Différences

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

--- yolo_darknet_sur_un_portable_optimus [2019/08/08 16:58] – ↷ Page déplacée de y:yolo_darknet_sur_un_portable_optimus à yolo_darknet_sur_un_portable_optimus serge
+++ yolo_darknet_sur_un_portable_optimus [2019/12/01 07:53] – [Installation de YOLO Darknet] serge
@@ Ligne 44: / Ligne 44: @@
 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
+sudo pip3 install opencv-python==3.4.5.20 scikit-image
 </code>
@@ Ligne 51: / Ligne 51: @@
 Pour faire les mises à jour, il faudrait d'abord bloquer les versions de cuda et cudnn, y compris les dev.
-====Installation complémentaire====
+====Installation complémentaire pour mes projets====
-  sudo apt install python3-pip
-  sudo pip3 install numpy scikit-image
 Installation de mon module personnel: [[:pymultilame|Python: pymultilame]]
@@ Ligne 61: / Ligne 58: @@
 =====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>
@@ Ligne 85: / Ligne 85: @@
 Le fichier libdarknet.so de 1060GTX: {{ :2019_05:libdarknet.so.zip |}}
 =====Préparation=====
-Voir la page **[[y:yolo_avec_mes_propres_images|Yolo avec mes propres images]]** pour la construction de **60 000 images 640x640** et des fichiers *.txt correspondants.
+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]]**.
@@ Ligne 96: / Ligne 96: @@
 {{:2019_04:shot_1916_z.jpg?200|}}
 {{:2019_04:shot_59248_j.jpg?200|}}
-Les commandes pour exécuter .darknet ont comme argument:
-  axe/obj.data axe/yolov3-obj_3l_labo_axe.cfg darknet53.conv.74
 **darknet53.conv.74**
@@ Ligne 149: / Ligne 146: @@
 =====Training=====
-  export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
   ./darknet detector train axe/obj.data axe/yolov3-obj_3l_labo_axe.cfg darknet53.conv.74 -map
@@ Ligne 189: / Ligne 185: @@
  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 %
-Total Detection Time: 78.000000 Seconds
-Set -points flag:
- `-points 101` for MS COCO
- `-points 11` for PascalVOC 2007 (uncomment `difficult` in voc.data)
- `-points 0` (AUC) for ImageNet, PascalVOC 2010-2012, your custom dataset
  mean_average_precision (mAP@0.5) = 0.982366
-Saving weights to axe/backup/yolov3-obj_3l_labo_axe_54000.weights
-Saving weights to axe/backup/yolov3-obj_3l_labo_axe_last.weights
-Saving weights to axe/backup/yolov3-obj_3l_labo_axe_final.weights
 </code>
-===Le fichier final obtenu===
-  * **{{ :2019_04:yolov3-labo_axe_final.weights.tar.gz |}}**
 =====Testing=====
 ====Test sur une image====
-  export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
   ./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
@@ Ligne 235: / Ligne 216: @@
 =====Avec un vrai sémaphore=====
-  * **[[y:yolo_darknet_avec_un_vrai_semaphore|Yolo Darknet 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}}
+{{tag> ia sb semaphore  yolo_darknet deap_learning}}