2. 程式人生 > >TX2實現yolov2(目標檢測,計數，訓練自己的資料集）

TX2實現yolov2(目標檢測,計數，訓練自己的資料集）

阿新 • • 發佈：2018-12-22 
git clone https://github.com/pjreddie/darknet
cd darknet

2.修改Makefile

  我們開啟MakeFile檔案：
  

nano Makefile

Makefile內容如下(我們只用關注前幾行，後面不需要做任何修改）：

**GPU=0
CUDNN=0
OPENCV=0
OPENMP=0
DEBUG=0**

ARCH= -gencode arch=compute_20,code=[sm_20,sm_21] \
      -gencode arch=compute_30,code=sm_30 \
      -gencode arch=compute_35,code=sm_35 \
      -gencode arch=compute_50,code=[sm_50,compute_50] \
      -gencode arch=compute_52,code=[sm_52,compute_52]

# This is what I use, uncomment if you know your arch and want to specify
 

# ARCH= -gencode arch=compute_52,code=compute_52

VPATH=./src/:./examples
SLIB=libdarknet.so
ALIB=libdarknet.a
EXEC=darknet
OBJDIR=./obj/

CC=gcc
NVCC=nvcc

前五行的這些類似於巨集定義，在make的時候會導致某些程式功能的開啟與關閉，0代表關閉，1代表開啟。我直接把前四個都打開了。想用GPU，那麼前兩行就得開啟；想用webcom等OpenCV實現的程式，那麼就需要開啟OPENCV；至於OPENCMP，我只知道它是用來實現多執行緒優化加速的，所以我乾脆也打開了。

GPU=1
CUDNN=1
OPENCV=1
OPENMP=1
DEBUG=0

ARCH= -gencode arch=compute_53,code=[sm_53,sm_53]

3.儲存Makefile之後，開始編譯：

make

4.下載預訓練好的模型：

wget https://pjreddie.com/media/files/yolo.weights
wget https://pjreddie.com/media/files/tiny-yolo-voc.weights
wget https://pjreddie.com/media/files/tiny-yolo.weights

5.測試：

  我直接用webcom來測試。注意，必須使用支援V4L2的攝像頭，板載的攝像頭是不支援的，當然，如果你在Makefile裡面沒開啟Opencv，這裡是會報錯的。

COCO資料集訓練的YOLO（幹跑3幀左右）：

./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights

COCO資料集訓練的TINY-YOLO（幹跑15幀左右）：

./darknet detector demo cfg/coco.data cfg/tiny-yolo.cfg tiny-yolo.weights

COCO資料集訓練的TINY-YOLO（幹跑15幀左右）：

./darknet detector demo cfg/voc.data cfg/tiny-yolo-voc.cfg tiny-yolo-voc.weights

做完這些，我們就可以跑自己的資料集了，如何製作自己的資料集放入yolov2裡面，我已經在前面的部落格詳細說明了，同樣在tx2上可做。
http://blog.csdn.net/xiao__run/article/details/78714659
YOLO的改進
大家是不是不滿足上面的幀率，彆著急，WordZzzz帶著你搞優化啊。正經說來，也不算優化，就是調調引數，讓程式碼跑的快點。
修改網路模型輸入影象尺寸大小

  YOLOv2做了很多優化，其中就有為了提高小物體檢測準確率而增加的多尺度訓練（這裡說的不夠專業，後面有時間了專門寫篇講解YOLO的文章）。

  原來的YOLO網路使用固定的448 * 448的圖片作為輸入，現在加入anchor boxes後，輸入變成了416 * 416。目前的網路只用到了卷積層和池化層，那麼就可以進行動態調整（意思是可檢測任意大小圖片）。作者希望YOLOv2具有不同尺寸圖片的魯棒性，因此在訓練的時候也考慮了這一點。

  不同於固定輸入網路的圖片尺寸的方法，作者在幾次迭代後就會微調網路。沒經過10次訓練（10 epoch），就會隨機選擇新的圖片尺寸。YOLO網路使用的降取樣引數為32，那麼就使用32的倍數進行尺度池化{320,352，…，608}。最終最小的尺寸為320 * 320，最大的尺寸為608 * 608。接著按照輸入尺寸調整網路進行訓練。

  這種機制使得網路可以更好地預測不同尺寸的圖片，意味著同一個網路可以進行不同解析度的檢測任務，在小尺寸圖片上YOLOv2執行更快，在速度和精度上達到了平衡。

  所以，我們可以修改輸入尺寸大小，來提高YOLO執行速度。

  隨便開啟一個cfg下的cfg檔案，如“tiny-yolo.cfg”,內容如下：
  

[net]
# Training
# batch=64
# subdivisions=2
# Testing
batch=1
subdivisions=1
width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.001
burn_in=1000
max_batches = 500200
policy=steps
steps=400000,450000
scales=.1,.1

[convolutional]
batch_normalize=1
filters=16
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=1

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky

###########

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=512
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=425
activation=linear

[region]
anchors =  0.57273, 0.677385, 1.87446, 2.06253, 3.33843, 5.47434, 7.88282, 3.52778, 9.77052, 9.16828
bias_match=1
classes=80
coords=4
num=5
softmax=1
jitter=.2
rescore=0

object_scale=5
noobject_scale=1
class_scale=1
coord_scale=1

absolute=1
thresh = .6
random=1

同樣的，我們只需要看前面幾行就行，把width和height修改成最小尺度：

width=288
height=288

修改預覽解析度

  可以直接X掉預覽視窗，這樣，預覽視窗減小後，速度也會提升，只不過有時候效果不明顯。

  當然，大家也可以修改原始碼然後重新編譯。原始碼中預覽視窗大小的程式碼在src/demo.c中的第279行。我把預覽解析度改成了1280 * 720，當然你還可以改的更小。改完之後重新編譯。
  

 if(!prefix){
        cvNamedWindow("Demo", CV_WINDOW_NORMAL);
        if(fullscreen){
            cvSetWindowProperty("Demo", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
        } else {
            cvMoveWindow("Demo", 0, 0);
            cvResizeWindow("Demo", 1280, 720);
        }
    }

修改攝像頭解析度

  一開始就讓攝像頭採集到的解析度低點，也是有效果的。
  

./darknet detector demo cfg/coco.data cfg/tiny-yolo.cfg tiny-yolo.weights -w 640 -h 480

最後上一張識別海蔘的圖吧
這裡寫圖片描述
後面將為大家新增計數以及輸出位置座標的功能

相關推薦

TX2實現yolov2(目標檢測,計數，訓練自己的資料集）

git clone https://github.com/pjreddie/darknet cd darknet 2.修改Makefile   我們開啟MakeFile檔案：    nano Makefile Makefile內容如下(我們

Caffe（12）--實現YOLOv2目標檢測

DarkNet轉Caffe中有很多潛在的問題，在YOLOv1、v2、v3幾個網路中有一些特殊的層。要在Caffe中跑YOLO，就得在Caffe中原始碼實現這些層。這些層的Caffe原始碼實現可以在網上找到很多。 YOLO特殊層的Caffe框架實現

目標檢測演算法SSD_訓練自有資料

基於Caffe框架的目標檢測演算法SSD–進行自有資料替換並訓練 主要步驟： 標籤資料預處理 圖片資料預處理 資料及標籤的VOC格式以及LMDB格式轉化 網路訓練 其他問題分析 1.標籤資料預處理 由於拿到的是YOLOv3格式的訓練集label，

目標檢測SSD+Tensorflow 訓練自己的資料集

對原文的幾點解釋這說明: 1.程式碼地址：https://github.com/balancap/SSD-Tensorflow，下載該程式碼到本地 注:該程式碼是github上tensorflow版的SSD star 最多的程式碼. 2.解壓ssd_300_vg

使用pytorch版faster-rcnn訓練自己資料集

使用pytorch版faster-rcnn訓練自己資料集 引言 faster-rcnn pytorch程式碼下載 訓練自己資料集 接下來工作 參考文獻 引言 最近在復現目標檢測程式碼（師兄強烈推薦F

《錯誤手記-01》 facenet使用預訓練模型fine-tune重新訓練自己資料集報錯

環境資訊：windows10+python3.5+tensorflow1.6.0 問題描述： 在自己的訓練集上跑train_softmax.py.  引數： --logs_base_dir F:/work/runspace/log/  --models_base_

Kaldi中thchs30訓練自己資料集的步驟

一、資料準備過程 網上下載的thchs-openslr資料集需要換成自己的資料集，包含兩個資料夾：data_thchs30和resource。下面講解如何搞定這一部分。 資料集在data_thchs30檔案中，包含四個部分（data、train、dev、test）。 data資料夾中包

yolov3訓練自己資料集可參考文章

參考部落格原址： https://blog.csdn.net/u012966194/article/details/80004647 這篇文章將介紹編譯darknet框架開始，到整理資料集，到用yolo網路實現一個內部資料集中號碼簿的定

Yolov3訓練自己資料集+資料分析

訓練自己到資料集已經在上一篇文中說明過了，這一篇著重記錄一下資料分析過程 資料分析 1. mAP值計算 1)訓練完成後，執行darknet官方程式碼中到 detector valid 命令，生成對測試集到檢測結果，命令如下： ./darknet detector va

【YOLO初探】之 keras-yolov3訓練自己資料集

寫在前面 如何使用官方資料集參看上一篇文章《【YOLO初探】之 使用官方資料集做目標分類》 傳送門：https://blog.csdn.net/plSong_CSDN/article/details/85108256 這裡，筆者使用了260張訓練資料，完成了人臉中“眼睛”、“鼻子”、“嘴

Fast RCNN 訓練自己資料集 (1編譯配置)

FastRCNN 訓練自己資料集 (1編譯配置) FastRCNN是Ross Girshick在RCNN的基礎上增加了Multi task training整個的訓練過程和測試過程比RCNN快了許多。別的一些細節不展開，過幾天會上傳Fast RCNN的論文筆記。FastRCNN mAP效能上略有上升。Fa

YOLOv3在訓練自己資料集時的速度慢問題

YOLOv3以速度快著稱，但是在訓練自己的資料集時發現儘管在命令中同時開啟了多塊gpu，但速度仍舊很慢。按照其他人的訓練日誌可以看出64batch的單gpu訓練，每次迭代大約需要不到1秒但是自己在訓練時卻需要好幾個小時，首先想到的是自己的資料集是否圖片解析度太高，比較之後發現

FCN訓練自己資料集（person-segmentation）、SIFT-FLOW、SBD和VOC實驗總結

最近花了將近一週的時間，基於提供的原始碼，通過參考網上的部落格，跑通了FCN在三個資料集上的訓練以及測試。在這裡寫下總結，即是記錄，又希望能夠對其他剛剛接觸FCN的人有所幫助。 FCN的原始碼地址：https://github.com/shelhamer/fcn.berkeleyvision.o

windows10+GPU下caffe資料集Lmdb格式製作+訓練自己資料集

最近做人臉識別專案，想用到caffe訓練自己的資料，電腦作業系統為win10+GPU,這裡對caffe-windows配置、資料集製作、訓練資料都做一些介紹。（無GPU配置的看我這個部落格）。如果你用的是vs2015，那麼下面介紹的caffe不適合，要用BVLC wind

如何利用caffe訓練自己資料集

這篇博文主要參考了另一位博主https://blog.csdn.net/hellohaibo，在此向他表示感謝 首先，博主今天的caffe崩了，毫無徵兆的崩了，具體表現為博主想做一個更大的資料集，但是在生成lmbd檔案時永遠生成的是一個沒有名字的資料夾，可是博主已經在指定的example目錄裡寫了

Faster-RCNN 訓練自己資料集的坑記錄

主要照這篇部落格進行訓練配置，因為沒有GPU所以好多坑，CPU訓練可以參見這篇部落格 正所謂，跑通了的都一樣，錯誤千萬樣。按照教程來也是坑多 訓練： python train_faster_rcnn_alt_opt.py --net_name ZF --weights

FastRCNN 訓練自己資料集（二）——修改讀寫介面

這裡樓主講解了如何修改Fast RCNN訓練自己的資料集，首先請確保你已經安裝好了Fast RCNN的環境，具體的編配編制操作請參考我的上一篇文章。首先可以看到fast rcnn的工程目錄下有個Lib目錄這裡下面存在3個目錄分別是：datasetsfast_rcnnroi_d

FastRCNN 訓練自己資料集（一）——編譯配置

FastRCNN是Ross Girshick在RCNN的基礎上增加了Multi task training整個的訓練過程和測試過程比RCNN快了許多。別的一些細節不展開，過幾天會上傳Fast RCNN的論文筆記。FastRCNN mAP效能上略有上升。Fast RCNN中，提取OP的過程和訓練過程仍

py-faster-rcnn訓練自己資料集需要修改的引數

faster rcnn預設有三種網路模型ZF（小）、VGG_CNN_M_1024（中）、VGG16 （大） 訓練圖片大小為500*500，類別數1。 修改VGG_CNN_M_1024模型配置

Fast RCNN 訓練自己資料集 (2修改資料讀取介面)

Fast RCNN訓練自己的資料集 （2修改讀寫介面） 這裡樓主講解了如何修改Fast RCNN訓練自己的資料集，首先請確保你已經安裝好了Fast RCNN的環境，具體的編配編制操作請參考我的上一篇文章。首先可以看到fast rcnn的工程目錄下有個Lib目錄 這裡下面存在3個目錄分別是： datase