yolo
搭建安装过程
0.Over View
yolo
作为一个目标检测的模型,它相对突出的地方就是实时.
最新yolo9000
这篇论文相对于SSD
等模型也不落下风,由于我们要运行的平台是嵌入式平台,其计算资源非常有限,所以我们就需要对于实时性要求更高的模型.
前面踩得坑有 faster-rcnn,ssd,goturn等,也会有相关文章介绍.
1.安装过程
首先,我们来到YOLO
官方网站
https://pjreddie.com/darknet/yolo/
我们按照这个网站 一步一步去做就好了,看下面
- 相关依赖
both OpenCV 3.x and OpenCV 2.4.13
both cuDNN 5 and cuDNN 6
CUDA >= 7.5
opencv的安装 https://zangcq.me/?p=494
cuda 安装 https://zangcq.me/?p=160
cudnn安装
- 首先从
github
上克隆下来,并编译
git clone https://github.com/pjreddie/darknet
cd darknet
make
编译的时候请注意,看一下Makefile
文件
GPU=0 #是否需要用GPU,当然需要了
CUDNN=0 #是否需要用CUDNN,这是NVIDIA做的一些优化,实际上就是一些库文件,优化一些常用的矩阵操作
OPENCV=0 #用来对图片进行操作,打开,画图等等,如果你不用的话,,在测试时就不会有直接显示图片的效果
OPENMP=0 #CPU的多线程
#Arch 就是GPU的架构版本 简单说一下
ARCH= -gencode arch=compute_20,code=[sm_20,sm_21] \# Fermi 架构 常见 gtx480 gtx580
-gencode arch=compute_30,code=sm_30 \# Kepler 架构 常见 gtx680
-gencode arch=compute_35,code=sm_35 \# Kepler 架构 常见 gtx780
-gencode arch=compute_50,code=[sm_50,compute_50] \# Maxwell 架构 常见 gtx750Ti gtx8 到9 系列 M
-gencode arch=compute_52,code=[sm_52,compute_52]# Maxwell 架构 常见 gtx8 到9 系列
-gencode arch=compute_61,code=[sm_61,compute_61]# Pascal 架构 常见 gtx 10系列
-gencode arch=compute_70,code=[sm_70,compute_70]# Volta 架构 这个不常见,用作超算或者数据中心的,新出了一款2999刀的volta卡 Tesla V100,值得入手.
#最后说明一下,高版本code不能在低版本的卡上跑,架构不同的其特性也有差距,所以尽量查一下你的显卡是在那个计算能力上的
特别说明一下,如果在嵌入板子 Jetson TX1 或者TX2的话,也要相应修改arch
-gencode arch=compute_53,code=[sm_53,compute_53]# Maxwell 架构 TX1
-gencode arch=compute_62,code=[sm_62,compute_62]# Pascal 架构 TX2
NVIDIA产品计算能力的链接
https://developer.nvidia.com/cuda-gpus
- 下载 已经训练好的权值文件
我们有两权值模型,yolo
应该是32层的网络,而tiny-yolo
是15层,更轻量级yolo.weights
wget https://pjreddie.com/media/files/yolo.weights
tiny-yolo-voc.weighs
wget https://pjreddie.com/media/files/tiny-yolo-voc.weights
wget https://pjreddie.com/media/files/tiny-yolo.weights
- 测试一下是否能用
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg
./darknet detector test cfg/voc.data cfg/tiny-yolo-voc.cfg tiny-yolo-voc.weights data/dog.jpg
你还可以在data
文件夹下,找到更多的图片进行测试,这里就不赘述了.
- 检测阈值的调节
实际上不论yolo
还是ssd
他们都是有好多候选框来检测这个目标的,我们总是去概率最大的几个来输出.
我们可以用-thresh value
,value
来作为输出的阈值, 当value = .5
含义就会只输出概率大于50%
的候选框,,如果我们把阈值设置成0,那么我们会看到很多的候选框.
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg -thresh 0
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg -thresh .5
大家可以自己试一下,我就不放图了.
- 利用摄像头,实时检测
这一步的话,我们就需要用opencv
来编译了,我们还需要用到一个摄像头,将它插在主机上.
执行
./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights
我们就可以看到摄像头的直接输出,还会显示当前是实时FPS,类别等等
2.训练过程
2.1处理VOC
的数据集
- 下载
wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar
- 用脚本生成 Labels
wget https://pjreddie.com/media/files/voc_label.py
python voc_label.py
## 生成对应的 train.txt
- 处理自己的数据集
与处理VOC的数据集一致
参考链接
2.2 修改darknet
配置文件
- 修改
cfg/voc.data
classes= 20 #对象的类
train = <path-to-voc>/train.txt #voc_label.py生成的 train.txt
valid = <path-to-voc>2007_test.txt ##voc_label.py生成的 test.txt
names = data/voc.names #类的名字
backup = backup
- 修改
cfg/tiny-yolo.cfg
这主要是tiny-yolo
定义的一些网络结构,炼金术士们通常会对这个做一下修改.
我主要简单修改一下 目标的类别 和最后一层的 filters
classes = 98
#最后一层region
filters=num×(classes + coords + 1)=5*(98+4+1)=515
就举个例子说明一下.
- 下载预训练模型
wget https://pjreddie.com/media/files/darknet19_448.conv.23
- 生成自己的预训练权值
./darknet partial cfg/darknet19_448.cfg darknet19_448.weights darknet19_448.conv.23 23
2.3 训练模型
- 训练
voc
./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23
如果想训练其他的模型,我们修改这两个 配置文件就行了cfg/voc.data
cfg/yolo-voc.cfg
- 训练
coco
./darknet detector train cfg/coco.data cfg/yolo.cfg darknet19_448.conv.23
- 多个
gpu
训练(同一机器),似乎不能分布式训练
./darknet detector train cfg/coco.data cfg/yolo.cfg darknet19_448.conv.23 -gpus 0,1,2,3
3.测试
TX2
作为测试平台,编译安装过程是一样的,所以不在多说了.
我们同时在 带有1080Ti
的服务器和Jetson TX2
上搭建环境,服务器用作训练,而嵌入式板卡TX2
作为测试,效果测试会在后续优化的文章中说明