Labomedia Ressources

Cette page est en lecture seule. Vous pouvez afficher le texte source, mais ne pourrez pas le modifier. Contactez votre administrateur si vous pensez qu'il s'agit d'une erreur.
====== Yolo Darknet sans carte graphique ======
<WRAP center round box 60% centeralign>
**{{tagpage>ia|Intelligence Artificielle}}**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Fyolo_sans_carte_graphique|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 }}
{{ media_05:chappe.jpeg?400 }}
</WRAP>
\\ \\ 
<WRAP center round box 60% centeralign>
//**Installation de YOLO Darknet sur un portable sans carte graphique**//\\
//**Simplement pour tester avec 1000 images**//
</WRAP>
=====Sources et ressources=====
  * **[[https://github.com/AlexeyAB/darknet|darknet de AlexeyAB sur GitHub]] bien documenté**
  * **[[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-multiple-objects-in-yolov2-using-your-own-dataset-2b4fee898f17|How to train multiple objects in YOLOv2 using your own Dataset]]**
  * **[[https://medium.com/@manivannan_data/how-to-train-yolov3-to-detect-custom-objects-ccbcafeb13d2|How to train YOLOv3 to detect custom objects]]**

=====Création du set d'apprentissage=====
Nous avons 1000 images 416x416 obtenus avec **[[yolo_avec_mes_propres_images#creation_du_set_d_apprentissage|Création du set d'apprentissage]]**
et les fichiers test.txt et train.txt

=====Compilation de darknet=====
Dépendances:\\
Lancer la compilation et trouver les dépendances avec les erreurs.
  
Modification du fichier Makefile
<code>
GPU=0
CUDNN=0
CUDNN_HALF=0
OPENCV=0
AVX=0
OPENMP=1
LIBSO=1
</code>

Dans le dossier de darknet:
  make -j8

=====Fichiers manquants et à modifier=====
**darknet53.conv.74**
  wget https://pjreddie.com/media/files/darknet53.conv.74

<WRAP group>
<WRAP half column>
**cfg/obj.data**
<code>
classes= 27
train  = train.txt  
valid  = test.txt  
names = obj.names  
backup = backup/
</code>
</WRAP>

<WRAP half column>
**Créer un fichier obj.names:**
<code>
a
space
b
c
d

etc .....

x
y
z
</code>
</WRAP>
</WRAP>

===cfg/tinyv3-yolo.cfg===
  * **[[yolo_darknet_scripts_de_configuration#yolo_darknet_sans_carte_graphique|tinyv3-yolo.cfg disponible ici]]**

===*.txt===
**test.txt et train.txt** sont à coller dans le dossier darknet\\
Les chemins dans ces fichiers sont absolus !

=====Un petit calcul d'apprentissage de 24 heures=====
  ./darknet detector train cfg/obj.data cfg/tiny-yolo.cfg darknet53.conv.74 -map

ça crée un dossier darknet/backup avec des fichiers:

**yolov3-tiny_1000.weights yolov3-tiny_2000.weights yolov3-tiny_3000.weights**

=====Un test enfin !=====
 L'image shot_878_e.jpg est copiée dans data, puis:
  ./darknet detector test cfg/obj.data cfg/yolov3-tiny.cfg backup/yolov3-tiny_2000.weights data/shot_878_e.jpg

Le résultat est dans l'image predictions.jpg du dossier darknet. 
{{ media_01:predictions.jpg?400 |Génial !}}

**Efficacité = 0.00 %**

=====Conclusion=====
Cette installation sert uniquement à apprendre, la suite avec une carte graphique: **[[yolo_darknet_sur_un_portable_optimus|Yolo Darknet sur un portable Optimus]]** 

{{tag> ia sb semaphore yolo_darknet }}