Différences

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

--- yolo_darknet_sur_un_portable_optimus [2019/03/25 10:31] – [Considération générales] serge
+++ yolo_darknet_sur_un_portable_optimus [2020/12/27 15:09] (Version actuelle) – serge
@@ Ligne 1: / Ligne 1: @@
 ======Yolo Darknet sur un portable Optimus======
-<WRAP center round box 80% centeralign>
+<WRAP center round box 60% centeralign>
-**{{tagpage>semaphore|Sémaphores}}**  ....  **{{tagpage>bge|Blender Game Engine}}** ....  **{{tagpage>ia|Intelligence Artificielle}}**
+**{{tagpage>ia|Intelligence Artificielle}}**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Fyolo_darknet_sur_un_portable_optimus|English Version]]**
 </WRAP>
-<WRAP center round box 80% centeralign>
+<WRAP center round box 60% centeralign>
+**[[les_pages_intelligence_artificielle_en_details|Les Pages Intelligence Artificielle en détails]]**
+</WRAP>
+<WRAP center round box 60% centeralign>
+**{{tagpage>semaphore|Sémaphores}}**  ....  **{{tagpage>bge|Blender Game Engine}}**
+</WRAP>
+<WRAP center round box 60% centeralign>
+C'est quoi un sémaphore ?
+{{ youtube>F3sY6_fOx2I?medium }}
+{{ media_05:chappe.jpeg?400 }}
+</WRAP>
+\\ \\
+<WRAP center round box 60% centeralign>
 //**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>
 =====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
-  * **Ubuntu est nécessaire pour avoir le driver Nvidia en permanence**
+  * **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===
-  * **[[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=====
-Darknet demande **CUDA dans /usr/local/cuda**
+  * [[https://www.tensorflow.org/install/gpu#ubuntu_1804_cuda_10| CUDA 10 sur Ubuntu 18.04 @ tensorflow.org]]
-  * https://www.tensorflow.org/install/gpu#ubuntu_1804_cuda_10
+====Installation du driver Nvidia====
+Avec le Gestionnaire de pilotes supplémentaires
-====Installation====
+====Installation de cuda,cudnn, opencv-python====
-Télécharger:
+Le tout va télécharger 3 à 4 Go !
-  * cuda-repo-ubuntu1804_10.0.130-1_amd64.deb
-  * nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
 <code>
+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
@@ Ligne 40: / Ligne 50: @@
 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
+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 apt-get install clang
+sudo pip3 install opencv-python==3.4.5.20 scikit-image
 </code>
+Après installation, ne pas faire de mises à jour système: ça casserai libcudnn7=7.4.1.5-1+cuda10.0
-====Premier test sans GPU sans CUDA sans OPENCV====
+Pour faire les mises à jour, il faudrait d'abord bloquer les versions de cuda et cudnn, y compris les dev.
-===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>
-GPU=0
+GPU=1
-CUDNN=0
+CUDNN=1
 CUDNN_HALF=0
-OPENCV=0
+OPENCV=1
 AVX=0
 OPENMP=0
-LIBSO=0
+LIBSO=1
 ZED_CAMERA=0
 </code>
-===Compil===
+====Compil====
 <code>
 export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
+# Vérification du bon fonctionnement de CUDA
+nvidia-smi
 nvcc -V
-make
+# Pour 8 coeurs
+make -j8
 </code>
+L'excécutable est dans le dossier root de darknet.
+Le fichier libdarknet.so de 1060GTX: {{ media_07:libdarknet.so.zip |}}
+=====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.
-====Avec GPU avec CUDA sans OPENCV====
+Ici nous utilisons **[[https://github.com/sergeLabo/semaphore_cv_yolo|Création d'images pour utiliser Yolo Darknet avec OpenCV]]**.
-Recommencer avec une copie des sources originale de darknet
-===Options de Makefile===
+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**
+  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 !
+<WRAP group>
+<WRAP half column>
+**axe/obj.data**\\
+Ce fichier définit les chemins vers les fichiers de configuration.
 <code>
-GPU=1
+classes= 27
-CUDNN=1
+train  = axe/train.txt
-CUDNN_HALF=0
+valid  = axe/test.txt
-OPENCV=0
+names = axe/obj.names
-AVX=0
+backup = axe/backup
-OPENMP=0
-LIBSO=0
-ZED_CAMERA=0
 </code>
+</WRAP>
+<WRAP half column>
+**Créer un fichier axe/obj.names:**
 <code>
-export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
+a
-nvcc -V
+space
-make -j8
+b
+c
+d
+etc .....
+x
+y
+z
 </code>
+</WRAP>
+</WRAP>
+===train.txt et test.txt===
+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.
+===Le fichier *cfg===
+  * **[[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
+=====Training=====
+  ./darknet detector train axe/obj.data axe/yolov3-obj_3l_labo_axe.cfg darknet53.conv.74 -map
+{{ media_01:chart.png?300 |}}
+===Message final===
+<code>
+ calculation mAP (mean average precision)...
+ 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 half column>
+{{media_01:predictions_b_h.jpg?400|}}
+</WRAP>
+<WRAP half column>
+{{media_01:predictions_space.jpg?400|}}\\
+shot_36_space.jpg: Predicted in 58.519000 milli-seconds:\\
+space: 40%
+</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 }}
-{{tag> ia sb semaphore }}