Outils pour utilisateurs

Outils du site


yolo_darknet_sur_un_portable_optimus

Différences

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

Lien vers cette vue comparative

Les deux révisions précédentes Révision précédente
Prochaine révision
Révision précédente
yolo_darknet_sur_un_portable_optimus [2019/04/16 10:22]
serge [Test sur une image]
yolo_darknet_sur_un_portable_optimus [2020/02/04 17:27] (Version actuelle)
serge ↷ Liens modifiés en raison d'un déplacement.
Ligne 3: Ligne 3:
 **{{tagpage>​semaphore|Sémaphores}}** ​ ....  **{{tagpage>​bge|Blender Game Engine}}** ....  **{{tagpage>​ia|Intelligence Artificielle}}** **{{tagpage>​semaphore|Sémaphores}}** ​ ....  **{{tagpage>​bge|Blender Game Engine}}** ....  **{{tagpage>​ia|Intelligence Artificielle}}**
 </​WRAP>​ </​WRAP>​
 +<WRAP center round box 60% centeralign>​
 C'est quoi un sémaphore ? C'est quoi un sémaphore ?
 {{ youtube>​F3sY6_fOx2I?​medium }} {{ youtube>​F3sY6_fOx2I?​medium }}
-{{ chappe.jpeg?​400 }}+{{ :chappe.jpeg?​400 }} 
 +</​WRAP>​ 
 +\\ \\ 
 <WRAP center round box 80% centeralign>​ <WRAP center round box 80% centeralign>​
 //​**Installation de YOLO Darknet sur un portable avec Optimus**//​\\ //​**Installation de YOLO Darknet sur un portable avec Optimus**//​\\
Ligne 17: Ligne 19:
  
 =====Considération générales===== =====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 !    * **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===== =====Ressources et documentation de YOLO Darknet=====
 ===Darknet=== ===Darknet===
Ligne 27: Ligne 31:
 ====Installation du driver Nvidia==== ====Installation du driver Nvidia====
 Avec le Gestionnaire de pilotes supplémentaires Avec le Gestionnaire de pilotes supplémentaires
-====Installation====+====Installation ​de cuda,cudnn, opencv-python====
 Le tout va télécharger 3 à 4 Go ! Le tout va télécharger 3 à 4 Go !
 <​code>​ <​code>​
Ligne 39: 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 ​ libcudnn7-dev=7.4.1.5-1+cuda10.0 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>​ </​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===== =====Installation de YOLO Darknet=====
 Dans les [[https://​github.com/​AlexeyAB/​darknet|sources]] décompressée de 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==== ====Options de Makefile avec GPU avec CUDA avec OPENCV====
 <​code>​ <​code>​
Ligne 52: Ligne 69:
 AVX=0 AVX=0
 OPENMP=0 OPENMP=0
-LIBSO=0+LIBSO=1
 ZED_CAMERA=0 ZED_CAMERA=0
 </​code>​ </​code>​
Ligne 65: Ligne 82:
 </​code>​ </​code>​
 L'​excécutable est dans le dossier root de darknet. L'​excécutable est dans le dossier root de darknet.
 +
 +Le fichier libdarknet.so de 1060GTX: {{ libdarknet.so.zip |}}
 =====Préparation===== =====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. 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.
Ligne 72: Ligne 91:
 Les axes blanc sont probablement important pour la reconnaissance. Les axes blanc sont probablement important pour la reconnaissance.
  
-{{:2019_04:​shot_53_z.jpg?​200|}} +{{media_01:​shot_53_z.jpg?​200|}} 
-{{:2019_04:​shot_455_w.jpg?​200|}} +{{media_01:​shot_455_w.jpg?​200|}} 
-{{:2019_04:​shot_894_c.jpg?​200|}} +{{media_01:​shot_894_c.jpg?​200|}} 
-{{:2019_04:​shot_1916_z.jpg?​200|}} +{{media_01:​shot_1916_z.jpg?​200|}} 
-{{:2019_04:​shot_59248_j.jpg?​200|}} +{{media_01:​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** **darknet53.conv.74**
Ligne 117: Ligne 133:
 ===train.txt et test.txt=== ===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: 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   * adapter le chemin vers le dossier root des images dans le script
   python3 create_train_test_txt.py   python3 create_train_test_txt.py
Ligne 130: Ligne 146:
  
 =====Training===== =====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   ./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=== ===Message final===
Ligne 170: Ligne 185:
  for thresh = 0.25, precision = 0.97, recall = 0.95, F1-score = 0.96   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 %   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 ​  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@0.50) = 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 ​  ​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>​ </​code>​
- 
-===Le fichier final obtenu=== 
-  * **{{ :​2019_04:​yolov3-labo_axe_final.weights.tar.gz |}}** 
  
 =====Testing===== =====Testing=====
 ====Test sur une image==== ====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   ./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 197: Ligne 197:
 <WRAP group> <WRAP group>
 <WRAP half column> <WRAP half column>
-{{:2019_03:​predictions_b_h.jpg?​400|}}+{{media_01:​predictions_b_h.jpg?​400|}}
 </​WRAP>​ </​WRAP>​
 <WRAP half column> <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:​\\ shot_36_space.jpg:​ Predicted in 58.519000 milli-seconds:​\\
 space: 40% space: 40%
Ligne 207: Ligne 207:
   ​   ​
 ====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 0.10 -out_filename 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
  
 {{ vimeo>​330471526?​medium }} {{ vimeo>​330471526?​medium }}
 ====Test avec webcam et enregistrement du résultat==== ====Test avec webcam et enregistrement du résultat====
 Pour webcam=0 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 }} {{ vimeo>​330723924?​medium }}
-=====Un script python pour lire un message===== 
  
 +=====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 deap_learning}}
  
  
-{{tag> ia sb semaphore yolo_darknet}} 
yolo_darknet_sur_un_portable_optimus.1555402956.txt.gz · Dernière modification: 2019/04/16 10:22 par serge