存档

文章标签 ‘Yolo’

Windows 平台编译 Yolo

2022年3月18日 没有评论

在前面的文档中,我提及了在Firefly里编译后,但是无法成功加载权重文件来预测,只好转到 windows 平台上琢磨其使用,因为我有个机器是使用了英伟达的 2080Ti 的显卡,内心还是想验证看看速度到底有多快。

按照网上的说法,从这里把源码下载回来,然后配置 OpenCV和CUDNN。说到这个CUDNN的配置,是个麻烦事,好在以前已经安装了,这次没有做任何变动就可以了。

对于如何配置 OpenCV,可以参考我的另外一个帖子。

然后就可以正常地编译 x86和x64位的了,编译后就可以按照说明,去做预测了。确实速度非常的快,如我前文所述,毫秒级的,还是有钱好的,显卡牛批,节省时间。

在 Github 原文里,还提及了使用另外一种编译方式,就是微软推出的一种新的工具:vcpkg。

这个工具好在哪里呢,它会自动查找依赖项,并且下载了放到项目的目录里,以解决各种缺少配置的问题,看起来下载回来的那些包有点像绿色版的。下载好后,按照说明,运行命令,就可以开始编译了。

在我的2台电脑上都可以正确地编译,然后验证了下,使用和不使用GPU所消耗的时间差异很大。毫秒级的识别和十几秒的识别。

不过再重新编译就失败了,可能是我修改了什么东西出错。先不管了,不管如何,我现在有了可以编译成功的二进制的 dll 了,后面就可以共享给 C++ 和 C# 调用了。我看了下,python 调用还是怪麻烦的,就不考虑了。

在最后,给出一些当初参考的文档:

这里这里,还有这里这里

分类: AI, 日常 标签:

尝鲜 Yolo 物体识别

2021年4月17日 没有评论

Yolo 作为当下比较流行的物体检查AI模型之一,还是得到了大家的青睐,主要说来有几个因素:

1、检测的范围广。按照官方的说法是可以支持9000种常见的分类,并且Yolo v2覆盖了 coco 的数据集。
2、检测的准确率高。我拿实际照片跑了下,还是有意外的惊喜。
3、检测速度快。使用普通的 CPU就可以运行 Tiny YOLO 低配版的数据集,我的笔记本上大概会是12s左右。在 2080Ti 显卡上跑 Yolo v2或者 v3的版本速度都很快,毫秒级别的响应。

原本是想在树莓派上运行,所以尝试的是源码安装。如果缺少什么依赖库,自行安装。

git clone https://github.com/pjreddie/darknet
cd darknet
make

编译完成后,还需要去下载权重文件,这个就比较大了,我先后找过好几个不同的版本,好在都找齐了。

运行命令

./darknet detect cfg/yolo.cfg weights/yolo.weights data/dog.jpg

如果想试一试乞丐版本,就换成下面的参数:

./darknet detect cfg/tiny-yolo.cfg weights/tiny-yolo.weights data/dog.jpg

运行后,会在根目录下生产一张 predictions.jpg 结果图片,多次运行命令会覆盖掉先前的图片。

在我的 Firefly 上是可以成功编译成功的,但是加载权重文件预测时失败了,不知道是内存不够用还是什么情况,网上有很多类似的提问,浏览了好多,还有修改版的权重文件提供,反正我是没有成功,看起来想在树莓派上跑起来不太可行了。

有哪位同学可以跑通,麻烦告诉下我。

分类: AI, 日常 标签:

Yolo探索之 OpenCV 安装

2020年7月6日 没有评论

其实 opencv 对于 windows 平台是很友好的,先从这里下载最新版本的opencv的包,看起来是个exe,其实就是一个自解压缩包,解压缩完成后,界面就会自动消失,所以大家不要慌。

我这里就给放到了 c:\tools 目录下。

再接下来就是要添加环境变量了,在 opencv\build 目录下,有一个setup_vars_opencv4.cmd 文件,在命令行下以管理员权限执行它,就会增加一部分环境变量。

然后【我的电脑(右键)】->【属性】->【高级系统设置】->【高级(标签)】->【环境变量】->“双击”系统变量中的Path->在变量值里面添加相应的路径。

由于目录下有 vc14 和 vc15 两个目录,所以建议把这两个都给加进去,例如 C:\Tools\opencv\build\x64\vc15\bin。

还有最后一步,就是重启系统以便生效。我没有重启系统,后面编译 yolo 的时候就报错了。所以为了稳妥起见,重启下还是比较好。

分类: AI, 一句话 标签: ,