Outils pour utilisateurs

Outils du site


darknet_letters

Ceci est une ancienne révision du document !


Darknet Letters

Le fond noir ne convient pas, il faut une video !

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

Conseils pour YOLO Darknet V3

  • Images de 416×416
  • RAM de 16 Go
  • RAM GPU de 6 Go
  • SWAP de 64 Go sur SSD

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.

Editer:

sudo nano /etc/security/limits.conf

Ajouter:

@audio   -  rtprio      90
@audio   -  memlock     unlimited

Le user doit être dans le groupe 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 peut être TimGM6mb.sf2 de Tim Brechbill qui est dans le dossier letters/midi/soundfont
C'est à définir dans letters.ini

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, et envoyer un message à l'auteur.
  3. Les modifications de configuration se font dans ./letters/letters.ini

Dans ce fichier, définir en particulier:

  • les chemins de /shot/ et /shot_jpg/
  • le nombre d'images à créer: 20000
  • la taille des images: 416

Le jeu letters

Dans le dossier darknet-letters, lancer

./play_letters.sh
 1 - Retour au logo
 2 - Lancement de letters
     SPACE pour changer de musique
 3 - Fabrication des shot pour l'IA
 4 - Conversion en json
 5 - Conversion d'une musique en image
 H - Help
 R - Reset
 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

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

En 5: Crée un jeu d'images pour ensuite tester l'IA avec show_letters.py

Création du set d'images pour l'apprentissage

Création des images

  • Création des images avec l'option 3.

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

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

Controle des fichiers txt de chaque image

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

Yolo V3 Darknet

Ressources

  • Recherche sur ressources universitaires avec Google scolar.

Installation de CUDA

Compilation de Darknet

Modification du Makefile pour une carte GTX 1060:

# ARCH= -gencode arch=compute_30,code=sm_30 \
#       -gencode arch=compute_35,code=sm_35 \
#       -gencode arch=compute_50,code=[sm_50,compute_50] \
#       -gencode arch=compute_52,code=[sm_52,compute_52] \
#       -gencode arch=compute_61,code=[sm_61,compute_61]

# GTX 1080, GTX 1070, GTX 1060, GTX 1050, GTX 1030, Titan Xp, Tesla P40, Tesla P4
ARCH= -gencode arch=compute_61,code=sm_61 -gencode arch=compute_61,code=compute_61

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

Définit les chemins des fichiers utilisés: les chemins relatifs sont comptés depuis le dossier darknet, d'où sera lancé la commande de l'apprentissage:

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

Apprentissage soit Training appelé train

Non! pas de locomotive à vapeur ici !

RAM et SWAP

Lors de l'estimation de l'efficacité, les images de test définies dans test.txt sont certainement chargées en mémoire.

Avec 10% des images en images test, soit 3000 images 416×416, les images occupent:

  • RAM: 15.5 Go sur 15.7 Go
  • SWAP: 19.7 Go sur 64 Go

Prévoir une grosse SWAP, par exemple 64 Go !

Taille de la RAM GPU

  • RAM GPU > 4.5 Go

La taille maxi des images possible est 416×416 avec 6 Go de Ram GPU

Apprentissage avec yolov3.cfg

Dans le dossier /darknet:

./darknet detector train data/obj.data data/yolov3.cfg darknet53.conv.74 -map

Les chemins “data/…” doivent être cohérent avec obj.data, le dossier “backup” doit exister.

Calcul

Fin d'un calcul avec un fond noir, qui a une très bonne efficacité théorique, mais ne reconnaît rien de bien !

Durée d'un calcul et consommation électrique

  • 6 jours * 24 * 0.2 kW = kwh à 0.17 € le kWh soit 5 €

Quels matériels pour un apprentissage rapide ?

  • Quel serait le coût sur un Pentaflops ?
  • Et si La Labomedia achète un Pentaflops ?

Remise spéciale Education

Benchmark

Bilan

Je suis un chercheur compétitif, près de mes sous, pauvre, fou d'apprentissage automatique et comme Salvador Dali du chocolat Lanvin: GTX 1060 (6GB) en fin de série à 200 € + 35 € de RAM dans un ordinateur d'emprunt !

Essais

Modifications suite à Apprentissage raté

  • Test avec yolov3-tiny.cfg
  • Test avec yolov3_5l.cfg
  • Test avec yolov3-tiny_3l.cfg
  • Grosse erreur perso: 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.” Achat de DDR3 1600 mHz 16 Go pour remplacer les 4 Go existants.
  • Diminution des superpositions avec size de 0.6 à 0.9
  • Images avec minuscules seules et images avec majuscules seules pour diminuer le nombre de lettres dans l'image et donc les superpositions.
  • Reprise des 400 images des lettres pour les cadrer serrées (20 heures de boulot) !
  • Ne pas déclarer des objets qui ne sont jamais dans les images !

Erreur de segmentation avec yolov3-tiny.cfg

yolov3-tiny va plus vite en test mais fini toujours par une erreur de segmentation après quelques images.

Essai 02

  • fond video
  • flou de 3 à 7
  • letters_scale = 1.09
  • 30 000 images
  • 90 000 itérations
  • Shadeless pas de variation de couleurs et éclairage

Résultat:

  • Pas mal mais trop de lettres ne sont pas reconnues, et certaines avec 2 reconnaissances

Essai 03

  • fond noir
  • pas de flou
  • taille 416
  • 50 000 images
  • vérification du nombre de lettres: objectif 2000 par lettres, réel 1948
  • changement du json utilisé par créer les shot: minuscules et majuscules séparées et pas de séparation des polices avec des canaux vides.
  • yolo_v3.cfg
  • letters_scale = 1.01
  • plage_x = 4.5
  • plage_y = 4.5
  • size_min = 0.6
  • size_max = 0.9
  • variation de couleurs et éclairage avec un Sun
  • début 25/09/2019 à 10h, fin 01/10/2019 à 6h55
  • 50 000 itérations

Efficacité 99% mais reconnaît très mal les lettres, et la détection de leur position très très large par rapport au réel.

Essai 04

Idem Essai 03 mais:

  • fond video
  • début

Test

Test simple sur une image

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

Test sur le jeu d'image de json_to_image

Et le script show_letters.py. Il faut copier les fichiers:

  • darknet.py
  • libdarknet.so

des sources compilées de darknet dans le dossier darknet de letters.

Créer les images de json_to_image avec l'option 5 du jeu letters. Définir le fichier json à convertir en images en définissant json_to_image dans letters.ini

Il n'y a que 10 canaux midi au maximum possibles.

Morale du jour

Einstein a dit:

“Deux choses sont infinies : l'Univers et la bêtise humaine.

Mais, en ce qui concerne l'Univers, je n'en ai pas encore acquis la certitude absolue.”

, ,
darknet_letters.1569931013.txt.gz · Dernière modification : 2019/10/01 11:56 de serge