Outils pour utilisateurs

Outils du site


yolo_darknet_sur_un_portable_optimus

Différences

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

Lien vers cette vue comparative

Les deux révisions précédentesRévision précédente
Prochaine révision
Révision précédente
Prochaine révisionLes deux révisions suivantes
yolo_darknet_sur_un_portable_optimus [2019/03/26 14:48] – [Considération générales] sergeyolo_darknet_sur_un_portable_optimus [2020/02/04 16:25] – ↷ Liens modifiés en raison d'un déplacement. serge
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>
 +C'est quoi un sémaphore ?
 +{{ youtube>F3sY6_fOx2I?medium }}
 +{{ :chappe.jpeg?400 }}
 +</WRAP>
 +\\ \\ 
 <WRAP center round box 80% centeralign> <WRAP center round box 80% centeralign>
 //**Installation de YOLO Darknet sur un portable avec Optimus**//\\ //**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**//\\
 </WRAP> </WRAP>
  
-{{ chappe.jpeg?400 }}+ 
 + 
 =====Considération générales===== =====Considération générales=====
-  * **Xubuntu 18.04 CUDA 10.0 CUDNN 7.4.1.5 ** Ne pas utiliser Ubuntu Mate, il y a un conflit de dépendances entre CUDA et Mate Desktop +  * **Xubuntu 18.04 CUDA 10.0 CUDNN 7.4.1.5 **  
-  * **Valable aussi pour un Desktop avec une carte graphique Nvidia** +  * **Ne pas utiliser le bureau Mate**, il y a un conflit de dépendances entre CUDA et Mate Desktop 
-  * **Sur Ubuntu, il est possible d'avoir le driver Nvidia en permanence.** Sur Debian, bbswitch permet de passer de la carte Intel à Nvidia.  +  * **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 optirunCe serait bien d'essayer cette installation sur Debian  
-<WRAP center round todo 60%> +  * **Ce tuto a été écrit avec des tests réalisés sur un portable avec une carte 765GTX et sur une tour avec une carte 1060GTX**
-Tester ce tuto sur Debian sans optirun  +
-</WRAP>+
 =====Ressources et documentation de YOLO Darknet===== =====Ressources et documentation de YOLO Darknet=====
 ===Darknet=== ===Darknet===
-  * **[[https://github.com/AlexeyAB/darknet|darknet de AlexeyAB sur GitHub]] Nous allons suivre à la lettre ce README** +  * **[[https://github.com/AlexeyAB/darknet|darknet de AlexeyAB sur GitHub]] Nous allons suivre ce README à la lettre.** 
-  * **[[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-yolov3-to-detect-custom-objects-ccbcafeb13d2|Détection avec YOLO v3]]** +
-  * **[[https://medium.com/@manivannan_data/how-to-train-multiple-objects-in-yolov2-using-your-own-dataset-2b4fee898f17|Détection avec YOLO v2 avec plusieurs objets]]** +
-===Portable Optimus=== +
-  * https://towardsdatascience.com/how-to-use-tensorflow-on-the-gpu-of-your-laptop-with-ubuntu-18-04-554e1d5ea189 +
-  * https://medium.com/@taylordenouden/installing-tensorflow-gpu-on-ubuntu-18-04-89a142325138 +
-  * https://medium.com/@agathver/nvidia-gpu-optimus-prime-and-ubuntu-18-04-woes-f52e7f850f3d +
-  * [[https://gist.github.com/mari-linhares/cef4cb3440408e44963d1447a7db5ae0|Setting up a MSI laptop with GPU @ github.com]] +
-  * https://www.tensorflow.org/install/gpu#ubuntu_1804_cuda_10+
 =====Installation de CUDA 10.0 sur Xubuntu 18.04===== =====Installation de CUDA 10.0 sur Xubuntu 18.04=====
-  * https://www.tensorflow.org/install/gpu#ubuntu_1804_cuda_10+  * [[https://www.tensorflow.org/install/gpu#ubuntu_1804_cuda_10| CUDA 10 sur Ubuntu 18.04 @ tensorflow.org]]
 ====Installation du driver Nvidia==== ====Installation du driver Nvidia====
 Avec le Gestionnaire de pilotes supplémentaires Avec le Gestionnaire de pilotes supplémentaires
-====Installation====+====Installation de cuda,cudnn, opencv-python====
 Le tout va télécharger 3 à 4 Go ! Le tout va télécharger 3 à 4 Go !
 <code> <code>
Ligne 43: Ligne 43:
 sudo apt-get install --no-install-recommends cuda-10-0 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 --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 libopencv-dev +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+sudo pip3 install opencv-python==3.4.5.20 scikit-image
 </code> </code>
-=====Installation de YOLO Darknet===== 
  
 +Après installation, ne pas faire de mises à jour système: ça casserai libcudnn7=7.4.1.5-1+cuda10.0
  
-====Avec GPU avec CUDA avec OPENCV==== +Pour faire les mises à jour, il faudrait d'abord bloquer les versions de cuda et cudnn, y compris les dev. 
-Recommencer avec une copie des sources originale de darknet + 
-===Options de Makefile===+====Installation complémentaire pour mes projets==== 
 +Installation de mon module personnel: [[:pymultilame|Python: pymultilame]] 
 + 
 + 
 + 
 +=====Installation de YOLO Darknet===== 
 +Dans les [[https://github.com/AlexeyAB/darknet|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|Darknet Letters unload GPU RAM in python script]] 
 +====Options de Makefile avec GPU avec CUDA avec OPENCV====
 <code> <code>
 GPU=1 GPU=1
Ligne 59: Ligne 69:
 AVX=0 AVX=0
 OPENMP=0 OPENMP=0
-LIBSO=0+LIBSO=1
 ZED_CAMERA=0 ZED_CAMERA=0
 </code> </code>
-===Compil===+====Compil====
 <code> <code>
 export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}} export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
Ligne 71: Ligne 81:
 make -j8 make -j8
 </code> </code>
 +L'excécutable est dans le dossier root de darknet.
  
-=====Application sur le sémaphore===== +Le fichier libdarknet.so de 1060GTX: {{ :2019_05:libdarknet.so.zip |}} 
-Voir la page **[[yolo_sans_carte_graphique|YOLO sans carte graphique]]** pour la construction des images et des fichiers train.txt et test.txt+=====Préparation===== 
 +Voir la page **[[yolo_avec_mes_propres_images|Yolo avec mes propres images]]** pour la construction de **60 000 images 640x640** et des fichiers *.txt correspondants.
  
 +Ici nous utilisons **[[https://github.com/sergeLabo/semaphore_cv_yolo|Création d'images pour utiliser Yolo Darknet avec OpenCV]]**.
 +
 +Les axes blanc sont probablement important pour la reconnaissance.
 +
 +{{media_01:shot_53_z.jpg?200|}}
 +{{media_01:shot_455_w.jpg?200|}}
 +{{media_01:shot_894_c.jpg?200|}}
 +{{media_01:shot_1916_z.jpg?200|}}
 +{{media_01:shot_59248_j.jpg?200|}}
 +  
 **darknet53.conv.74** **darknet53.conv.74**
   wget https://pjreddie.com/media/files/darknet53.conv.74   wget https://pjreddie.com/media/files/darknet53.conv.74
 +Coller le fichier dans le dossier darknet
  
-**cfg/obj.data**+Créer un dossier axe où nous allons ranger les éléments de notre projet. Pourquoi "axe" ? parce que mon sémaphore à des axes ! 
 +<WRAP group> 
 +<WRAP half column> 
 +**axe/obj.data**\\ 
 +Ce fichier définit les chemins vers les fichiers de configuration.
 <code> <code>
 classes= 27 classes= 27
-train  = train.txt   +train  = axe/train.txt   
-valid  = test.txt   +valid  = axe/test.txt   
-names = obj.names   +names = axe/obj.names   
-backup = backup/+backup = axe/backup
 </code> </code>
 +</WRAP>
  
-**cfg/tiny-yolo.cfg**+<WRAP half column> 
 +**Créer un fichier axe/obj.names:**
 <code> <code>
-Line 2: batch=24 +a 
-Line 3: set subdivisions=8 +space 
-Line 120: set classes=1 +b 
-Line 114: filters=160+
 +
 +etc ..... 
 +
 +
 +z
 </code> </code>
 +</WRAP>
 +</WRAP>
  
-**test.txt et train.txt** sont à coller dans le dossier darknet\\ +===train.txt et test.txt=== 
-Les chemins dans ces fichiers sont absolus !+Les créer en collant le script **[[https://github.com/sergeLabo/semaphore_cv_yolo/blob/master/get_opencv_shot/create_train_test_txt.py|create_train_test_txt.py]]** dans le dossier axe. Puis: 
 +  * installer [[:pymultilame|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.
  
-====Apprentissage==== +===Le fichier *cfg=== 
-  ./darknet detector train cfg/obj.data cfg/tiny-yolo.cfg darknet53.conv.74+  * **[[https://github.com/sergeLabo/semaphore_cv_yolo/blob/master/axe/yolov3-obj_3l_labo_axe.cfg|yolov3-obj_3l_labo_axe.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
  
-ça crée des fichiers dans dossier darknet/backup:+=====Training===== 
 +  ./darknet detector train axe/obj.data axe/yolov3-obj_3l_labo_axe.cfg darknet53.conv.74 -map
  
-**yolov3-tiny_1000.weights\\ +{{ media_01:chart.png?300 |}} 
-yolov3-tiny_2000.weights\\ + 
-yolov3-tiny_3000.weights +===Message final=== 
-** +<code> 
-=====Contexte===== + calculation mAP (mean average precision)... 
-==== Laptop ====+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  
 +</code> 
 + 
 +=====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. 
 <WRAP group> <WRAP group>
 <WRAP half column> <WRAP half column>
-  * Intel® Core™ i7-Intel® Core™ i7-4702MQ CPU @ 2.20GHz × 84702MQ CPU @ 2.20GHz × 8 +{{media_01:predictions_b_h.jpg?400|}}
-  * Memory Device +
-    * Total Width: 64 bits +
-    * Size: 8192 MB +
-    * Type: DDR3 +
-    * Speed: 1600 MHz +
-    * Configured Clock Speed: 1600 MHz +
-  * Vitesse maximale du processeur en MHz : 3200,0000 +
-  * Vitesse minimale du processeur en MHz : 800,0000 +
-  * Ram 7,7 Gio+
 </WRAP> </WRAP>
- 
 <WRAP half column> <WRAP half column>
-  * NVIDIA Corporation GK106M [[https://www.notebookcheck.biz/NVIDIA-GeForce-GTX-765M.94344.0.html|GeForce GTX 765M]] +{{media_01:predictions_space.jpg?400|}}\\ 
-    * Core +shot_36_space.jpgPredicted in 58.519000 milli-seconds:\\ 
-      * ArchitectureKepler +space40%
-      * CUDA Cores 768 +
-      * Clock Freq (MHz) 850 + Boost +
-    * Memory +
-      * Memory Clock (MHz) 2000 +
-      * Standard Memory Configuration GDDR5 +
-      * Memory Interface Width 128 bit +
-    * Memory Bandwidth (GB/sec)64.0 +
-    * Date de présentation30.05.2013+
 </WRAP> </WRAP>
 </WRAP> </WRAP>
 +  
 +====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
 +
 +{{ vimeo>330471526?medium }}
 +====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 
 +{{ vimeo>330723924?medium }}
 +
 +=====Avec un vrai sémaphore=====
 +  * **[[yolo_darknet_avec_un_vrai_semaphore|Yolo Darknet avec un vrai sémaphore]]**
 +  * **[[https://github.com/sergeLabo/semaphore_blend_yolo|et les sources correspondantes sur GitHub]]**
 +
 +{{tag> ia sb semaphore  yolo_darknet deap_learning}}
 +
  
-{{tag> ia sb semaphore }} 
yolo_darknet_sur_un_portable_optimus.txt · Dernière modification : 2020/12/27 15:09 de serge