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

  1. 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 https://zangcq.me/?p=500

  1. 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

  2. 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
    
  3. 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.

  4. 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.

  5. 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

  1. 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
    
  2. 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
    
  3. 处理自己的数据集

    与处理VOC的数据集一致

    参考链接

    http://blog.csdn.net/sinat_30071459/article/details/50723212

    http://www.cnblogs.com/qw12/p/6185126.html

2.2 修改darknet 配置文件

  1. 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 #生成权值文件的地方
    
  2. 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.

  3. 下载预训练模型

    
    wget https://pjreddie.com/media/files/darknet19_448.conv.23
    
  4. 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

  1. 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

  2. 训练coco

    
    ./darknet detector train cfg/coco.data cfg/yolo.cfg darknet19_448.conv.23
    
  3. 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

Reference

https://pjreddie.com/darknet/yolo/

http://blog.csdn.net/qq_14845119/article/details/53589282#t3

http://www.yuthon.com/2016/11/12/Train-YOLO-on-our-own-dataset/

http://blog.csdn.net/u011475210/article/details/78090344

https://github.com/AlexeyAB/yolo2_light