yolo_darknet_sur_un_portable_optimus
Différences
Ci-dessous, les différences entre deux révisions de la page.
Les deux révisions précédentesRévision précédenteProchaine révision | Révision précédenteProchaine révisionLes deux révisions suivantes | ||
yolo_darknet_sur_un_portable_optimus [2019/04/09 14:08] – [Préparation] serge | yolo_darknet_sur_un_portable_optimus [2020/10/04 08:50] – Tag0 Added: apprentissage_automatique serge | ||
---|---|---|---|
Ligne 3: | Ligne 3: | ||
**{{tagpage> | **{{tagpage> | ||
</ | </ | ||
+ | <WRAP center round box 60% centeralign> | ||
+ | C'est quoi un sémaphore ? | ||
+ | {{ youtube> | ||
+ | {{ : | ||
+ | </ | ||
+ | \\ \\ | ||
<WRAP center round box 80% centeralign> | <WRAP center round box 80% centeralign> | ||
// | // | ||
Ligne 8: | Ligne 14: | ||
//**Valable aussi pour un Desktop avec une carte graphique Nvidia**// | //**Valable aussi pour un Desktop avec une carte graphique Nvidia**// | ||
</ | </ | ||
- | {{ chappe.jpeg? | + | |
+ | |||
=====Considération générales===== | =====Considération générales===== | ||
- | * **Xubuntu 18.04 CUDA 10.0 CUDNN 7.4.1.5 ** Ne pas utiliser | + | * **Xubuntu 18.04 CUDA 10.0 CUDNN 7.4.1.5 |
- | * **Sur Ubuntu, il est possible d' | + | * **Ne pas utiliser |
+ | * **Sur Ubuntu, | ||
+ | * **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===== | =====Ressources et documentation de YOLO Darknet===== | ||
===Darknet=== | ===Darknet=== | ||
- | * **[[https:// | + | * **[[https:// |
=====Installation de CUDA 10.0 sur Xubuntu 18.04===== | =====Installation de CUDA 10.0 sur Xubuntu 18.04===== | ||
- | * https:// | + | * [[https:// |
====Installation du driver Nvidia==== | ====Installation du driver Nvidia==== | ||
Avec le Gestionnaire de pilotes supplémentaires | Avec le Gestionnaire de pilotes supplémentaires | ||
- | ====Installation==== | + | ====Installation |
Le tout va télécharger 3 à 4 Go ! | Le tout va télécharger 3 à 4 Go ! | ||
< | < | ||
Ligne 33: | 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 | sudo apt-get install --no-install-recommends libcudnn7=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 |
</ | </ | ||
+ | |||
+ | Après installation, | ||
+ | |||
+ | Pour faire les mises à jour, il faudrait d' | ||
+ | |||
+ | ====Installation complémentaire pour mes projets==== | ||
+ | Installation de mon module personnel: [[: | ||
+ | |||
+ | |||
+ | |||
=====Installation de YOLO Darknet===== | =====Installation de YOLO Darknet===== | ||
- | Dans les sources décompressée de darknet: | + | Dans les [[https:// |
- | ====Avec GPU avec CUDA avec OPENCV==== | + | |
- | Recommencer avec une copie des sources originale de darknet | + | Pour ajouter la libération de la RAM GPU entre 2 détections dans un script python, |
- | ===Options de Makefile=== | + | [[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==== | ||
< | < | ||
GPU=1 | GPU=1 | ||
Ligne 48: | Ligne 69: | ||
AVX=0 | AVX=0 | ||
OPENMP=0 | OPENMP=0 | ||
- | LIBSO=0 | + | LIBSO=1 |
ZED_CAMERA=0 | ZED_CAMERA=0 | ||
</ | </ | ||
- | ===Compil=== | + | ====Compil==== |
< | < | ||
export PATH=/ | export PATH=/ | ||
Ligne 61: | Ligne 82: | ||
</ | </ | ||
L' | L' | ||
+ | |||
+ | Le fichier libdarknet.so de 1060GTX: {{ libdarknet.so.zip |}} | ||
=====Préparation===== | =====Préparation===== | ||
- | Voir la page **[[yolo_sans_carte_graphique|YOLO sans carte graphique]]** pour la construction | + | Voir la page **[[yolo_avec_mes_propres_images|Yolo avec mes propres images]]** pour la construction |
+ | Ici nous utilisons **[[https:// | ||
+ | |||
+ | Les axes blanc sont probablement important pour la reconnaissance. | ||
+ | |||
+ | {{media_01: | ||
+ | {{media_01: | ||
+ | {{media_01: | ||
+ | {{media_01: | ||
+ | {{media_01: | ||
+ | | ||
**darknet53.conv.74** | **darknet53.conv.74** | ||
wget https:// | wget https:// | ||
+ | Coller le fichier dans le dossier darknet | ||
+ | Créer un dossier axe où nous allons ranger les éléments de notre projet. Pourquoi " | ||
<WRAP group> | <WRAP group> | ||
<WRAP half column> | <WRAP half column> | ||
- | **cfg/ | + | **axe/ |
- | Ce fichier définit les chemins vers les fichiers de configuration. | + | Ce fichier définit les chemins vers les fichiers de configuration. |
< | < | ||
classes= 27 | classes= 27 | ||
Ligne 81: | Ligne 116: | ||
<WRAP half column> | <WRAP half column> | ||
- | **Créer un fichier obj.names: | + | **Créer un fichier |
< | < | ||
a | a | ||
Ligne 95: | Ligne 130: | ||
</ | </ | ||
</ | </ | ||
- | |||
- | ===cfg/ | ||
- | * **[[yolo_darknet_scripts_de_configuration# | ||
===train.txt et test.txt=== | ===train.txt et test.txt=== | ||
- | Les créer | + | Les créer |
+ | * installer [[: | ||
+ | * 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=== | ||
+ | * **[[https:// | ||
+ | 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===== | =====Training===== | ||
- | | + | ./darknet detector train axe/ |
- | | + | |
- | {{ :2019_04:chart.png?800 |}} | + | {{ media_01:chart.png?300 |}} |
- | Le calcul crée des fichiers de poids dans le dossier darknet/ | + | ===Message final=== |
- | **yolov3-tiny_1000.weights | + | < |
- | ====Test==== | + | |
- | | + | 6000 |
- | ./darknet detector test cfg/ | + | |
+ | 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 | ||
+ | class_id | ||
+ | class_id = 8, name = h, ap = 100.00% | ||
+ | class_id = 9, name = i, ap = 98.82% | ||
+ | class_id | ||
+ | class_id = 11, name = k, ap = 100.00% | ||
+ | class_id = 12, name = l, ap = 100.00% | ||
+ | class_id = 13, name = m, ap = 100.00% | ||
+ | class_id = 14, name = n, ap = 93.93% | ||
+ | class_id = 15, name = o, ap = 100.00% | ||
+ | class_id = 16, name = p, ap = 100.00% | ||
+ | class_id = 17, name = q, ap = 100.00% | ||
+ | class_id = 18, name = r, ap = 99.52% | ||
+ | class_id = 19, name = s, ap = 100.00% | ||
+ | class_id = 20, name = t, ap = 99.98% | ||
+ | class_id = 21, name = u, ap = 100.00% | ||
+ | class_id = 22, name = v, ap = 74.66% | ||
+ | class_id = 23, name = w, ap = 100.00% | ||
+ | class_id = 24, name = x, ap = 100.00% | ||
+ | class_id = 25, name = y, ap = 100.00% | ||
+ | class_id = 26, name = z, ap = 100.00% | ||
+ | |||
+ | 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 % | ||
+ | | ||
+ | </code> | ||
+ | |||
+ | =====Testing===== | ||
+ | ====Test sur une image==== | ||
+ | ./darknet detector test axe/ | ||
- | Le résultat est dans l' | + | Le résultat est dans l' |
<WRAP group> | <WRAP group> | ||
<WRAP half column> | <WRAP half column> | ||
- | {{:2019_03: | + | {{media_01: |
</ | </ | ||
<WRAP half column> | <WRAP half column> | ||
- | {{:2019_03: | + | {{media_01: |
shot_36_space.jpg: | shot_36_space.jpg: | ||
space: 40% | space: 40% | ||
</ | </ | ||
</ | </ | ||
- | =====64 000 images 704x704===== | ||
- | ====Essai 1==== | ||
- | ===Apprentissage=== | ||
- | 3 jours entiers de calcul ! 15 fichiers de poids | ||
- | export PATH=/ | ||
- | ./darknet detector train cfg/ | ||
- | ===Test sur une image=== | ||
- | export PATH=/ | ||
- | ./darknet detector test cfg/ | ||
| | ||
- | i: 64% | + | ====Test sur une video et enregistrement du résultat==== |
- | | + | ./darknet detector demo axe/ |
- | Très décevant, c'est un **n**! | + | |
- | {{ : | + | |
- | ===Test sur des videos=== | + | {{ vimeo> |
- | ./darknet detector demo ./ | + | ====Test avec webcam |
- | {{ : | + | |
- | Détection à 15 FPS, mais trop d' | + | |
- | + | ||
- | ===Test avec webcam=== | + | |
Pour webcam=0 | Pour webcam=0 | ||
- | ./darknet detector demo ./cfg/ | + | ./darknet detector demo axe/ |
+ | {{ vimeo> | ||
+ | =====Avec un vrai sémaphore===== | ||
+ | * **[[yolo_darknet_avec_un_vrai_semaphore|Yolo Darknet avec un vrai sémaphore]]** | ||
+ | * **[[https:// | ||
- | =====Plus grand, plus gros, plus puissant===== | + | {{tag> apprentissage_automatique deap_learning ia sb semaphore yolo_darknet }} |
- | **Avec une carte graphique 1060GTX et 6 Go de RAM.** | + | |
- | 60000 images 640x640 | ||
- | {{ : | ||
- | ====Yolo v3 tiny==== | ||
- | * [[https:// | ||
- | {{ : | ||
- | |||
- | export PATH=/ | ||
- | ./darknet partial cfg/ | ||
- | ./darknet detector train cfg/ | ||
- | ===== Le portable Optimus utilisé ===== | ||
- | Les calculs vont en gros 6 fois mois vite que sur une carte 1060GTX | ||
- | <WRAP group> | ||
- | <WRAP half column> | ||
- | * Intel® Core™ i7-Intel® Core™ i7-4702MQ CPU @ 2.20GHz × 84702MQ CPU @ 2.20GHz × 8 | ||
- | * 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 half column> | ||
- | * NVIDIA Corporation GK106M [[https:// | ||
- | * Core | ||
- | * Architecture: | ||
- | * 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/ | ||
- | * Date de présentation: | ||
- | </ | ||
- | </ | ||
- | {{tag> ia sb semaphore yolo_darknet}} |
yolo_darknet_sur_un_portable_optimus.txt · Dernière modification : 2020/12/27 15:09 de serge