Outils pour utilisateurs

Outils du site


yolo_darknet_avec_un_vrai_semaphore

Différences

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

Lien vers cette vue comparative

Les deux révisions précédentes Révision précédente
Prochaine révision
Révision précédente
yolo_darknet_avec_un_vrai_semaphore [2019/05/13 17:25]
serge [3 calcul]
yolo_darknet_avec_un_vrai_semaphore [2020/02/04 17:43] (Version actuelle)
serge ↷ Liens modifiés en raison d'un déplacement.
Ligne 3: Ligne 3:
 **{{tagpage>​semaphore|Sémaphores}}** ​ ....  **{{tagpage>​bge|Blender Game Engine}}** ....  **{{tagpage>​ia|Intelligence Artificielle}}** **{{tagpage>​semaphore|Sémaphores}}** ​ ....  **{{tagpage>​bge|Blender Game Engine}}** ....  **{{tagpage>​ia|Intelligence Artificielle}}**
 </​WRAP>​ </​WRAP>​
-<WRAP center round box 60% centeralign>​+ 
 +<WRAP group> 
 +<WRAP half column>​ 
 +<WRAP center round box 95% centeralign>​
 C'est quoi un sémaphore ? C'est quoi un sémaphore ?
 {{ youtube>​F3sY6_fOx2I?​medium }} {{ youtube>​F3sY6_fOx2I?​medium }}
 {{ :​chappe.jpeg?​400 }} {{ :​chappe.jpeg?​400 }}
 </​WRAP>​ </​WRAP>​
-\\ \\  +</​WRAP>​ 
-<WRAP center round box 60% centeralign>​+ 
 +<WRAP half column> 
 +<WRAP center round box 95% centeralign>​
 //​**Reconnaissance d'un vrai sémaphore avec YOLO Darknet**//​\\ //​**Reconnaissance d'un vrai sémaphore avec YOLO Darknet**//​\\
 </​WRAP>​ </​WRAP>​
-<WRAP center box 60% centeralign>​{{ :2019_05:​shot_106_y.png?​600 |}} +{{ media_03:​shot_106_y.png?​400 |}} 
-Ce sémaphore est une image virtuelle, mais c'est copie conforme du vrai !+Ce sémaphore est une image virtuelle ! 
 +</​WRAP>​
 </​WRAP>​ </​WRAP>​
- 
  
 =====Suite et fin===== =====Suite et fin=====
-De **[[y:yolo_darknet_sur_un_portable_optimus|Yolo Darknet sur un portable Optimus]]**+De **[[yolo_darknet_sur_un_portable_optimus|Yolo Darknet sur un portable Optimus]]** 
 + 
 +Un sémaphore a été construit dans le monde réel avec des pièces réalisées sur Imprimante 3D. 
 +Ce projet crée ce même sémaphore dans le Blender Game Engine donc dans un monde virtuel dans lequel je suis dieu tout puissant. Ce sémaphore est parfait. 
 +Cela permet d'​obtenir 60 000 images pour l'​apprentissage et le test de l'​intelligence de Yolo Darknet V3. 
 +Le BGE permet de faire varier les éclairage et leur couleurs, de le faire bouger et donner du random sur les angles des bras. 
 + 
 +Par contre, le BGE ne permet une sortie d'​image qu'en png. Il faut les convertir en jpg et les flouter en convolutive. 
 + 
 +=====Les sources sur GitHub===== 
 +  * **[[https://​github.com/​sergeLabo/​semaphore_blend_yolo|semaphore_blend_yolo]]** 
 +=====Installation===== 
 +Voir 
 +  * [[yolo_darknet_sur_un_portable_optimus#​installation_de_cuda_100_sur_xubuntu_1804|Cuda]] 
 +  * [[yolo_darknet_sur_un_portable_optimus#​installation_de_yolo_darknet|Darknet]] 
 + 
 +Blender 2.79b mais pas 2.80 qui n'a plus de BGE. Sur Xubuntu 18.04: 
 +  sudo apt-get install blender 
 +=====Fabrication des images===== 
 +Avec le lanceur create_shot.sh 
 + 
 +Important: Ne pas déplacer ou agrandir la fenêtre de Blender pendant que les 
 +images défilent. 
 + 
 +===Contrôle de la pertinence des fichiers txt=== 
 +Avec le script control.py du dossier control, en modifiant les chemins. 
 + 
 +===Conversion en jpg=== 
 +Avec convert_png_to_jpg.py,​ en modifiant les chemins. 
 + 
 +===Ajout d'un flou convolutionnel=== 
 +Avec blur_jpg.py,​ en modifiant les chemins. 
 + 
 +Le flou est important (0 à 5), enregistrées en jpg 90%. Des images parfaites semble ne pas convenir pour l'​apprentissage.
  
 =====Apprentissage===== =====Apprentissage=====
 ====cfg==== ====cfg====
 Relire tout le readme pour bien configurer en particulier:​ Relire tout le readme pour bien configurer en particulier:​
-  * for training for both small and large objects use modified models: yolov3-tiny_3l.cfg+  * for training for both small and large objects use modified models: ​**yolov3-tiny_3l.cfg** soit [[https://​github.com/​sergeLabo/​semaphore_blend_yolo/​blob/​master/​darknet/​calcul_1/​calcul_1_9000_jpg_90_small_var.cfg|calcul_1_9000_jpg_90_small_var.cfg]]
   * If you train the model to distinguish Left and Right objects as separate classes (left/right hand, left/​right-turn on road signs, ...) then for disabling flip data augmentation - add flip=0   * If you train the model to distinguish Left and Right objects as separate classes (left/right hand, left/​right-turn on road signs, ...) then for disabling flip data augmentation - add flip=0
  
 ====Apprentissage==== ====Apprentissage====
-   ​export PATH=/usr/local/cuda-10.0/​bin${PATH:​+:​${PATH}} +Adapter les chemins ! 
-  ./darknet detector train blend/​obj.data blend/yolov3-obj_3l_blend.cfg darknet53.conv.74 -map+  ./darknet partial blend/calcul_1_9000_jpg_90_small_var.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15 
 +  ./darknet detector train blend/​obj.data blend/calcul_1_9000_jpg_90_small_var.cfg  ​yolov3-tiny.conv.15 -map
   ​   ​
 ====3 calcul==== ====3 calcul====
-===Calcul 1===+===Calcul 1 sur 1060 GTX===
   * **jpg 90, faible variation d'​angle,​ faible variation de couleur et lumière**   * **jpg 90, faible variation d'​angle,​ faible variation de couleur et lumière**
   * 9 000 itérations   * 9 000 itérations
 +{{ media_03:​chart_avec_blur_sub_16_9000.png?​200 |}}
 +  * Détails des résultats: [[:​yolo_darknet_avec_un_vrai_semaphore_resultat_des_calculs#​calcul_1|Calcul 1]]
  
-===Calcul 2=== +===Calcul 2 sur 1060 GTX=== 
-idem calcul 1, mais 54 000 itérations. ​L'​efficacité est la même qu'​avec 9 000 itérations !+Suite du calcul 1, en repartant à 12000, et avec 54 000 itérations. 
 +{{ media_03:​chart_54000.png?​200 |}} 
 +  * Détails des résultats: [[:​yolo_darknet_avec_un_vrai_semaphore_resultat_des_calculs#​calcul_2|Calcul 2]]
  
-===Calcul 3=== +===Calcul 3 sur 765 GTX=== 
-  * **jpg 100, forte variation d'​angle,​ forte variation de couleur et lumière** +  * **jpg 100, forte variation d'​angle,​ forte variation de couleur et lumière, grand mât** 
-  * 12 000 itérations sur carte 765 GTX et subdivision=32+  * 12 000 itérations sur carte 765 GTX et subdivision=32 ​pour palier à la trop faible RAM du GPU. 
 +{{ media_03:​chart_big_var_12000.png?​200 |}} 
 +  * Détails des résultats: [[:​yolo_darknet_avec_un_vrai_semaphore_resultat_des_calculs#​calcul_3|Calcul 3]]
  
-{{ :​y:​chart_big_var_12000.png?​400 |}} 
  
-<code txt> +====Comparaison==== 
- ​calculation mAP (mean average precision)... +{{ media_03:​result.pdf |}} 
-6000 +{{media_03:​result.png?300|}} 
- ​detections_count ​17161, unique_truth_count ​5987   +=====Reconnaissance dans le monde réel===== 
-class_id ​0, name a,  17161   ​ap ​82.72 %  +La partie reconnaissance est dans le dossier [[https://​github.com/​sergeLabo/​semaphore_blend_yolo/​tree/​master/​darknet|semaphore_blend_yolo/​darknet]]
-class_id ​1, name space, ap 80.00 %  +
-class_id = 2, name = b, ap = 100.00 %  +
-class_id = 3, name = c, ap = 94.55 %  +
-class_id ​4, name d, ap 100.00 %  +
-class_id ​5, name e, ap 79.73 %  +
-class_id ​6, name f, ap 100.00 %  +
-class_id ​7, name = g, ap = 88.52 %  +
-class_id = 8, name = h, ap = 99.72 %  +
-class_id = 9, name = i, ap = 94.52 %  +
-class_id = 10, name = j, ap = 99.88 %  +
-class_id = 11, name = k, ap = 97.39 %  +
-class_id = 12, name = l, ap = 96.58 %  +
-class_id = 13, name = m, ap = 100.00 %  +
-class_id = 14, name = n, ap = 93.39 %  +
-class_id = 15, name = o, ap = 98.15 %  +
-class_id = 16, name = p, ap = 94.77 %  +
-class_id = 17, name = q, ap = 97.96 %  +
-class_id = 18, name = r, ap = 100.00 %  +
-class_id = 19, name = s, ap = 97.23 %  +
-class_id = 20, name = t, ap = 81.34 %  +
-class_id = 21, name = u, ap = 98.94 %  +
-class_id = 22, name = v, ap = 65.49 %  +
-class_id = 23, name = w, ap = 98.84 %  +
-class_id = 24, name = x, ap = 88.67 %  +
-class_id = 25, name = y, ap = 99.96 %  +
-class_id = 26, name = z, ap = 81.75 %  +
- for thresh = 0.25, precision = 0.94, recall = 0.86, F1-score = 0.90  +
- for thresh = 0.25, TP = 5175, FP = 343, FN = 812, average IoU = 82.32 % +
  
- IoU threshold = 50 %  +Une webcam regarde le sémaphoreCette webcam ne peut-être que: 
- mean average precision (mAP@0.50) = 0.929660, or 92.97 %  +  * **Microsoft HD5000** ça m’attriste cette pub !
-Total Detection Time: 388.000000 Seconds+
  
- ​mean_average_precision (mAP@0.5) = 0.929660 ​ 
-</​code>​ 
  
-=====Reconnaissance dans le monde réel===== 
-====Réglage d'une webcam en cours d'​utilisation par un programme, python par exemple==== 
-  sudo apt install v4l2ucp 
-  v4l2ucp 
-Noter les bonnes valeurs et les reporter dans le fichier darknet.ini 
  
  
-=====Les sources ​sur GitHub===== +====Rappel des pages pour l'​installation ​sur xubuntu amd64==== 
-  * [[https://​github.com/​sergeLabo/​semaphore_blend_yolo|semaphore_blend_yolo]]+  * Installation de cuda, cudnn, opencv, .... [[yolo_darknet_sur_un_portable_optimus#​installation_de_cuda_100_sur_xubuntu_1804]] 
 +  * Installation de darnet [[yolo_darknet_sur_un_portable_optimus#​installation_de_yolo_darknet]]
  
-{{tag> ia sb semaphore}}+====Mise à jour des sources==== 
 +  * Dans le dossier /​data/​projets/​semaphore_blend_yolo 
 + 
 +  git reset --hard origin/​master 
 + 
 +Copier le fichier libdarknet.so des sources compilées de darknet dans semaphore_blend_yolo/​darknet . 
 + 
 +====Exécution de la reconnaissance==== 
 +Dans le dossier semaphore_blend_yolo/​darknet 
 +  python3 get_semaphore_message 0 2  
 +   
 +===Arguments=== 
 +  * numéro de cam: 0 de /​dev/​video0 
 +  * numéro du calcul: 2 (1 ou 2 ou 3 sont possibles, 2 semble le meilleur)! 
 +   
 +===Fenêtre de message=== 
 +  * Espace: reset du message 
 +  * Echap: Quitter 
 + 
 +===Fenêtre de réglage=== 
 +  * threshold: entre 1 et 100, commencer entre 20 et 50. 
 +  * pile_size: Taille de la pile FIFO qui sert à valider les lettres, entre 1 et 2 fois le FPS (sur 1060GTX: FPS = 30) 
 + 
 +===Principe de la construction du message===  
 +  * une lettre est validée si toutes les lettres de la pile sont les mêmes, cela bloque l'​ajout de lettre 
 +  * une nouvelle lettre est possible si il y a au moins un intrus dans la pile, c'est le débloquage. 
 +  * Retour à la ligne toutes les 20 lettres 
 +  * Reset du message si plus de 100 lettres 
 + 
 +=====Nvidia Jetson Nano===== 
 +  * Reconnaissance sur une **[[:​nvidia_jetson_nano|Nvidia Jetson Nano]]** 
 + 
 +<WRAP group> 
 +<WRAP half column>​ 
 +{{ semaphore_jetson_nano_1.jpg?​400 |}}\\ 
 +Affichage d'un sémaphore virtuel devant la webcam du Jetson Nano 
 +</​WRAP>​ 
 +<WRAP half column>​ 
 +{{ semaphore_jetson_nano_2.jpg?​400 |}}\\ 
 +La reconnaissance sur le jetson Nano 
 +</​WRAP>​ 
 +</​WRAP>​ 
 + 
 +{{ vimeo>​344757901?​large }} 
 +=====Bonus: Réglage d'une webcam en cours d'​utilisation par un programme===== 
 +  sudo apt install v4l2ucp 
 +  v4l2ucp 
 +Reporter dans un fichier de configuration. 
 +{{tag> ia sb semaphore ​bge yolo_darknet deap_learning}}
  
yolo_darknet_avec_un_vrai_semaphore.1557761149.txt.gz · Dernière modification: 2019/05/13 17:25 par serge