Outils pour utilisateurs

Outils du site


yolo_darknet_sur_un_portable_optimus

Ceci est une ancienne révision du document !


Yolo Darknet sur un portable 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

chappe.jpeg

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
  • Sur Ubuntu, il est possible d'avoir le driver Nvidia en permanence. Sur Debian, bbswitch permet d'utiliser la carte Intel à Nvidia en lançant un programme avec optirun.

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

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 libopencv-dev
sudo pip3 install opencv-python==3.4.5.20

Installation de YOLO Darknet

Dans les sources décompressée de darknet:

Avec GPU avec CUDA avec OPENCV

Recommencer avec une copie des sources originale de darknet

Options de Makefile

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

Préparation

Voir la page YOLO sans carte graphique pour la construction des images et des fichiers train.txt et test.txt

darknet53.conv.74

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

cfg/obj.data
Ce fichier définit les chemins vers les fichiers de configuration. Par exemple, tout mettre dans un dossiers, ici “axe”

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

Créer un fichier 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

Le fichier *cfg

Nous utiliserons Yolo v3 avec:

  • Des objets

Training

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
./darknet detector train cfg/obj.data cfg/tiny-yolo.cfg darknet53.conv.74 -map

Le calcul crée des fichiers de poids dans le dossier darknet/backup:
yolov3-tiny_1000.weights … yolov3-tiny_2000.weights … yolov3-tiny_3000.weights

Test

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
./darknet detector test cfg/obj.data cfg/yolov3-tiny.cfg backup/yolov3-tiny_15000.weights predictions_space.jpg

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


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

64 000 images 704x704

Essai 1

Apprentissage

3 jours entiers de calcul ! 15 fichiers de poids

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
./darknet detector train cfg/obj.data cfg/tiny-yolo.cfg darknet53.conv.74

Test sur une image

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
./darknet detector test cfg/obj.data cfg/tiny-yolo.cfg backup/tiny-yolo_15000.weights /media/data/projets/64k_704/shot/shot_50004_n.jpg

i: 64%
n: 34%

Très décevant, c'est un n!

Test sur des videos

./darknet detector demo ./cfg/obj.data ./cfg/tiny-yolo.cfg ./backup/tiny-yolo_15000.weights /media/data/projets/video/semaphore.avi -i 0 -thresh 0.25

Détection à 15 FPS, mais trop d'erreurs !!

Test avec webcam

Pour webcam=0

./darknet detector demo ./cfg/obj.data ./cfg/tiny-yolo.cfg ./backup/tiny-yolo_15000.weights -c 0

Plus grand, plus gros, plus puissant

Avec une carte graphique 1060GTX et 6 Go de RAM.

60000 images 640×640

Yolo v3 tiny

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}
./darknet partial cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15
./darknet detector train cfg/obj.data cfg/yolov3-tiny_obj_labo.cfg yolov3-tiny.conv.15 -map

Le portable Optimus utilisé

Les calculs vont en gros 6 fois mois vite que sur une carte 1060GTX

  • 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
  • NVIDIA Corporation GK106M GeForce GTX 765M
    • Core
      • Architecture: Kepler
      • 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 présentation: 30.05.2013
yolo_darknet_sur_un_portable_optimus.1554819560.txt.gz · Dernière modification : 2019/04/09 14:19 de serge