yolo 搭建安装过程
（旧站点迁移）
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
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
1
2
3
4
5
6
7
8
[opencv的安装](/2017/12/20/opencv2-4-13-%E5%AE%89%E8%A3%85/)
cuda 安装 <https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html>
[cudnn安装](/2017/12/20/cudnn-installation-in-linux/)
1. 首先从`github`上克隆下来,并编译
git clone https://github.com/pjreddie/darknet cd darknet make
1
2
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.
1
#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
1
2
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
1
2
3
4
5
6
7
8
9
10
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
1
2
`tiny-yolo-voc.weighs`
wget https://pjreddie.com/media/files/tiny-yolo-voc.weights wget https://pjreddie.com/media/files/tiny-yolo.weights
1
2
3. 测试一下是否能用
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg
1
./darknet detector test cfg/voc.data cfg/tiny-yolo-voc.cfg tiny-yolo-voc.weights data/dog.jpg
1
2
3
4
5
6
7
8
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
1
2
3
4
5
6
7
8
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
1
2
3
4
5
6
7
8
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
1
2
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
3. 处理自己的数据集
与处理VOC的数据集一致
参考链接
> <https://blog.csdn.net/sinat_30071459/article/details/50723212>
>
> <https://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 =
1
2
3
4
5
6
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
1
2
3
4
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
1
2
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
1
2
3
4
### 2.3 训练模型
1. 训练`voc`
./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23
1
2
3
4
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
1
2
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/
https://blog.csdn.net/qq_14845119/article/details/53589282#t3
http://www.yuthon.com/2016/11/12/Train-YOLO-on-our-own-dataset/