描述

引文

這是 Jetson 社區(qū)的一個(gè)項(xiàng)目，沒(méi)有其他開(kāi)發(fā)人員的努力是不可能實(shí)現(xiàn)的。

指數(shù)

數(shù)據(jù)集

• 下載數(shù)據(jù)集
• 轉(zhuǎn)換為 Yolo 格式

YoloV4

• 在 Nvidia Jetson Nano 上編譯 YoloV4
• 用 COCO 測(cè)試 YoloV4
• 訓(xùn)練面具檢測(cè)器
• 領(lǐng)導(dǎo)控制
• 以前的提示

以前的提示

在這個(gè)項(xiàng)目的開(kāi)發(fā)過(guò)程中，我使用 SSH、SCP 和 VNC Viewer 來(lái)控制和從我的 PC 到 Jetson Nano 板的文件傳輸。您可以使用鍵盤(pán)和鼠標(biāo)直接從板上控制它，但從我的角度來(lái)看，這種方式更不舒服：

• 在 Jetson 開(kāi)發(fā)者工具包上設(shè)置 VNC 服務(wù)器
• 如何在 Linux 或 Windows 中使用 SSH 連接到遠(yuǎn)程服務(wù)器
• 如何使用 SCP 命令安全傳輸文件

數(shù)據(jù)集

對(duì)于這個(gè)項(xiàng)目，我使用了 Kaggle 的面罩檢測(cè)數(shù)據(jù)集，其中包含屬于 3 個(gè)類別的 853 張圖像。每個(gè)圖像都有一個(gè)或多個(gè)邊界框。

這些課程是：

• 帶口罩
• 不戴口罩
• 口罩戴錯(cuò)了

我建議使用谷歌數(shù)據(jù)集搜索來(lái)查找任何類型的數(shù)據(jù)集，在這種情況下，這個(gè)數(shù)據(jù)集可能有點(diǎn)小，但我有一個(gè)很好的準(zhǔn)確度，如果你愿意，你可以用你自己的圖像或任何其他數(shù)據(jù)集把它變大。

轉(zhuǎn)換為 Yolo 格式

Yolo 需要一個(gè)特定的符號(hào)來(lái)訓(xùn)練模型和 .jpg 文件格式，所以首先你必須轉(zhuǎn)到 images 文件夾并運(yùn)行：

$> sudo apt-get install imagemagick
$> mogrify -format jpg *.png

現(xiàn)在有了 jpg 格式的圖像，下一步是將 parse.xml 轉(zhuǎn)換為 yolo 格式并創(chuàng)建 train/test.txt 文件。只需將 xml_to_yolo.py python 腳本放到 annotations 文件夾中并運(yùn)行它：

$> python3 xml_to_yolo.py

如果您沒(méi)有任何庫(kù)，只需使用 pip/pip3 安裝它。

之后，您將擁有一個(gè).txt per.xml 文件、train.txt 和 test.txt（這些文件占邊界框總數(shù)的 90/10）。

YoloV4

所有的 YoloV4 代碼都是由AlexeyAB/ darknet 開(kāi)發(fā)的，在那里你可以找到關(guān)于如何訓(xùn)練、指標(biāo)等的優(yōu)秀文檔和示例。

在 Nvidia Jetson Nano 上編譯 YoloV4

首先，您必須克隆AlexeyAB 存儲(chǔ)庫(kù)

$ git clone https://github.com/AlexeyAB/darknet.git
$ cd darknet

使用以下命令編輯 Makefile：

GPU=1
CUDNN=1
CUDNN_HALF=1
OPENCV=1
AVX=0
OPENMP=1
LIBSO=1
ZED_CAMERA=0
ZED_CAMERA_v2_8=0
......
USE_CPP=0
DEBUG=0
ARCH= -gencode arch=compute_53,code=[sm_53,compute_53]
......
NVCC=/usr/local/cuda/bin/nvcc

并運(yùn)行 make：

$ make

用 COCO 測(cè)試 YoloV4

之后，項(xiàng)目被編譯，只需要經(jīng)過(guò)訓(xùn)練的權(quán)重來(lái)運(yùn)行它。如果你想要更高的 FPS 性能，我建議使用 Tiny-Yolo。您可以從 AlexeyAB 存儲(chǔ)庫(kù)下載兩者：

• yolov4.weights
• yolov4-tiny.weights

只運(yùn)行暗網(wǎng)：

./darknet detector demo cfg/coco.data \
cfg/yolov4-tiny.cfg \
yolov4-tiny.weights \
-c 0

使用-c 0相機(jī) (V4L2) 設(shè)備的方法/dev/video0。

訓(xùn)練面具檢測(cè)器

要訓(xùn)??練一個(gè)新的 YoloV4-Tiny 模型，只需按照AlexeyAB 的步驟或使用我的文件和.weights。完成 6000 步（2000x3 類）大約需要 20 個(gè)小時(shí)。

與我的訓(xùn)練一起跑步：

./darknet detector demo cfg/obj.data \
cfg/yolov4-tiny-masks.cfg \
yolov4-tiny-obj_last.weights \
-c 0

領(lǐng)導(dǎo)控制

為了完成這個(gè)項(xiàng)目，我想用這個(gè)檢測(cè)來(lái)創(chuàng)建“紅綠燈”，這只是一個(gè)愚蠢的實(shí)驗(yàn)，但可能性是無(wú)窮無(wú)盡的......

加載模型后，您可以從 darknet_video.py 或 darknet_images.py 運(yùn)行它，在這種情況下，我使用 darknet_images.pyimport RPi.GPIO as GPIO 并添加了一個(gè) if-else 語(yǔ)句來(lái)控制檢測(cè)并將高低值設(shè)置為引腳輸出。

如果這個(gè)電路有 2 個(gè) LED 和 2 個(gè) PN2222 晶體管，一個(gè)用于綠色 LED，另一個(gè)用于紅色，我創(chuàng)建的電路。

引腳以這種方式映射：

pinGreen =  18 #Green led -> Pin 12 on the board
pinRed = 24 #Red led -> Pin 18 on the board

這是一張有用的圖片，可以查看 BCM 地圖的工作原理：

?

?

現(xiàn)場(chǎng)演示：

?