Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Prochaine révision
Révision précédente
y:yolo_sans_carte_graphique [2019/03/19 18:03]
serge créée
y:yolo_sans_carte_graphique [2019/05/04 07:59] (Version actuelle)
serge ↷ Liens modifiés en raison d'un déplacement.
Ligne 1: Ligne 1:
-====== YOLO sans carte graphique ======+====== ​Yolo Darknet sans carte graphique ====== 
 +<WRAP center round box 80% centeralign>​ 
 +**{{tagpage>​semaphore|Sémaphores}}** ​ ....  **{{tagpage>​bge|Blender Game Engine}}** ....  **{{tagpage>​ia|Intelligence Artificielle}}** 
 +</​WRAP>​ 
 +<WRAP center round box 60% centeralign>​ 
 +C'est quoi un sémaphore ? 
 +{{ youtube>​F3sY6_fOx2I?​medium }} 
 +{{ :​chappe.jpeg?​400 }} 
 +</​WRAP>​ 
 +\\ \\  
 +<WRAP center round box 60% centeralign>​ 
 +//​**Installation de YOLO Darknet sur un portable ​sans carte graphique**//\\ 
 +//​**Simplement pour tester avec 1000 images**//​ 
 +</​WRAP>​ 
 +=====Sources et ressources===== 
 +  * **[[https://​github.com/​AlexeyAB/​darknet|darknet de AlexeyAB sur GitHub]] bien documenté** 
 +  * **[[https://​medium.com/​@manivannan_data/​how-to-train-yolov2-to-detect-custom-objects-9010df784f36|Détection avec YOLO v2]] Les explications pour créer les images training et test**  
 +  * **[[https://​medium.com/​@manivannan_data/​how-to-train-multiple-objects-in-yolov2-using-your-own-dataset-2b4fee898f17|How to train multiple objects in YOLOv2 using your own Dataset]]** 
 +  * **[[https://​medium.com/​@manivannan_data/​how-to-train-yolov3-to-detect-custom-objects-ccbcafeb13d2|How to train YOLOv3 to detect custom objects]]**
  
 +=====Création du set d'​apprentissage=====
 +Nous avons 1000 images 416x416 obtenus avec **[[y:​yolo_avec_mes_propres_images#​creation_du_set_d_apprentissage|Création du set d'​apprentissage]]**
 +et les fichiers test.txt et train.txt
 +
 +=====Compilation de darknet=====
 +Dépendances:​\\
 +Lancer la compilation et trouver les dépendances avec les erreurs.
 +  ​
 +Modification du fichier Makefile
 +<​code>​
 +GPU=0
 +CUDNN=0
 +CUDNN_HALF=0
 +OPENCV=0
 +AVX=0
 +OPENMP=1
 +LIBSO=1
 +</​code>​
 +
 +Dans le dossier de darknet:
 +  make -j8
 +
 +=====Fichiers manquants et à modifier=====
 +**darknet53.conv.74**
 +  wget https://​pjreddie.com/​media/​files/​darknet53.conv.74
 +
 +<WRAP group>
 +<WRAP half column>
 +**cfg/​obj.data**
 +<​code>​
 +classes= 27
 +train  = train.txt  ​
 +valid  = test.txt  ​
 +names = obj.names  ​
 +backup = backup/
 +</​code>​
 +</​WRAP>​
 +
 +<WRAP half column>
 +**Créer un fichier obj.names:​**
 +<​code>​
 +a
 +space
 +b
 +c
 +d
 +
 +etc .....
 +
 +x
 +y
 +z
 +</​code>​
 +</​WRAP>​
 +</​WRAP>​
 +
 +===cfg/​tinyv3-yolo.cfg===
 +  * **[[y:​yolo_darknet_scripts_de_configuration#​yolo_darknet_sans_carte_graphique|tinyv3-yolo.cfg disponible ici]]**
 +
 +===*.txt===
 +**test.txt et train.txt** sont à coller dans le dossier darknet\\
 +Les chemins dans ces fichiers sont absolus !
 +
 +=====Un petit calcul d'​apprentissage de 24 heures=====
 +  ./darknet detector train cfg/​obj.data cfg/​tiny-yolo.cfg darknet53.conv.74 -map
 +
 +ça crée un dossier darknet/​backup avec des fichiers:
 +
 +**yolov3-tiny_1000.weights yolov3-tiny_2000.weights yolov3-tiny_3000.weights**
 +
 +=====Un test enfin !=====
 + ​L'​image shot_878_e.jpg est copiée dans data, puis:
 +  ./darknet detector test cfg/​obj.data cfg/​yolov3-tiny.cfg backup/​yolov3-tiny_2000.weights data/​shot_878_e.jpg
 +
 +Le résultat est dans l'​image predictions.jpg du dossier darknet. ​
 +{{ :​2019_03:​predictions.jpg?​400 |Génial !}}
 +
 +**Efficacité = 0.00 %**
 +
 +=====Conclusion=====
 +Cette installation sert uniquement à apprendre, la suite avec une carte graphique: **[[y:​yolo_darknet_sur_un_portable_optimus|Yolo Darknet sur un portable Optimus]]** ​
 +
 +{{tag> ia sb semaphore}}
  • y/yolo_sans_carte_graphique.1553015019.txt.gz
  • Dernière modification: 2019/03/19 18:03
  • par serge