Différences

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

--- yolo_darknet_sur_un_portable_optimus [2019/04/13 09:14] – [Test] 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 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 }}
-{{ chappe.jpeg?400 }}
+{{ media_05:chappe.jpeg?400 }}
-<WRAP center round box 80% centeralign>
+</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 **
+  * **Ne pas utiliser le bureau Mate**, il y a un conflit de dépendances entre CUDA et Mate Desktop
   * **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===
@@ Ligne 25: / Ligne 38: @@
 ====Installation du driver Nvidia====
 Avec le Gestionnaire de pilotes supplémentaires
-====Installation====
+====Installation de cuda,cudnn, opencv-python====
 Le tout va télécharger 3 à 4 Go !
 <code>
@@ Ligne 37: / 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 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>
+Après installation, ne pas faire de mises à jour système: ça casserai libcudnn7=7.4.1.5-1+cuda10.0
+Pour faire les mises à jour, il faudrait d'abord bloquer les versions de cuda et cudnn, y compris les dev.
+====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>
@@ Ligne 50: / Ligne 76: @@
 AVX=0
 OPENMP=0
-LIBSO=0
+LIBSO=1
 ZED_CAMERA=0
 </code>
@@ Ligne 63: / Ligne 89: @@
 </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.
-Les commandes pour exécuter .darknet ont comme argument:
+Ici nous utilisons **[[https://github.com/sergeLabo/semaphore_cv_yolo|Création d'images pour utiliser Yolo Darknet avec OpenCV]]**.
-  axe/obj.data axe/yolov3-obj_3l_labo_axe.cfg darknet53.conv.74
+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**
@@ Ligne 105: / Ligne 140: @@
 ===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]]
+  * installer [[:pymultilame|pymultilame]]
   * adapter le chemin vers le dossier root des images dans le script
   python3 create_train_test_txt.py
@@ Ligne 118: / Ligne 153: @@
 =====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
-{{ :2019_04:chart.png?300 |}}
+{{ 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>
-Le fichier final obtenu:
+=====Testing=====
-====Tests====
+====Test sur une image====
-===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
-  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-tiny_30000.weights axe/shot_36_space.jpg
 Le résultat est dans l'image predictions.jpg du dossier axe.
 <WRAP group>
 <WRAP half column>
-{{:2019_03:predictions_b_h.jpg?400|}}
+{{media_01:predictions_b_h.jpg?400|}}
 </WRAP>
 <WRAP half column>
-{{:2019_03:predictions_space.jpg?400|}}\\
+{{media_01:predictions_space.jpg?400|}}\\
 shot_36_space.jpg: Predicted in 58.519000 milli-seconds:\\
 space: 40%
@@ Ligne 141: / Ligne 213: @@
 </WRAP>
-===Test sur une video et enregistrement du résultat===
+====Test sur une video et enregistrement du résultat====
-  ./darknet detector demo axe/obj.data axe/yolov3-obj_3l_labo_axe.cfg axe/backup/yolov3-tiny_30000.weights axe/semaphore.avi -i 0 -thresh 0.25 -output axe/res_semaphore.avi
+  ./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
-{{ :2019_04:video_1_single.png?400 |}}
-===Test avec webcam===
+{{ 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-tiny_30000.weights -thresh 0.25 -c 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 yolo_darknet}}