Différences

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

--- y:yolo_sans_carte_graphique [2019/03/22 19:34]
serge [Training avec les images du sémaphore]
+++ 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>
-<WRAP center round box 80% centeralign>
+C'est quoi un sémaphore ?
-**Installation de YOLO Darknet sur un portable avec Optimus**\\
+{{ youtube>F3sY6_fOx2I?medium }}
-**En première mondiale**
+{{ :chappe.jpeg?400 }}
 </WRAP>
+\\ \\
-=====Sources et documentation=====
+<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 **[[yolo_avec_mes_propres_images#creation_du_set_d_apprentissage|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====
+Dépendances:\\
-Il est très probable que darknet marche avec opencv-python==4.0.0 !
+Lancer la compilation et trouver les dépendances avec les erreurs.
-  sudo pip3 uninstall opencv-python==4.0.0
-  sudo pip3 install opencv-python==3.4.5.20
-====Compilation====
 Modification du fichier Makefile
 <code>
@@ Ligne 36: / Ligne 39: @@
 Dans le dossier de darknet:
-  make
+  make -j8
-=====Premier test=====
+=====Fichiers manquants et à modifier=====
-====Fichiers manquants====
 **darknet53.conv.74**
   wget https://pjreddie.com/media/files/darknet53.conv.74
+<WRAP group>
+<WRAP half column>
 **cfg/obj.data**
 <code>
@@ Ligne 51: / Ligne 55: @@
 backup = backup/
 </code>
+</WRAP>
-**cfg/tiny-yolo.cfg**
+<WRAP half column>
+**Créer un fichier obj.names:**
 <code>
-Line 2: batch=24
+a
-Line 3: set subdivisions=8
+space
-Line 120: set classes=1
+b
-Line 114: filters=160
+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
+  ./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_1000.weights yolov3-tiny_2000.weights yolov3-tiny_3000.weights**
-yolov3-tiny_2000.weights\\
-yolov3-tiny_3000.weights
-**
 =====Un test enfin !=====
-L'image shot_878_e.jpg est copiée dans data, puis
+ L'image shot_878_e.jpg est copiée dans data, puis:
-  ./darknet detector test cfg/obj.data cfg/yolov3-tiny.cfg backup/yolov3-tiny_1000.weights data/shot_878_e.jpg
+  ./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.
+Le résultat est dans l'image predictions.jpg du dossier darknet.
 {{ :2019_03:predictions.jpg?400 |Génial !}}
-**Efficacité = 0.0000000000000000000000000000000000 %**
+**Efficacité = 0.00 %**
 =====Conclusion=====
-Une carte graphique s'impose: **[[yolo_v3_sur_un_portable_optimus|YOLO sur un portable Optimus]]**
+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}}
-=====Bazar à revoir=====
-Modification des options dans Makefile avec GPU
-<code>
-    GPU=1
-    CUDNN=1
-    CUDNN_HALF=1
-    OPENCV=1
-    DEBUG=0
-    OPENMP=1
-    LIBSO=1
-</code>
-Dans le dossier darknet
-  make
-====Export avant utilisation du binaire darknet====
-====On tourne====
-  ./darknet detector test ./cfg/coco.data ./cfg/yolov3.cfg ./yolov3.weights
-{{tag> ia sb semaphore }}