如何在無人機上部署YOLOv4物體檢測器

原創 阿木实验室 2020-05-09 09:32

代碼編譯

1.準備工作（如何安裝依賴項）

  • 推薦使用Ubuntu 18.04
  • CMake >= 3.8: https://cmake.org/download/
  • CUDA >= 10.0: https://developer.nvidia.com/cuda-toolkit-archive
  • OpenCV >= 2.4: https://opencv.org/releases.html
  • cuDNN >= 7.0 for CUDA >= 10.0 https://developer.nvidia.com/rdp/cudnn-archive
  • GPU with CC >= 3.0: https://en.wikipedia.org/wiki/CUDA#GPUs_supported
  • GCC

2.Linux上編譯

下載YOLOv4源碼，推薦使用Ubuntu 18.04：

sudo apt-get install -y git
git clone https://github.com/AlexeyAB/darknet.git

配置Makefile文件中的參數，然後運行make -j8進行編譯，具體參數解釋如下：

  • GPU=1 使用CUDA和GPU（CUDA默認路徑爲/usr/local/cuda）

  • CUDNN=1使用cuDNN v5-v7加速網絡（cuDNN默認路徑/usr/local/cudnn）

  • CUDNN_HALF=1 使用Tensor Cores（可用GPU爲Titan V / Tesla V100 / DGX-2或者更新的）檢測速度3x，訓練速度2x

  • OPENCV=1 使用OpenCV 4.x/3.x/2.4.x，運行檢測視頻和攝像機

  • DEBUG=1 編譯調試版本

  • OPENMP=1 使用OpenMP利用多CPU加速

  • LIBSO=1 編譯darknet.so

    • 使用uselib來運行YOLO，輸入指令如下：
      LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib test.mp4
    • 在自己的代碼中嵌入YOLO，請參考例程：
      https://github.com/AlexeyAB/darknet/blob/master/src/yolo_console_dll.cpp

  • ZED_CAMERA=1 增加ZED-3D相機的支持（需要先安裝好ZED SDK）

    • 運行LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/coco.names cfg/yolov4.cfg yolov4.weights zed_camera

3.常見編譯問題

/bin/sh: 1: nvcc: not found

首先確保CUDA正確安裝，並且在路徑/usr/local/cuda下，然後輸入如下指令：

echo "PATH=/usr/local/cuda/bin:$PATH" >> ~/.bashrc
source ~/.bashrc

include/darknet.h:46:10: fatal error: cudnn.h: No such file or directory

首先下載cuDNN，https://developer.nvidia.com/rdp/cudnn-archive，需要根據自己的CUDA版本選擇，然後解壓，輸入指令：

sudo cp -r cudnn-10.1-linux-x64-v7.6.5.32/cuda /usr/local/cudnn

運行代碼

1.預訓練模型

所有模型都是在MS-COCO數據集上訓練，模型包括兩個文件（cfg和weights）

R表示在RTX 2070設備上的FPS，V表示在Tesla V100設備上的FPS

百度網盤打包下載，鏈接：https://pan.baidu.com/s/1QQPB27n18XeRDnhHA2Gxuw，提取碼：uill

可以在如下路徑找到所有的cfg文件: darknet/cfg/

2.運行指令介紹

需要將訓練好的weights文件放到darknet根目錄下，運行如下指令：

  • 檢測單張圖像
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.25
  • 檢測給定路徑的單張圖像（參數最後的路徑需要寫待檢測圖像的路徑）
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output /home/jario/Pictures/h1.jpg
  • 檢測給定路徑的單個視頻
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output test.mp4
  • 檢測給定路徑的單個視頻，並將檢測結果保存爲視頻
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -out_filename res.avi
  • 利用攝像機實時檢測（YOLOv4）
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -c 0
  • 利用攝像機實時檢測（YOLOv3-Tiny）
./darknet detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -c 0
  • 在GPU1上檢測給定路徑的單個視頻
./darknet detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -i 1 test.mp4
  • 檢測列表data/train.txt中圖像，並將結果保存在result.json
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output -dont_show -out result.json < data/train.txt
  • 檢測列表data/train.txt中圖像，並將結果保存在result.txt
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -dont_show -ext_output < data/train.txt > result.txt

如何訓練

1.如何構建自己的訓練數據

下載數據集標註工具，下載地址：(https://pan.baidu.com/s/1EE52cDStjIxsRgM_a9pWQQ) (password: 4b2q) 或者 Spire Web.

數據集管理軟件github地址：https://github.com/jario-jin/spire-image-manager

1.1 打開標註軟件 SpireImageTools_x.x.x.exe

首先點擊Tools->Setting…，填寫一個 save path (所有的標註文件都會存儲在這個文件夾中)

如果採集的數據集是視頻 (如果採集的是圖像，則調過這一步驟)，點擊 Input->Video， 選擇要標註的視頻。
在這裏插入圖片描述

然後，點擊Tools->Video to Image
在這裏插入圖片描述
點擊OK 後，等待完成，結果會存儲在

1.2 打開需要標註的圖像

Input->Image Dir， 找到需要標註的圖像所在文件夾 Ctrl+A，全選，打開

點擊，Tools->Annotate Image->Instance Label，開始標註圖像
在這裏插入圖片描述

在 label 中填寫待標註目標名稱，然後將對話框拖到一邊
在主窗口中開始標註，鼠標滾輪放大縮小圖像，按住左鍵移動可視圖像區域不斷點擊左鍵將目標框包圍，
使用 Yolo 訓練時，點擊 2 個點即可


標註時，如果點錯，按鼠標右鍵可以取消
標註完成後，如果不滿意，可以點擊綠色邊框(邊框會變紅，如下圖所示)，按Delete 刪除
在這裏插入圖片描述

1.3 將標註輸出爲 Yolo 格式，準備訓練

在標註完成之後，按下 Ctrl+O
在這裏插入圖片描述
點擊確定後
在這裏插入圖片描述

然後將下面 4 個文件取出用於 Yolo 訓練
在這裏插入圖片描述

2.開始訓練YOLO

使用YOLOv4和YOLOv3：

  • 針對選擇的模型，下載預訓練權重：

    百度網盤打包下載，鏈接：https://pan.baidu.com/s/1CNVyyjoph7YVSXGT3vjbfQ，提取碼：4usc

  • 將cfg/yolov4-custom.cfg拷貝一份，重命名爲yolov4-obj.cfg（obj可以是自定義名稱）

    • 修改batch爲batch=64
    • 修改subdivisions爲subdivisions=16
    • 修改max_batches爲（類別數量*2000，但不要小於4000），如訓練3個類別max_batches=6000
    • 修改steps爲max_batches的0.8與0.9，如steps=4800,5400
    • 修改classes=80爲自定義數據集的類別數量，主要需要修改3處（3個[yolo]層）：
      • https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L610
      • https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L696
      • https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L783
    • 修改filters=255爲filters=(classes+5)x3，在3個[yolo]層的前一個[convolutional]層，分別爲：
      • https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L603
      • https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L689
      • https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L776
    • 如果使用[Gaussian_yolo]層，修改filters=57爲filters=(classes+9)x3，在3個[Gaussian_yolo]層的前一個[convolutional]層，分別爲：
      • https://github.com/AlexeyAB/darknet/blob/6e5bdf1282ad6b06ed0e962c3f5be67cf63d96dc/cfg/Gaussian_yolov3_BDD.cfg#L604
      • https://github.com/AlexeyAB/darknet/blob/6e5bdf1282ad6b06ed0e962c3f5be67cf63d96dc/cfg/Gaussian_yolov3_BDD.cfg#L696
      • https://github.com/AlexeyAB/darknet/blob/6e5bdf1282ad6b06ed0e962c3f5be67cf63d96dc/cfg/Gaussian_yolov3_BDD.cfg#L789

    例如，如果classes=1，則filters=18；如果classes=2，則filters=21。
    注意：不要在cfg文件中直接寫: filters=(classes+5)x3)

  • 在darknet/data路徑下創建obj.names，其中每一行是一個目標類別名稱

    • 將數據集標註得到的文件Yolo_categories.names重命名爲obj.names，並放到darknet/data下

  • 在darknet/data路徑下創建obj.data：

    • 教程 darknet 路徑爲 /home/user/darknet，本文以此爲例，請根據自己的路徑進行修改。在 /home/user/darknet/cfg/ 文件夾下新建一個文件，名字叫 obj.data 在裏面寫入：
    classes = 1
train = /home/user/darknet/data/coco/Yolo_20180908_234114.txt
valid = /home/user/darknet/data/coco/Yolo_20180908_234114.txt
names = data/obj.names
backup = backup
eval = coco

    注意：classes 爲類別數量，對於單類檢測問題，寫 1

  • 將圖像文件（.jpg）與標註文件放入到如下路徑darknet\data\coco\路徑下

    • 將scaled_images裏的圖像拷貝到 /home/user/darknet/data/coco/images/train下
    • 將Yolo_labels裏的標註文件拷貝到/home/user/darknet/data/coco/images/train下
    • 將Yolo_20180908_234114.txt拷貝到/home/user/darknet/data/coco下

  • 開始訓練

    • 訓練指令：./darknet detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137
      • （對於最新100次迭代的最新權重yolo-obj_last.weights會保存在darknet\backup\）
      • （對於每1000次迭代的權重yolo-obj_xxxx.weights會保存在darknet\backup\）
      • （關閉Loss的顯示窗口./darknet detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137 -dont_show）
      • （通過瀏覽器查看訓練過程./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -dont_show -mjpeg_port 8090 -map，然後打開Chrome瀏覽器，輸入http://ip-address:8090）
      • （如果需要在訓練中計算mAP，每4期計算一次，需要在obj.data文件中設置valid=valid.txt，運行：./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -map）

  • 訓練結束，結果保存在darknet\backup\yolo-obj_final.weights

    • 如果訓練中斷，可以選擇一個保存的權重繼續訓練，使用./darknet detector train data/obj.data yolo-obj.cfg backup\yolo-obj_2000.weights

注意：在訓練中，如果avg（loss）出現nan，則訓練出了問題，如果是其他字段出現nan，這種情況是正常的。
注意：如果需要改變cfg文件中的width=或height=，新的數字需要被32整除。
注意：訓練完成後，檢測指令爲：./darknet detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights。
注意：如果出現Out of memory，需要修改cfg文件中的subdivisions=16爲32或64。

3. 訓練YOLOv3-Tiny

訓練YOLOv3-Tiny與選了YOLOv4、YOLOv3基本相同，主要有以下小區別：

  • 下載yolov3-tiny預訓練權重，運行命令./darknet partial cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15
  • 新建自定義cfg文件yolov3-tiny-obj.cfg（可以複製cfg/yolov3-tiny.cfg爲yolov3-tiny-obj.cfg）
  • 運行訓練命令：./darknet detector train data/obj.data yolov3-tiny-obj.cfg yolov3-tiny.conv.15

4.多GPU訓練

  1. 首先在1塊GPU上訓練1000次./darknet detector train cfg/coco.data cfg/yolov4.cfg yolov4.conv.137
  2. 停止訓練，使用權重darknet/backup/yolov4_1000.weights，在多塊GPU上訓練，運行./darknet detector train cfg/coco.data cfg/yolov4.cfg /backup/yolov4_1000.weights -gpus 0,1,2,3

注意：如果出現nan，應該降低學習率，如4塊GPUlearning_rate=0.00065（learning_rate=0.00261/GPUs），還應該增加cfg文件中的burn_in=爲原先的4x，如burn_in=4000

5.訓練常見程序問題

注意：如果出現如下錯誤
在這裏插入圖片描述

需要修改源碼/home/user/darknet/src/data.c
將如下代碼

list *get_paths(char *filename)
{
  char *path;
  FILE *file = fopen(filename, "r");
  if(!file)
    file_error(filename);
  list *lines = make_list();
  while((path=fgetl(file))) {
    list_insert(lines, path);
  }
  fclose(file);
  return lines;
}

修改爲：

void ltrim(char *s)
{
  char *p; p = s;
  while (*p == ' ' || *p == '\t' || *p == '\r') { p++; } strcpy(s,p);
}

void rtrim(char *s)
{
  int i;
  i = strlen(s) - 1;
  while ((s[i] == ' ' || s[i] == '\t' || s[i] == '\r') && i >= 0 ) { i--; } s[i+1] = '\0';
}

void _trim(char *s)
{
  ltrim(s);
  rtrim(s);
}

list *get_paths(char *filename)
{
  char *path;
  FILE *file = fopen(filename, "r"); if(!file) file_error(filename); list *lines = make_list(); while((path=fgetl(file))) {
    _trim(path); list_insert(lines, path);
  }
  fclose(file); return lines;
}

保存，make -j8重新編譯
下面爲正常訓練時畫面
在這裏插入圖片描述

6.何時應該停止訓練

通常情況下，爲每個類別迭代2000次是足夠的，且總的迭代次數不能低於4000次。但是如果想要更加精確的停止時間，可以參考以下說明：

  1. 在訓練過程中，你會看到一系列訓練誤差，當0.XXXXXXX avg這個參數不再下降時，就該停止訓練了

Region Avg IOU: 0.798363, Class: 0.893232, Obj: 0.700808, No Obj: 0.004567, Avg Recall: 1.000000, count: 8 Region Avg IOU: 0.800677, Class: 0.892181, Obj: 0.701590, No Obj: 0.004574, Avg Recall: 1.000000, count: 8

9002: 0.211667, 0.60730 avg, 0.001000 rate, 3.868000 seconds, 576128 images Loaded: 0.000000 seconds

  • 9002 - 迭代數量（batch數量）
  • 0.60730 avg - 平均損失（誤差），越低越好

如果發現0.XXXXXXX avg在很多次迭代後都不再降低，則是時候該停止訓練了。最終的平均損失從0.05（對於小模型和簡單訓練數據）到3.0（對於大模型和複雜訓練數據）不等。

  1. 當訓練停止之後，可以從darknet\backup中取出最新保存的訓練權重.weights，並選擇它們中檢測效果最好的

例如，當訓練9000次停止後，效果最好的模型可能是之前保存權重中的一個（7000,8000,9000），這是因爲過擬合（Overfiting）現象。過擬合的表現可以解釋爲，在訓練圖像上檢測效果很好，但是在其他圖像上效果不佳，這時候就該儘早停止訓練（早停點）。

2.1 首先，你需要在obj.data中指定驗證數據集valid=valid.txt，如果你沒有準備驗證數據集，可以簡單的複製data\train.txt爲data\valid.txt。

2.2 如果你在迭代9000次之後停止訓練，驗證之前的模型權重可以使用如下命令：

  • ./darknet detector map data/obj.data cfg/yolo-obj.cfg backup\yolo-obj_7000.weights
  • ./darknet detector map data/obj.data cfg/yolo-obj.cfg backup\yolo-obj_8000.weights
  • ./darknet detector map data/obj.data cfg/yolo-obj.cfg backup\yolo-obj_9000.weights

然後對比每個權重（7000,8000,9000）最後一行輸出，選擇mAP（mean average precision）最高權重，或者對比IoU（intersect over union）進行選擇。

例如，yolo-obj_8000.weights的mAP最高，則使用這個權重。或者在訓練時加上-map參數：

./darknet detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137 -map

結果如下圖所示，mAP每4期（Epoch）通過obj.data中設置的驗證集valid=valid.txt上計算一次（1期=train_txt中圖像數量 / batch 次迭代）。
在這裏插入圖片描述

運行訓練好的模型，進行目標檢測，執行：

./darknet detector test data/obj.data cfg/yolo-obj.cfg yolo-obj_8000.weights

7.如何提升檢測效果

7.1 訓練之前提升檢測效果的技巧

  • 設置.cfg文件中random=1，可以使用多分辨率輸入增加檢測效果：link

  • 在.cfg文件中增加網絡的輸入分辨率（設置任意可以被32整除的數字，如，height=608，width=608），可以增加精度

  • 檢查圖像每個目標是否都被標記，圖像中的所有目標都必須被正確標記，推薦使用數據管理工具檢查：spire-image-manager

  • Loss很大，mAP很低，是不是訓練錯了？在訓練中使用-show_imgs參數，能夠可視化目標框真值，檢查數據集是否出了問題。

  • 對於每一個你要檢測的物體，在訓練數據集中至少需要有一個實例與之相似，包括：形狀、物體側面、相對大小、旋轉角度、傾斜方位角、光照等。因此，你的訓練數據集需要包含具有不同對象屬性的圖像：比例、旋轉、光照、不同側面、不同背景等。建議對每一類物體收集2000張不同圖像，並迭代訓練2000*類別數量次。

  • 推薦在訓練數據集中包含帶有不希望檢測的非標記目標的圖像。負樣本圖像不需要方框標記（空.txt文件），越多越好。

  • 標註目標的最佳方式是：僅標註物體的可見部分，或標註物體的可見和重疊部分，或標註比整個物體稍多一點的部分（有一點間隙），標註你想讓檢測器檢測的部分。

  • 如果單幅圖像中的物體很多，需要在[yolo]層或[region]層中修改參數max=200或者更高（全局最大目標檢測數量爲0,0615234375*(width*height)）。

  • 如果想要檢測小目標（圖像被縮放到416×416416\times 416後，小於16×1616\times 16的目標）

    • 在https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L895修改layers = 23
    • 在https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L892修改stride=4
    • 在https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L989修改stride=4

  • 如果想要同時檢測大目標與小目標，可以使用修改模型：

    • 全模型 - 5個yolo層：https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3_5l.cfg
    • 小模型 - 3個yolo層：https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-tiny_3l.cfg
    • YOLOv4 - 3個yolo層：https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4-custom.cfg

  • 如果你訓練的數據類別需要區分左右目標（如檢測左右手，交通信號中的左右方向），則不能使用左右翻轉圖像增強，在cfg文件中設置flip=0: https://github.com/AlexeyAB/darknet/blob/3d2d0a7c98dbc8923d9ff705b81ff4f7940ea6ff/cfg/yolov3.cfg#L17

  • 一般規則 - 您的訓練數據集應包含待檢測目標的相對大小的集合：

    • train_network_width * train_obj_width / train_image_width ~= detection_network_width * detection_obj_width / detection_image_width
    • train_network_height * train_obj_height / train_image_height ~= detection_network_height * detection_obj_height / detection_image_height

    也就是，對於測試數據集中的每個物體，訓練數據集中必須至少有一個具有相同類與大約相同相對大小的物體。如果訓練數據中僅有佔圖像面積80-90%的物體，則訓練後的網絡不能夠檢測佔圖像面積1-10%的物體。

  • 如果想加速訓練（損失檢測精度），可以在cfg文件layer-136中設置參數stopbackward=1

  • 注意物體的模型、側面、光照、尺度、方位角等屬性，從神經網絡的內部角度來看，這些是不同的物體。因此，你想檢測的物體越多，就應該使用越複雜的網絡模型。

  • 如果想要外包矩形框更加精確，可以在[yolo]層中增加3個參數：ignore_thresh=.9 iou_normalizer=0.5 iou_loss=giou，這會增加[email protected]，同時降低[email protected]。

  • 如果你比較熟悉檢測網絡了，可以重新計算自定義數據集的錨框（Anchor）：./darknet detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416，然後設置cfg文件中3個[yolo]層9個錨框。同時需要改變每個[yolo]層中的錨框索引mask=，第一層有大於60×6060\times 60的錨框，第二層有大於30×3030\times 30的錨框，第三層相同。也需要改變每個[yolo]層之前的filters=(classes + 5)*<number of mask>。如果許多計算出的錨框不適合在適當的層下 - 那麼就嘗試使用默認錨框。

7.2 訓練之後提升檢測效果的技巧

  • 增加cfg文件中網絡輸入的分辨率，如，height=608，width=608，或height=832，width=832，這樣可以檢測更小的目標。

如何將訓練好的模型部署到無人機上

1.TX2上的準備工作

  • 推薦使用Ubuntu 18.04（可以使用JetPack刷機）
  • CMake >= 3.8: https://cmake.org/download/
  • CUDA >= 10.0: https://developer.nvidia.com/cuda-toolkit-archive
  • cuDNN >= 7.0 for CUDA >= 10.0 https://developer.nvidia.com/rdp/cudnn-archive
  • OpenCV >= 2.4: https://opencv.org/releases.html
  • GCC
  • ROS Melodic: http://wiki.ros.org/melodic/Installation

1.1 使用JetPack爲TX2安裝CUDA與cuDNN

  • 下載JetPack，地址：https://developer.nvidia.com/embedded/jetpack
    在這裏插入圖片描述

  • 進入 sdkmanager-[version].[build].deb 所在的路徑，其中version和build代表相應各自的編號，安裝Debian包:

sudo apt install ./sdkmanager-[version].[build].deb
  • 安裝好之後，在Terminal中輸入
sdkmanager

  • 使用NVIDIA賬號登錄

  • 選擇開發環境

    • 在 Product Category 中選擇 Jetson.
    • 在 Hardware Configuration 中選擇 target hardware(Jetson TX2)，勾掉 host machine
    • 在 Target Operating System 中選擇 JetPack 的版本.
    • 點擊CONTINUE進入下一步

  • 檢查下載組件（如果僅安裝CUDA和cuDNN，則只勾選紅圈內的選項）、選擇存儲路徑以及接收條款

在這裏插入圖片描述

  • 保證Host計算機與TX2在同一局域網內，輸入TX2的IP地址就可以安裝

2.部署Darknet-ROS

  • 下載darknet_ros源碼
cd ~
cd catkin_ws/src
git clone --recursive https://github.com/leggedrobotics/darknet_ros.git
cd ../
  • 編譯
catkin_make -DCMAKE_BUILD_TYPE=Release
  • 將訓練好的cfg和weights加載到darknet_ros中

將/home/user/darknet/cfg/yolov3-tiny.cfg和/home/user/darknet/backup中剛剛訓練好的參數
分別拷貝到/home/user/catkin_ws/src/darknet_ros/darknet_ros/yolo_network_config中的cfg和weights兩個文件夾中
在/home/user/catkin_ws/src/darknet_ros/darknet_ros/config文件夾中新建yolov3-tiny-obj.yaml

裏面寫入

yolo_model:
  config_file:
    name: yolov3-tiny-obj.cfg
  weight_file:
    name: yolov3-tiny-obj.weights
  threshold:
    value: 0.3
  detection_classes:
    names:
      - drone

注意，在yolov3-tiny-obj.yaml文件中，需要指定剛纔拷貝的cfg和weights文件以及names爲自己訓練的類別

在/home/user/catkin_ws/src/darknet_ros/darknet_ros/launch文件夾中，複製一份darknet_ros.launch，重命名爲obj_det.launch
修改裏面的

<rosparam command="load" ns="darknet_ros" file="$(find darknet_ros)/config/yolov2-tiny.yaml"/>

爲

<rosparam command="load" ns="darknet_ros" file="$(find darknet_ros)/config/yolov3-tiny-obj.yaml"/>

注意：這正式剛纔編寫的yaml文件

roslaunch darknet_ros obj_det.launch

注意：進行檢測，需要先打開一個ros_web_cam節點，以提供攝像頭數據

最後，給一張YOLOv4檢測結果的樣張吧
在這裏插入圖片描述

發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

Stable Diffusion中的embedding

Stable Diffusion中的embedding 嵌入，也稱爲文本反轉，是在 Stable Diffusion 中控制圖像樣式的另一種方法。在這篇文章中，我們將學習什麼是嵌入，在哪裏可以找到它們，以及如何使用它們。 什麼是嵌入embe

原創 2024-04-25 21:31:13

2024年DataOps趨勢預測：AI不會取代數據工程師

APM digest收集了多位行業專家對DataOps在2024的發展形勢及對IT和業務的影響的預測，這些技術最高管理者，包括Confluent技術戰略負責人Andrew Sellers的深刻洞見可能與你的感覺一致嗎？快來探討一下。 數據可

原創 2024-04-30 11:49:29

數字化轉型新篇章：企業通往智能化的新範式

早在十多年前，一些具有前瞻視野的企業以實現“數字化”爲目標啓動轉型實踐。但時至今日，可以說尚無幾家企業能夠在真正意義上實現“數字化”。 在實現“數字化”的征途上，人們發現，努力愈進，彷彿終點愈遠。究其原因，還在於轉型一直落後於技術邊界的拓展

原創 2024-04-29 21:22:20

Baidu Comate：“AI +”讓軟件研發更高效更安全

4月27日，百度副總裁陳洋出席由全國工商聯主辦的第64屆德勝門大講堂，並發表了《深化大模型技術創新與應用落地，護航大模型產業平穩健康發展》主題演講。陳洋表示，“人工智能+”成爲催生新質生產力的重要引擎，對於企業而言，務必要抓住這一重要機遇，

原創 2024-04-30 21:33:30

三喜臨門！信必優連收三家金融行業客戶表揚信

近日，信必優陸續收到全球知名銀行客戶、中國證券行業TOP級客戶、中國期貨行業TOP級客戶的表揚信。 客戶高度讚揚我司員工在工作中表現突出，以積極主動、團結協作的工作態度和出色的技術能力，在技術團隊中做出表率，爲項目的順利交付做出重要貢獻。

原創 2024-04-29 22:32:22

帶你開發一個視頻動態手勢識別模型

本文分享自華爲雲社區《CNN-VIT 視頻動態手勢識別【玩轉華爲雲】》，作者： HouYanSong。 CNN-VIT 視頻動態手勢識別 人工智能的發展日新月異，也深刻的影響到人機交互領域的發展。手勢動作作爲一種自然、快捷的交互方式，在

原創 2024-04-29 10:33:12

大模型將進一步推動AI數據發展，行業數據類型更加豐富

爲支撐加快推進新型工業化，發展新質生產力，探索數據要素與智能算力網絡協同發展路徑，促進數字技術與實體經濟深度融合，中國信息通信研究院作爲新型基礎設施建設者，科技創新的領軍者，在2024星火生態大會期間，舉辦了"數據要素及智能算力網絡創新專題

原創 2024-04-29 00:55:15

南京大學×百度“星河杯”AI 大模型創意校園賽正式起航

​3 月 9 日，教育部長懷進鵬在十四屆全國人大二次會議民生主題記者會上，談到了人工智能+教育的重要性。他強調，要把人工智能技術深入到教育教學和管理的全過程和全環節，研究其有效性和適應性，讓青年一代更加主動地學習，讓教師更加創造性地教學。

原創 2024-04-28 11:42:11

大模型微調提升AI應用性能

隨着人工智能技術的不斷髮展和普及，越來越多的領域開始應用AI技術來解決實際問題。其中，大模型作爲一種重要的技術手段，得到了廣泛的應用。然而，如何提高大模型的性能，使其更好地適應各種應用場景，一直是業界關注的焦點。本文將介紹一種有效的技術手段

原創 2024-04-28 11:30:14

賦能開發者，騰訊雲與你共探AI提升十倍生產力之路

引言   AI 技術發展迅速，對於開發者而言，AI 既可能是提高生產力的神兵利器，也可能成爲職業生涯潛在的“威脅”。開發者如何與 AI 協同進化，提升個人能力和價值；如何利用提高 AI 生產力，推動企業創新，實現降本提效

原創 2024-04-28 11:11:17

華爲雲Stack8.3面向香港正式發佈，六大亮點激發雲上躍遷

本文分享自華爲雲社區《華爲雲Stack8.3面向香港正式發佈，六大亮點激發雲上躍遷》，作者：華爲雲頭條。 2024年4月23日，在華爲雲香港峯會2024上，華爲混合雲副總裁胡玉海面向香港市場發佈華爲雲Stack8.3，提供110+本地

原創 2024-04-26 10:33:21

技術實踐｜大模型內容安全藍軍的道與術

1、引子 大語言模型（LLM）在2023年大放異彩，在許多領域展現出強大的能力，包括角色扮演，文本創作，邏輯推理等。然而，隨着其應用範圍的擴大，生成內容的安全問題也日益凸顯。這包括但不限於生成虛假信息、有害內容、偏見或歧視性言論等。這些問題

原創 2024-04-26 09:33:23

HCDG天津站精彩回顧 | AI高效開發， ModelArts技術動手工作坊

4月20日， HCDG城市行·天津站——“極快至簡 靈活部署”我想象中的AI高效開發ModelArts技術工作坊圓滿舉辦。活動特邀來自華爲雲DTSE、華爲云云享專家、以及天津軟件技術協會的夥伴企業專家們爲與會開發者帶來一場別開生面的技術交流

原創 2024-04-25 22:33:41

LoRA微調語言大模型的實用技巧

一、引言 隨着深度學習技術的快速發展，語言大模型在自然語言處理領域取得了顯著的進展。然而，傳統的微調方法通常需要大量的計算資源和時間，對於實際應用來說並不友好。爲了解決這個問題，LoRA微調技術應運而生。LoRA（Low-Rank Adap

原創 2024-04-28 11:30:13

京東廣告研發——效率爲王：廣告統一檢索平臺實踐

1、系統概述 實踐證明，將互聯網流量變現的在線廣告是互聯網最成功的商業模式，而電商場景是在線廣告的核心場景。京東服務中國數億的用戶和大量的商家，商品池海量。平臺在兼顧用戶體驗、平臺、廣告主收益的前提推送商品具有挑戰性。京東廣告檢索平臺

原創 2024-04-25 23:17:47