Tutorial y primeros pasos para instalar YOLO a través de Darkflow, el cual es una herramienta escrita en Python 3 que hace las redes neuronales de código abierto Darknet disponibles en Python usando Tensorflow.
Clasificación y detección de objetos en tiempo real. Artículo: version 1, version 2.
Se pueden consultar los archivos .weight directo de este enlace.
Seleccionar la carpeta de instalación.
cd Documentos
git clone https://github.com/riclombar/Instalacion_YOLO
Si el comando git no se encuentra, se necesita instalar git.
sudo apt install git
Se procede a crear un ambiente virtual dentro de la carpeta clonada de Darkflow.
cd Instalacion_YOLO
virtualenv --python=python3 .venv
source .venv/bin/activate
Nótese que si se tiene una versión de python 3 más nueva que la versión 3.6, se debe indicar que se cree el ambiente virtual con la versión python 3.6.
virtualenv --python=python3.6 .venv
Si no se tiene instalado virtualenv.
sudo apt install virtualenv
Se necesitan instalar las siguientes librerías.
pip install Cython
pip install numpy
pip install tensorflow
pip install opencv-python
pip install .
python setup.py build_ext --inplace
Para la instalación de tensorflow también puedes ir a la página oficial de Tensorflow y buscar la versión de Tensorflow correspondiente a tu versión de python, ejemplo para versión de python 3.6 versión de CPU.
pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.12.0-cp36-cp36m-linux_x86_64.whl
Con eso termina la instalación de darflow corriendo en Tensorflow con versión de CPU. Para comprobar que darkflow funciona correctamente, se puede usar el siguiente comando:
flow --help
Si se muestra la ayuda del comando flow, todo está bien.
Para usar la versión GPU de Tensorflow es necesario instalar los drivers de nvidia, así como el Toolkit de nvidia y cuDNN. Para esto se requieren tarjetas de gráficos habilitados por CUDA. La lista de tarjetas está disponible en: https://developer.nvidia.com/cuda-gpus.
Para instalar los drivers de nvidia es recomendable leer la documentación. Adicionalmente, puedes consultar esta guía.
Se procede con la instalación del Toolkit de CUDA. Se necesita descargar el archivo de aquí, es importante que la versión del Toolkit sea la nueve pues Tensoflow está soportado para esa versión. Se procede a seleccionar el sistema operativo, la arquitectura x64, la distribución de linux, la versión de ubuntu (si es ubuntu 18, selecciona ubuntu 17) y, finalmente, el instalador deb. Debe quedar como se muestra aquí.
Descarga el primer archivo y los primeros dos parches (hay más parches pero no son necesarios). Para instalar:
sudo dpkg -i cuda-repo-ubuntu1704-9-0-local_9.0.176-1_amd64.deb
sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda
Para instalar los parches los abrimos con el instalador de software de ubuntu y hacemos la instalación. Necesitas actualizar tu variable PATH.
sudo nano ~/.bashrc
Ve hasta la última línea y añade las líneas siguientes:
export PATH=/usr/local/cuda-9.0/bin${PATH:+:$PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
Luego guardas con CTRL-o, presionas ENTER y cierras con CTRL-x.
Ve a https://developer.nvidia.com/cudnn y dirígete a descargas. Se te pide que te registres si es la primera vez, selecciona el link que dice Releases archivados y selecciona la versión 7.0.5 para CUDA Toolkit 9.0 de la fecha 5 de de diciembre de 2017. Descarga la librería para linux que viene en un archivo .tar. Abre una terminal donde guardaste el archivo .tar y descomprime usando el comando:
tar -xzvf cudnn-9.0-linux-x64-v7.tgz
Finalmente, corre los siguientes comandos para mover los archivos correspondientes a tu folder de CUDA.
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
En la página oficial de Tensorflow consulta la versión que quieres instalar y corre el comando:
pip3 install https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.12.0-cp36-cp36m-linux_x86_64.whl
Donde la URL corresponde con la versión que elegiste.
Párate sobre la carpeta donde clonaste el respositorio
cd Instalacion_YOLO
Con el siguiente comando abres tu ambiente virtual
source .venv/bin/activate
Primero necesitas descargar los weights de YOLO y ponerlos en una carpeta bin. Los weights los puedes encontrar en la página de Darknet de Joseph Redmon. El problema es que los actualiza y darkflow funciona con las versiones iniciales de los weights, por lo tanto, los puedes descargar de este link.
Una vez que descargaste un weight, lo pones en una carpeta que nombraremos bin.
mkdir bin
Con este comando usas las fotos que están disponibles en la carpeta sample para probar los weights que descargaste.
flow --imgdir sample_img/ --model cfg/yolo.cfg --load bin/yolo.weights
Si tienes fotos que quieras probar crea una carpeta con tus fotos y corre:
flow --imgdir my_photos/ --model cfg/yolo.cfg --load bin/yolo.weights
open my_photos/out/
Los resultados se muestran en una carpeta llamada 'out' dentro del directorio de las fotos.
Adicionalmente, puedes probar el algoritmo con la cámara de tu ordenador o con un video. Con video:
flow --model cfg/yolo-new.cfg --load bin/yolo-new.weights --demo videofile.avi
Si queres que tu modelo corra con GPU solo agrega '--gpu 1.0' al final.
flow --model cfg/yolo-new.cfg --load bin/yolo-new.weights --demo videofile.avi --gpu 1.0Para usar la webcam, solo reemplaza videofile.avi con la palabra camera.
Para guardar un video añade --saveVideo al final.
Para realizar el entrenamiento solo debes añadir la opción --train.
# Inicializa yolo-new desde yolo-tiny, luego entrena la red con 100% GPU:
flow --model cfg/yolo-new.cfg --load bin/tiny-yolo.weights --train --gpu 1.0
Durante el entrenamiento, el código guarda ocasionalmente los resultados en checkpoints de tensorflow, guardados en ckpt/. Para continuar a partir de cualquier checkpoint antes de reanudar el entrenamiento, usa --load (número de checkpoint), si checkpoint_num < 0, darkflow cargará el checkpoint más reciente.
# Continuar desde el checkpoint más reciente
flow --train --model cfg/yolo-new.cfg --load -1
# Continuar con el checkpoint en el paso 1500
flow --model cfg/yolo-new.cfg --load 1500
# Afinar yolo-tiny a partir del original
flow --train --model cfg/tiny-yolo.cfg --load bin/tiny-yolo.weights
Los pasos siguientes asumen que queremos usar tiny YOLO y nuestro dataset tiene 3 clases
-
Crea una copia del archivo de configuración
tiny-yolo-voc.cfgy renómbrala de acuerdo con tu preferenciatiny-yolo-voc-3c.cfg(es crucial que dejes el archivo original sin cambios). -
En
tiny-yolo-voc-3c.cfg, cambia las clases en la capa [region] (la última) para el número de clases que vas a entrenar. En este caso, classes se pone en 3.... [region] anchors = 1.08,1.19, 3.42,4.41, 6.63,11.38, 9.42,5.11, 16.62,10.52 bias_match=1 classes=3 coords=4 num=5 softmax=1 ... -
En
tiny-yolo-voc-3c.cfg, cambia los filtros en la capa [convolutional] (penúltima) por num * (classes + 5). En nuestro caso, num es 5 y classes son 3 entonces 5 * (3 + 5) = 40 por tanto, filters se pone en 40.... [convolutional] size=1 stride=1 pad=1 filters=40 activation=linear [region] anchors = 1.08,1.19, 3.42,4.41, 6.63,11.38, 9.42,5.11, 16.62,10.52 ...
-
Cambia
labels.txtpara incluir las etiquetas con las que quieras entrenar (el número de etiquetas debe ser el mismo que el número de clases que pusiste entiny-yolo-voc-3c.cfg). En nuestro caso,labels.txtcontendrá tres etiquetas.persona pasillo puerta -
Haz referencia al modelo
tiny-yolo-voc-3c.cfgcuando entrenes.
flow --model cfg/tiny-yolo-voc-3c.cfg --load bin/tiny-yolo-voc.weights --train --annotation train/Annotations --dataset train/Images
*¿Por qué no debo cambiar el archivo original tiny-yolo-voc.cfg?
Cuando darkflow ve que estás cargando tiny-yolo-voc.weights va a buscar el archivo tiny-yolo-voc.cfgen tu folder cfg\ y lo va a comparar con el archivo de configuación nuevo que has puesto con --model cfg/tiny-yolo-voc-3c.cfg. En este caso, cada capa tendrá el número mismo número de weights excepto porlos últimos dos, así que cargará los weights en todas las capas hasta las últimas dos porque ahora contienen números diferentes de weights.
En este caso usaremos LabelImg para crear las cajas delimitadoras. Puedes usar otras herramientas mientras te arrojen el resultado en formato .xml.
- Clona labelImg.
git clone sudo https://github.com/tzutalin/labelImg
- Instala pyqt5-dev-tools
sudo apt-get install pyqt5-dev-tools
- Instala lxml.
sudo apt-get install python3-lxml
- Make qt5py3
cd labelImg
make qt5py3
- Compila labelImg.py
cd labelImg
python3 labelImg.py
El último comando debe abrir el programa.
Con el botón open dir selecciona el directorio donde tienes almacenadas las fotos que usarás para tu dataset. Con el botón change save dir selecciona la carpeta donde quieras que se guarden los cambios.
Con cada imagen, pones una caja alrededor del objeto con el botón create. Una vez que dibujaste la caja, te pedirá que le asignas una etiqueta, la etiqueta que le pongas debe tener el mismo nombre que asignarás para el archivo labels.txt.
Por último, entrena tu modelo con las instrucciones de arriba y ten en cuenta que para entrenar con tu Dataset debes usar alrededor de 2000 steps.