Darknet怎么用于Docker編譯

發布時間：2021-12-13 14:05:52 來源：億速云閱讀：150 作者：iii 欄目：大數據

這篇文章主要介紹“Darknet怎么用于Docker編譯”，在日常操作中，相信很多人在Darknet怎么用于Docker編譯問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Darknet怎么用于Docker編譯”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

YOLO 算法是非常著名的目標檢測算法。從其全稱 You Only Look Once: Unified, Real-Time Object Detection ，可以看出它的特性：

Look Once: one-stage (one-shot object detectors) 算法，把目標檢測的兩個任務分類和定位一步完成。
Unified: 統一的架構，提供 end-to-end 的訓練和預測。
Real-Time: 實時性，初代論文給出的指標 FPS 45 , mAP 63.4 。

YOLOv4: Optimal Speed and Accuracy of Object Detection ，于今年 4 月公布，采用了很多近些年 CNN 領域優秀的優化技巧。其平衡了精度與速度，目前在實時目標檢測算法中精度是最高的。

論文地址：

YOLO: https://arxiv.org/abs/1506.02640
YOLO v4: https://arxiv.org/abs/2004.10934

源碼地址：

YOLO: https://github.com/pjreddie/darknet
YOLO v4: https://github.com/AlexeyAB/darknet

本文將介紹 YOLOv4 官方 Darknet 實現，如何于 Docker 編譯使用。以及從 MS COCO 2017 數據集中怎么選出部分物體，訓練出模型。

主要內容有：

準備 Docker 鏡像
準備 COCO 數據集
用預訓練模型進行推斷
準備 COCO 數據子集
訓練自己的模型并推斷
參考內容

準備 Docker 鏡像

首先，準備 Docker ，請見：Docker: Nvidia Driver, Nvidia Docker 推薦安裝步驟。

之后，開始準備鏡像，從下到上的層級為：

nvidia/cuda: https://hub.docker.com/r/nvidia/cuda
OpenCV: https://github.com/opencv/opencv
Darknet: https://github.com/AlexeyAB/darknet

nvidia/cuda

準備 Nvidia 基礎 CUDA 鏡像。這里我們選擇 CUDA 10.2 ，不用最新 CUDA 11，因為現在 PyTorch 等都還都是 10.2 呢。

拉取鏡像：

docker pull nvidia/cuda:10.2-cudnn7-devel-ubuntu18.04

測試鏡像：

$ docker run --gpus all nvidia/cuda:10.2-cudnn7-devel-ubuntu18.04 nvidia-smi
Sun Aug  8 00:00:00 2020
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 440.100      Driver Version: 440.100      CUDA Version: 10.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce RTX 208...  Off  | 00000000:07:00.0  On |                  N/A |
|  0%   48C    P8    14W / 300W |    340MiB / 11016MiB |      2%      Default |
+-------------------------------+----------------------+----------------------+
|   1  GeForce RTX 208...  Off  | 00000000:08:00.0 Off |                  N/A |
|  0%   45C    P8    19W / 300W |      1MiB / 11019MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
+-----------------------------------------------------------------------------+

OpenCV

基于 nvidia/cuda 鏡像，構建 OpenCV 的鏡像：

cd docker/ubuntu18.04-cuda10.2/opencv4.4.0/

docker build \
-t joinaero/ubuntu18.04-cuda10.2:opencv4.4.0 \
--build-arg opencv_ver=4.4.0 \
--build-arg opencv_url=https://gitee.com/cubone/opencv.git \
--build-arg opencv_contrib_url=https://gitee.com/cubone/opencv_contrib.git \
.

其 Dockerfile 可見這里： https://github.com/ikuokuo/start-yolov4/blob/master/docker/ubuntu18.04-cuda10.2/opencv4.4.0/Dockerfile 。

Darknet

基于 OpenCV 鏡像，構建 Darknet 鏡像：

cd docker/ubuntu18.04-cuda10.2/opencv4.4.0/darknet/

docker build \
-t joinaero/ubuntu18.04-cuda10.2:opencv4.4.0-darknet \
.

其 Dockerfile 可見這里： https://github.com/ikuokuo/start-yolov4/blob/master/docker/ubuntu18.04-cuda10.2/opencv4.4.0/darknet/Dockerfile 。

上述鏡像已上傳 Docker Hub 。如果 Nvidia 驅動能夠支持 CUDA 10.2 ，那可以直接拉取該鏡像：

docker pull joinaero/ubuntu18.04-cuda10.2:opencv4.4.0-darknet

準備 COCO 數據集

MS COCO 2017 下載地址: http://cocodataset.org/#download

圖像，包括：

2017 Train images [118K/18GB]

http://images.cocodataset.org/zips/train2017.zip

2017 Val images [5K/1GB]

http://images.cocodataset.org/zips/val2017.zip

2017 Test images [41K/6GB]

http://images.cocodataset.org/zips/test2017.zip

2017 Unlabeled images [123K/19GB]

http://images.cocodataset.org/zips/unlabeled2017.zip

標注，包括：

2017 Train/Val annotations [241MB]

http://images.cocodataset.org/annotations/annotations_trainval2017.zip

2017 Stuff Train/Val annotations [1.1GB]

http://images.cocodataset.org/annotations/stuff_annotations_trainval2017.zip

2017 Panoptic Train/Val annotations [821MB]

http://images.cocodataset.org/annotations/panoptic_annotations_trainval2017.zip

2017 Testing Image info [1MB]

http://images.cocodataset.org/annotations/image_info_test2017.zip

2017 Unlabeled Image info [4MB]

http://images.cocodataset.org/annotations/image_info_unlabeled2017.zip

用預訓練模型進行推斷

預訓練模型 yolov4.weights ，下載地址 https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights 。

運行鏡像：

xhost +local:docker

docker run -it --gpus all \
-e DISPLAY \
-e QT_X11_NO_MITSHM=1 \
-v /tmp/.X11-unix:/tmp/.X11-unix \
-v $HOME/.Xauthority:/root/.Xauthority \
--name darknet \
--mount type=bind,source=$HOME/Codes/devel/datasets/coco2017,target=/home/coco2017 \
--mount type=bind,source=$HOME/Codes/devel/models/yolov4,target=/home/yolov4 \
joinaero/ubuntu18.04-cuda10.2:opencv4.4.0-darknet

進行推斷：

./darknet detector test cfg/coco.data cfg/yolov4.cfg /home/yolov4/yolov4.weights \
-thresh 0.25 -ext_output -show -out /home/coco2017/result.json \
/home/coco2017/test2017/000000000001.jpg

推斷結果：

Darknet怎么用于Docker編譯

準備 COCO 數據子集

MS COCO 2017 數據集有 80 個物體標簽。我們從中選取自己關注的物體，重組個子數據集。

首先，獲取樣例代碼：

git clone https://github.com/ikuokuo/start-yolov4.git

scripts/coco2yolo.py: COCO 數據集轉 YOLO 數據集的腳本
scripts/coco/label.py: COCO 數據集的物體標簽有哪些
cfg/coco/coco.names: 編輯我們想要的那些物體標簽

之后，準備數據集：

cd start-yolov4/
pip install -r scripts/requirements.txt

export COCO_DIR=$HOME/Codes/devel/datasets/coco2017

# train
python scripts/coco2yolo.py \
--coco_img_dir $COCO_DIR/train2017/ \
--coco_ann_file $COCO_DIR/annotations/instances_train2017.json \
--yolo_names_file ./cfg/coco/coco.names \
--output_dir ~/yolov4/coco2017/ \
--output_name train2017 \
--output_img_prefix /home/yolov4/coco2017/train2017/

# valid
python scripts/coco2yolo.py \
--coco_img_dir $COCO_DIR/val2017/ \
--coco_ann_file $COCO_DIR/annotations/instances_val2017.json \
--yolo_names_file ./cfg/coco/coco.names \
--output_dir ~/yolov4/coco2017/ \
--output_name val2017 \
--output_img_prefix /home/yolov4/coco2017/val2017/

數據集，內容如下：

~/yolov4/coco2017/
├── train2017/
│   ├── 000000000071.jpg
│   ├── 000000000071.txt
│   ├── ...
│   ├── 000000581899.jpg
│   └── 000000581899.txt
├── train2017.txt
├── val2017/
│   ├── 000000001353.jpg
│   ├── 000000001353.txt
│   ├── ...
│   ├── 000000579818.jpg
│   └── 000000579818.txt
└── val2017.txt

訓練自己的模型并推斷

準備必要文件

cfg/coco/coco.names <cfg/coco/coco.names.bak has original 80 objects>

Edit: keep desired objects

cfg/coco/yolov4.cfg <cfg/coco/yolov4.cfg.bak is original file>

Download yolov4.cfg, then changed:
batch=64, subdivisions=32 <32 for 8-12 GB GPU-VRAM>
width=512, height=512 <any value multiple of 32>
classes=<your number of objects in each of 3 [yolo]-layers>
max_batches=<classes*2000, but not less than number of training images and not less than 6000>
steps=<max_batches*0.8, max_batches*0.9>
filters=<(classes+5)x3, in the 3 [convolutional] before each [yolo] layer>
<s>filters=<(classes+9)x3, in the 3 [convolutional] before each [Gaussian_yolo] layer></s>

cfg/coco/coco.data

Edit: train, valid to YOLO datas

csdarknet53-omega.conv.105

docker run -it --rm --gpus all \
--mount type=bind,source=$HOME/Codes/devel/models/yolov4,target=/home/yolov4 \
joinaero/ubuntu18.04-cuda10.2:opencv4.4.0-darknet

./darknet partial cfg/csdarknet53-omega.cfg /home/yolov4/csdarknet53-omega_final.weights /home/yolov4/csdarknet53-omega.conv.105 105

Download csdarknet53-omega_final.weights, then run:

訓練自己的模型

運行鏡像：

cd start-yolov4/

xhost +local:docker

docker run -it --gpus all \
-e DISPLAY \
-e QT_X11_NO_MITSHM=1 \
-v /tmp/.X11-unix:/tmp/.X11-unix \
-v $HOME/.Xauthority:/root/.Xauthority \
--name darknet \
--mount type=bind,source=$HOME/Codes/devel/models/yolov4,target=/home/yolov4 \
--mount type=bind,source=$HOME/yolov4/coco2017,target=/home/yolov4/coco2017 \
--mount type=bind,source=$PWD/cfg/coco,target=/home/cfg \
joinaero/ubuntu18.04-cuda10.2:opencv4.4.0-darknet

進行訓練：

mkdir -p /home/yolov4/coco2017/backup

# Training command
./darknet detector train /home/cfg/coco.data /home/cfg/yolov4.cfg /home/yolov4/csdarknet53-omega.conv.105 -map

中途可以中斷訓練，然后這樣繼續：

# Continue training
./darknet detector train /home/cfg/coco.data /home/cfg/yolov4.cfg /home/yolov4/coco2017/backup/yolov4_last.weights -map

yolov4_last.weights 每迭代 100 次，會被記錄。

如果多 GPU 訓練，可以在 1000 次迭代后，加參數 -gpus 0,1 ，再繼續：

# How to train with multi-GPU
# 1. Train it first on 1 GPU for like 1000 iterations
# 2. Then stop and by using partially-trained model `/backup/yolov4_1000.weights` run training with multigpu
./darknet detector train /home/cfg/coco.data /home/cfg/yolov4.cfg /home/yolov4/coco2017/backup/yolov4_1000.weights -gpus 0,1 -map

訓練過程，記錄如下：

Darknet怎么用于Docker編譯

加參數 -map 后，上圖會顯示有紅線 mAP。

查看模型 mAP@IoU=50 精度：

$ ./darknet detector map /home/cfg/coco.data /home/cfg/yolov4.cfg /home/yolov4/coco2017/backup/yolov4_final.weights
...
Loading weights from /home/yolov4/coco2017/backup/yolov4_final.weights...
 seen 64, trained: 384 K-images (6 Kilo-batches_64)
Done! Loaded 162 layers from weights-file

 calculation mAP (mean average precision)...
 Detection layer: 139 - type = 27
 Detection layer: 150 - type = 27
 Detection layer: 161 - type = 27
160
 detections_count = 745, unique_truth_count = 190
class_id = 0, name = train, ap = 80.61%   	 (TP = 142, FP = 18)

 for conf_thresh = 0.25, precision = 0.89, recall = 0.75, F1-score = 0.81
 for conf_thresh = 0.25, TP = 142, FP = 18, FN = 48, average IoU = 75.31 %

 IoU threshold = 50 %, used Area-Under-Curve for each unique Recall
 mean average precision (mAP@0.50) = 0.806070, or 80.61 %
Total Detection Time: 4 Seconds

進行推斷：

./darknet detector test /home/cfg/coco.data /home/cfg/yolov4.cfg /home/yolov4/coco2017/backup/yolov4_final.weights \
-ext_output -show /home/yolov4/coco2017/val2017/000000006040.jpg

推斷結果：

Darknet怎么用于Docker編譯

到此，關于“Darknet怎么用于Docker編譯”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！

向AI問一下細節

91超碰碰碰碰久久久久久综合_超碰av人澡人澡人澡人澡人掠_国产黄大片在线观看画质优化_txt小说免费全本

Darknet怎么用于Docker編譯

準備 Docker 鏡像

nvidia/cuda

OpenCV

Darknet

準備 COCO 數據集

用預訓練模型進行推斷

準備 COCO 數據子集

訓練自己的模型并推斷

準備必要文件

訓練自己的模型

猜你喜歡

91超碰碰碰碰久久久久久综合_超碰av人澡人澡人澡人澡人掠_国产黄大片在线观看画质优化_txt小说免费全本

Darknet怎么用于Docker編譯

準備 Docker 鏡像

nvidia/cuda

OpenCV

Darknet

準備 COCO 數據集

用預訓練模型進行推斷

準備 COCO 數據子集

訓練自己的模型并推斷

準備必要文件

訓練自己的模型

猜你喜歡

最新資訊

相關推薦

相關標簽