YOLO: Gerçek Zamanlı Nesne Tespiti Kütüphanesi (Darknet) Kurulumu

0
1708

Merhaba,

Bu yazıda açık kaynaklı yapay sinir ağı kütüphanesi olan Darknet kütüphanesinin makinamıza kurulumunu ve 2017 yılı itibariyle gerçek zamanlı olarak en hızlı şekilde nesne tespiti yapabilen YOLO(You Only Look Once) algoritmasının önceden eğitilmiş modelini kullanarak nesne tespiti demosunu nasıl çalıştıracağımızı görelim.

KURULUM

Github üzerinden darknet deposunu git ile klonlayalım ve darknet klasörü içerisine girelim.

Derleme işlemini başlatmadan önce darknet klasörü içerisindeki Makefile dosyasını inceleyelim.

Biz sadece yukarıdaki ilk 5 satırı ile ilgileneceğiz.

CUDA destekli Nvidia ekran kartınız varsa ve GPU üzerinde çalıştırmak istiyorsanız Makefile dosyasında ilk satırdaki GPU değerini 1 olarak değiştiriyoruz.

  • GPU ile derlemek istiyorsanız makinanızda CUDA 8 versiyonu yüklü olması gerekmektedir. CUDA kurulumu için yazıma buradan göz atabilirsiniz.

Web kameranızdan görüntü almak için Makefile dosyasında üçüncü satırdaki OPENCV değerini 1 olarak değiştiriyoruz.

  • OpenCV destekli derlemek için makinanızda OpenCV yüklü ve derlenmiş olması gerekmektedir. Eğer kurulum yapmadıysanız “Ubuntu Üzerinde OpenCV Kurulumu” başlıklı yazımdaki adımları izleyerek kurulum yapabilirsiniz.

Sadece CPU üzerinde çalıştırmak isterseniz Makefile dosyasında yukarıdaki değişiklikleri yapmadan derleyebilirsiniz.

make komutu çalıştırarak derleme işlemini başlatalım.

Not: -j8 parametresi opsiyoneldir. Derleme işlemini hızlandırmak için “-j çekirdek sayısı” parametresini ekleyebilirsiniz.

CPU üzerinde derleme yaptınızda sorun yaşayacağınızı düşünmüyorum. Ancak GPU üzerinde ve OpenCV destekli derleme yaparken hata alabilirsiniz. CUDA ve OpenCV kurulum işlemlerinizi kontrol ediniz.

Derleme işlemi sorunsuz şekilde tamamlandıysa denemeye geçebiliriz.

DEMO

Önceden eğitilmiş modelin ağırlık dosyalarını aşağıdaki komut ile indirelim.

Ben ağırlık dosyasını da yapılandırma dosyalarının olduğu cfg klasörü altına indirdim. Siz dilediğiniz yere indirebilirsiniz.

Data klasörü altındaki örnek dog.jpg görselinde nesne tanıma ve yerini saptamasını istiyorsak, aşağıdaki şekilde ağ dosyasını (yolo.cfg), indirdiğimiz ağırlık dosyasını (yolo.weights) ve görselin yolunu parametre olarak belirterek  detect komutu çalıştıralım.

darknet_yolo_dog_demo_result

darknet_yolo_dog_demo

İşlem sonunda görsel içerisinde  dog: 82%, car: 26%, truck: 65%, bicycle: 85% oranlarında nesneleri içerdiğini ve nesnelerin konumlarını sınırlayıcı kutu içerisine aldığını görüyoruz.

Webcam ile gerçek zamanlı nesne tespiti

Webcam ile gerçek zamanlı nesne tespiti için COCO veriseti’ni kullanarak detector demo komutunu çalıştırıyoruz.
Bu demoyu çalıştırmak için DarkNet’i CUDA ve OpenCV ile derlenmiş olması gerekmektedir

Video üzerinde gerçek zamanlı nesne tespiti için ise webcam ile çalıştırdığımız komut sonuna videonun dosya yolunu belirtmemiz yeterli

ÇALIŞMALARIM

İstanbul trafiğinde çekilmiş olan kısa bir videoyu makina gözüyle nasıl göründüğünü izleyebilirsiniz.

 

Telefon ile çektiğim başka bir video üzerindeki nesne tespiti denememi izleyebilirsiniz.


Bilgisayar özellikleri video açıklamalarında mevcuttur.

 

Referanslar:

 

Kaynak: http://blog.yavuzz.com/post/gercek-zamanli-nesne-tespiti-kutuphanesi-darknet-kurulumu

Facebook Yorumları