De Yolo Darknet sur un portable Optimus

Relire tout le readme pour bien configurer en particulier:

• for training for both small and large objects use modified models: yolov3-tiny_3l.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

 export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
./darknet detector train blend/obj.data blend/yolov3-obj_3l_blend.cfg darknet53.conv.74 -map

• jpg 90, faible variation d'angle, faible variation de couleur et lumière
• 9 000 itérations

• Détails des résultats: calcul_1

Suite du calcul 1, en repartant à 12000, et avec 54 000 itérations.

• Détails des résultats: calcul_2

• jpg 100, forte variation d'angle, forte variation de couleur et lumière, grand mât
• 12 000 itérations sur carte 765 GTX et subdivision=32 pour palier à la trop faible RAM du GPU.

• Détails des résultats: calcul_3

result.pdf

La partie reconnaissance est dans le dossier semaphore_blend_yolo/darknet

• Installation de cuda, cudnn, opencv, …. installation_de_cuda_100_sur_xubuntu_1804
• Installation de darnet installation_de_yolo_darknet

Copier le fichier libdarknet.so du dossier semaphore_blend_yolo/darknet dans le dossier darknet, des sources compilées de darknet.

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
python3 get_semaphore_message.py 0 2

0 est le numéro de cam

2 est le numéro du calcul, 2 semble le meilleur

• semaphore_blend_yolo

sudo apt install v4l2ucp
v4l2ucp

Reporter dans un fichier de configuration.