le dossier darknet-letters, lancer

./play_letters.sh
1 - Affichage du logo
2 - Lancement de letters
    SPACE pour changer de musique
3 - Fabrication des shot pour l'IA
4 - Conversion en json
H - Help
R - Reset

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

En 4: Les fichiers midi sont traduits en json pour être facilement utilisé en python.

Le jeu crée les images et pour chaque image le fichier txt correspondant qui décrit le numéro de classe et la position des objets dans l'image.

Création du set d'images pour l'apprentissage

Avec l'option 3 du menu ci-dessus.

Préparation de Darknet

Conversion

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

Création des fichiers train.txt et test.txt

Avec le script ./letters/darknet/create_train_test_txt.py Pour chaque image toto.png, un fichier toto.txt est créé pour décrire les objets dans l'image, avec le numéro de l'objet: voir Création du set d'apprentissage

Controle des fichiers txt de chaque image

Avec le script ./letters/control/control.py

Yolo V3 Darknet

Ressources

Installation de CUDA

Compilation de Darknet

Détection de mes objets lettres

Dossier data

Dans les sources de YOLO Darknet:

  • Renommer le dossier data des sources de darknet en data_tata_yoyo.
  • Créer un dossier data avec:
    • train.txt
    • test.txt
    • obj.data
    • obj.names
    • yolov3.cfg
    • le dossier /backup

Fichier *.cfg

Copie de darknet/cfg/yolov3.cfg dans data, faire les modifications suivantes:

change line 8 and 9 to shot size = 640
change line batch to batch=64
change line subdivisions to subdivisions=64
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=380
 
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 = (380 + 5) * 3 = 1155
 
Distinction main gauche main droite
ligne 17    flip = 0

train.txt test.txt

Les fichiers train.txt et test.txt doivent être collés dans data

exemple
/chemin/absolu/darknet-letters/letters/shot_jpg/0/shot_33.jpg
/chemin/absolu/darknet-letters/letters/shot_jpg/0/shot_18.jpg
/chemin/absolu/darknet-letters/letters/shot_jpg/0/shot_51.jpg
...
...

obj.names

Les noms doivent être dans l'ordre des numéro de classe des shot_xxx.txt

font_0_b
...
...
font_9_S
font_9_T

obj.data

Défini les chemins des fichiers utilisés:

classes = 380
train = data/train.txt
valid = data/test.txt
names = data/obj.names
backup = data/backup

Apprentissage

Ou Training appelé train (non! pas de locomotive à vapeur ici!)

Modifications suite à Apprentissage raté

  • yolov3-tiny.cfg
  • yolov3_5l.cfg
  • yolov3-tiny_3l.cfg
  • dans shot_xxx.txt de l'image shot_xxx.png: non de l'objet au lieu du numéro de l'objet !
  • fond noir
  • fond noir remplacé par un nuage gris
  • nuage gris remplacé par une video de ciel !
  • Message dans le terminal: “Processus arrêté.” Pas assez de RAM sur le PC de calcul ! 4 Go insuffisant pour des images > 416×416 ! La swap n'est pas utilisée ! Achat de DDR3 1600 mHz 16 Go.
  • Diminution des supperpositions avec size de 0.6 à 0.9
  • Images avec minuscules seules et images avec majuscules seules
  • Reprise des 400 images des lettres pour les cadrer serré (20 heures de boulot) !
  • L'apprentissage utilise 4 à 6 Go de RAM de la carte graphique avec des images 704×704 et plus de 4 Go de RAM si images > 416×416
  • Ne pas déclarer des objets qui ne sont jamais dans les images !

yolov3.cfg

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
./darknet detector train data/obj.data data/yolov3.cfg darknet53.conv.74 -map

Test

Coller, dans le dossier compilé de darknet, le dossier data

./darknet detector test data/obj.data data/yolov3.cfg data/backup/yolov3_3000.weights shot_0.jpg

Morale du jour

Einstein a dit: “Deux choses sont infinies: l'univers et la bêtise humaine. Pour l'univers, je ne suis pas sûr !”

, ,
darknet_letters.1567176679.txt.gz · Dernière modification : 2019/08/30 14:51 de serge