描述

引文

這是 Jetson 社區(qū)的一個項目，沒有其他開發(fā)人員的努力是不可能實現(xiàn)的。

指數(shù)

數(shù)據(jù)集

• 下載數(shù)據(jù)集
• 轉換為 Yolo 格式

YoloV4

• 在 Nvidia Jetson Nano 上編譯 YoloV4
• 用 COCO 測試 YoloV4
• 訓練面具檢測器
• 領導控制
• 以前的提示

以前的提示

在這個項目的開發(fā)過程中，我使用 SSH、SCP 和 VNC Viewer 來控制和從我的 PC 到 Jetson Nano 板的文件傳輸。您可以使用鍵盤和鼠標直接從板上控制它，但從我的角度來看，這種方式更不舒服：

• 在 Jetson 開發(fā)者工具包上設置 VNC 服務器
• 如何在 Linux 或 Windows 中使用 SSH 連接到遠程服務器
• 如何使用 SCP 命令安全傳輸文件

數(shù)據(jù)集

對于這個項目，我使用了 Kaggle 的面罩檢測數(shù)據(jù)集，其中包含屬于 3 個類別的 853 張圖像。每個圖像都有一個或多個邊界框。

這些課程是：

• 帶口罩
• 不戴口罩
• 口罩戴錯了

我建議使用谷歌數(shù)據(jù)集搜索來查找任何類型的數(shù)據(jù)集，在這種情況下，這個數(shù)據(jù)集可能有點小，但我有一個很好的準確度，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。

轉換為 Yolo 格式

Yolo 需要一個特定的符號來訓練模型和 .jpg 文件格式，所以首先你必須轉到 images 文件夾并運行：

$> 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 文件夾中并運行它：

$> python3 xml_to_yolo.py

如果您沒有任何庫，只需使用 pip/pip3 安裝它。

之后，您將擁有一個.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 開發(fā)的，在那里你可以找到關于如何訓練、指標等的優(yōu)秀文檔和示例。

在 Nvidia Jetson Nano 上編譯 YoloV4

首先，您必須克隆AlexeyAB 存儲庫

$ 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

并運行 make：

$ make

用 COCO 測試 YoloV4

之后，項目被編譯，只需要經(jīng)過訓練的權重來運行它。如果你想要更高的 FPS 性能，我建議使用 Tiny-Yolo。您可以從 AlexeyAB 存儲庫下載兩者：

• yolov4.weights
• yolov4-tiny.weights

只運行暗網(wǎng)：

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

使用-c 0相機 (V4L2) 設備的方法/dev/video0。

訓練面具檢測器

要訓??練一個新的 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 個小時。

與我的訓練一起跑步：

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

領導控制

為了完成這個項目，我想用這個檢測來創(chuàng)建“紅綠燈”，這只是一個愚蠢的實驗，但可能性是無窮無盡的......

加載模型后，您可以從 darknet_video.py 或 darknet_images.py 運行它，在這種情況下，我使用 darknet_images.pyimport RPi.GPIO as GPIO 并添加了一個 if-else 語句來控制檢測并將高低值設置為引腳輸出。

如果這個電路有 2 個 LED 和 2 個 PN2222 晶體管，一個用于綠色 LED，另一個用于紅色，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)場演示：

?