Darknet Letters Tous les essais

• darknet-letters

Créer et testé sur Debian Buster 10

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

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”.

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!

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

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

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. Malheureusement, la conversion dans le Blender Game Engine est très lente, plusieurs heures au lieu de quelques minutes avec le script analyse_play_midi.py

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

• 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

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

Avec le script ./letters/darknet/create_train_test_txt.py

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

• https://github.com/AlexeyAB/darknet

• Recherche sur ressources universitaires avec Google scholar.

• Installation de Cuda 10.0 sur Xubuntu 18.04

• Installation de Yolo 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

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

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

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
...
...

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

font_0_b
...
...
font_9_S
font_9_T

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

Non! pas de locomotive à vapeur ici !

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 !

• RAM GPU > 4.5 Go

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

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.

3 layers

./darknet partial data_09/yolov3-tiny_3l_09.cfg yolov3-tiny.weights data_09/yolov3-tiny.conv.15 15
./darknet detector train data_09/obj.data data_09/yolov3-tiny_3l_09.cfg data_09/yolov3-tiny.conv.15 -map

Le fichier yolov3-tiny_3l_xx_best.weights fait 38.1 Mo

2 layers

./darknet partial data_12/yolov3-tiny_12.cfg yolov3-tiny.weights data_12/yolov3-tiny.conv.15 15
./darknet detector train data_12/obj.data data_12/yolov3-tiny_12.cfg data_12/yolov3-tiny.conv.15 -map

Le fichier yolov3-tiny_12_best.weights fait Mo

• Tous les essais sur cette page

Et le script play_letters.py du dossier play_letters. Il faut copier les fichiers:

• darknet.py
• libdarknet.so

des sources compilées de darknet dans le dossier play_letters.

Créer les images de json_to_image avec l'option 5 du jeu letters.

Les fichiers midi qui seront convertis en images sont ceux de /letters/midi/music/non_git/pour_ia

Définir le FPS dans letters.ini dans la section [json_to_image]

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

Voir la page Darknet Letters unload GPU RAM in python script

• 50000 itérations de 50 000 images de 416×416 = 6 jours * 24 * 0.2 kW = kwh à 0.17 € le kWh soit 5 €

6 mois de calcul = 150 €

• Quel serait le coût sur un Pentaflops ?
• Et si La Labomedia achète un Pentaflops ?
• timdettmers.com Which GPU(s) to Get for Deep Learning
• www.quora.com avec un graphique qui teste alexnet (yolo ?) conseille une GTX 1080 Ti à 750€ (en fin de série) ou une RTX 2080 Ti 11GB à 1100€.
• timdettmers.com A Full Hardware Guide to Deep Learning. La carte mère et le CPU peuvent être très modeste !
• lambdalabs.com Deep Learning GPU Benchmarks - Tesla V100 vs RTX 2080 Ti vs GTX 1080 Ti vs Titan V
• slavv.com/ Picking a GPU for Deep Learning
• hackernoon.com How to create your own deep learning rig: A complete hardware guide

• NVIDIA TITAN RTX 20% de remise sur 2720€ soit €2,159.20

• https://github.com/ryujaehun/pytorch-gpu-benchmark

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 !

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.”