Outils pour utilisateurs

Outils du site


yolo_darknet_sur_un_portable_optimus

Yolo Darknet sur un portable Optimus

C'est quoi un sémaphore ?

chappe.jpeg



Installation de YOLO Darknet sur un portable avec Optimus
Test avec des images du sémaphore
Valable aussi pour un Desktop avec une carte graphique Nvidia

Considération générales

  • Xubuntu 18.04 CUDA 10.0 CUDNN 7.4.1.5
  • Ne pas utiliser le bureau Mate, il y a un conflit de dépendances entre CUDA et Mate Desktop
  • Sur Ubuntu, l'installation du driver propriétaire est facile, et il est possible d'avoir le driver Nvidia en permanence. Sur Debian, bbswitch permet d'utiliser la carte Nvidia en lançant un programme avec optirun. Ce serait bien d'essayer cette installation sur Debian !
  • Ce tuto a été écrit avec des tests réalisés sur un portable avec une carte 765GTX et sur une tour avec une carte 1060GTX

Ressources et documentation de YOLO Darknet

Darknet

Installation de CUDA 10.0 sur Xubuntu 18.04

Installation du driver Nvidia

Avec le Gestionnaire de pilotes supplémentaires

Installation de cuda,cudnn, opencv-python

Le tout va télécharger 3 à 4 Go !

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-repo-ubuntu1804_10.0.130-1_amd64.deb
wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1804_10.0.130-1_amd64.deb
sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
sudo apt-get update
sudo apt install ./nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
sudo apt-get update
sudo apt-get install --no-install-recommends cuda-10-0
sudo apt-get install --no-install-recommends libcudnn7=7.4.1.5-1+cuda10.0  libcudnn7-dev=7.4.1.5-1+cuda10.0
sudo apt-get install cmake clang python3-pip libopencv-dev libopencv-core-dev libopencv-highgui-dev libopencv-flann-dev libopencv-photo-dev libopencv-video-dev
sudo pip3 install opencv-python==3.4.5.20 scikit-image

Après installation, ne pas faire de mises à jour système: ça casserai libcudnn7=7.4.1.5-1+cuda10.0

Pour faire les mises à jour, il faudrait d'abord bloquer les versions de cuda et cudnn, y compris les dev.

Installation complémentaire pour mes projets

Installation de mon module personnel: Python: pymultilame

Installation de YOLO Darknet

Dans les sources décompressée de darknet:

Pour ajouter la libération de la RAM GPU entre 2 détections dans un script python, Darknet Letters unload GPU RAM in python script

Options de Makefile avec GPU avec CUDA avec OPENCV

GPU=1
CUDNN=1
CUDNN_HALF=0
OPENCV=1
AVX=0
OPENMP=0
LIBSO=1
ZED_CAMERA=0

Compil

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
# Vérification du bon fonctionnement de CUDA
nvidia-smi
nvcc -V
# Pour 8 coeurs
make -j8

L'excécutable est dans le dossier root de darknet.

Le fichier libdarknet.so de 1060GTX: libdarknet.so.zip

Préparation

Voir la page Yolo avec mes propres images pour la construction de 60 000 images 640×640 et des fichiers *.txt correspondants.

Ici nous utilisons Création d'images pour utiliser Yolo Darknet avec OpenCV.

Les axes blanc sont probablement important pour la reconnaissance.

darknet53.conv.74

wget https://pjreddie.com/media/files/darknet53.conv.74

Coller le fichier dans le dossier darknet

Créer un dossier axe où nous allons ranger les éléments de notre projet. Pourquoi “axe” ? parce que mon sémaphore à des axes !

axe/obj.data
Ce fichier définit les chemins vers les fichiers de configuration.

classes= 27
train  = axe/train.txt  
valid  = axe/test.txt  
names = axe/obj.names  
backup = axe/backup

Créer un fichier axe/obj.names:

a
space
b
c
d
etc .....
x
y
z

train.txt et test.txt

Les créer en collant le script create_train_test_txt.py dans le dossier axe. Puis:

  • installer pymultilame
  • adapter le chemin vers le dossier root des images dans le script

python3 create_train_test_txt.py Les fichiers train.txt et test.txt sont dans le dossier axe.

Le fichier *cfg

Pour avoir Yolo v3 avec:

  • Des objets main droite différent des objets main gauche
  • Des petits et des grands objets
  • vérifier avec le readme de Alexei

Training

./darknet detector train axe/obj.data axe/yolov3-obj_3l_labo_axe.cfg darknet53.conv.74 -map

Message final

 calculation mAP (mean average precision)...
6000
 detections_count = 9091, unique_truth_count = 6000  
class_id = 0, name = a, ap = 100.00%   	 (TP = 216, FP = 1) 
class_id = 1, name = space, ap = 98.59%   	 (TP = 218, FP = 6) 
class_id = 2, name = b, ap = 100.00%   	 (TP = 203, FP = 0) 
class_id = 3, name = c, ap = 99.99%   	 (TP = 227, FP = 0) 
class_id = 4, name = d, ap = 100.00%   	 (TP = 223, FP = 0) 
class_id = 5, name = e, ap = 86.90%   	 (TP = 129, FP = 26) 
class_id = 6, name = f, ap = 100.00%   	 (TP = 225, FP = 1) 
class_id = 7, name = g, ap = 100.00%   	 (TP = 218, FP = 0) 
class_id = 8, name = h, ap = 100.00%   	 (TP = 252, FP = 1) 
class_id = 9, name = i, ap = 98.82%   	 (TP = 196, FP = 2) 
class_id = 10, name = j, ap = 100.00%   	 (TP = 217, FP = 0) 
class_id = 11, name = k, ap = 100.00%   	 (TP = 243, FP = 0) 
class_id = 12, name = l, ap = 100.00%   	 (TP = 222, FP = 1) 
class_id = 13, name = m, ap = 100.00%   	 (TP = 229, FP = 0) 
class_id = 14, name = n, ap = 93.93%   	 (TP = 200, FP = 88) 
class_id = 15, name = o, ap = 100.00%   	 (TP = 217, FP = 4) 
class_id = 16, name = p, ap = 100.00%   	 (TP = 241, FP = 16) 
class_id = 17, name = q, ap = 100.00%   	 (TP = 235, FP = 15) 
class_id = 18, name = r, ap = 99.52%   	 (TP = 184, FP = 0) 
class_id = 19, name = s, ap = 100.00%   	 (TP = 222, FP = 2) 
class_id = 20, name = t, ap = 99.98%   	 (TP = 212, FP = 24) 
class_id = 21, name = u, ap = 100.00%   	 (TP = 198, FP = 1) 
class_id = 22, name = v, ap = 74.66%   	 (TP = 76, FP = 0) 
class_id = 23, name = w, ap = 100.00%   	 (TP = 205, FP = 0) 
class_id = 24, name = x, ap = 100.00%   	 (TP = 245, FP = 0) 
class_id = 25, name = y, ap = 100.00%   	 (TP = 223, FP = 0) 
class_id = 26, name = z, ap = 100.00%   	 (TP = 223, FP = 0) 

 for thresh = 0.25, precision = 0.97, recall = 0.95, F1-score = 0.96 
 for thresh = 0.25, TP = 5699, FP = 188, FN = 301, average IoU = 87.69 % 
 IoU threshold = 50 %, used Area-Under-Curve for each unique Recall 
 mean average precision (mAP@0.50) = 0.982366, or 98.24 % 
 mean_average_precision (mAP@0.5) = 0.982366 

Testing

Test sur une image

./darknet detector test axe/obj.data  axe/yolov3-obj_3l_labo_axe.cfg axe/backup/yolov3-obj_3l_labo_axe_final.weights axe/shot_36_space.jpg

Le résultat est dans l'image predictions.jpg du dossier axe.


shot_36_space.jpg: Predicted in 58.519000 milli-seconds:
space: 40%

Test sur une video et enregistrement du résultat

./darknet detector demo axe/obj.data axe/yolov3-obj_3l_labo_axe.cfg axe/backup/yolov3-obj_3l_labo_axe_final.weights axe/semaphore.avi -i 0 -thresh 0.10 -out_filename axe/res_semaphore.avi

Test avec webcam et enregistrement du résultat

Pour webcam=0

./darknet detector demo axe/obj.data axe/yolov3-obj_3l_labo_axe.cfg axe/backup/yolov3-obj_3l_labo_axe_final.weights -thresh 0.25 -c 0 

Avec un vrai sémaphore

yolo_darknet_sur_un_portable_optimus.txt · Dernière modification : 2020/12/27 15:09 de serge