[PYTHON] Konvertiere keras-yolo3 in onnx

TL;DR

• Ursprüngliches Datenlernverfahren unter Verwendung der Keras-Version von YOLO v3 (Stand: 24. Juni 2020) HDF5-Format (* .h5) erstellt So konvertieren Sie in das ONNX-Format

Referenzseite

axinc-ai/yolov3-face onnx/keras-onnx

wichtiger Punkt

Manchmal konnte die konvertierte onnx-Datei nicht abgeleitet werden. Es kann aus der ursprünglich vorbereiteten onnx-Datei abgeleitet werden.

Die detaillierten Bedingungen wurden noch nicht identifiziert.

1. Erstellen einer Umgebung

1.1. Quellenvorbereitung

Klon mit Git von axinc-ai / yolov3-face

git clone https://github.com/axinc-ai/yolov3-face.git

Als nächstes klonen Sie Keras-Yolo3 in Yolov3-Gesicht.

cd .\yolov3-face
git clone https://github.com/qqwweee/keras-yolo3.git

1.2. Erstellen einer Python-Umgebung für die Konvertierung

Erstellen Sie eine virtuelle Umgebung "yolov3-face" mit conda

conda create -n yolov3-face python=3.6 -y

Installieren Sie die erforderlichen Module. Da die detaillierte Version in axinc-ai / yolov3-face angegeben und nicht im Conda-Repository vorbereitet ist, installieren Sie sie mit pip.

conda activate yolov3-face
pip install tensorflow==1.13.2
pip install keras==2.2.4
pip install keras2onnx==1.5.1
pip install opencv-python
pip install pillow
pip install matplotlib

1.3. Erstellen einer Python-Umgebung für Inferenz

Erstellen Sie mit conda eine virtuelle Umgebung "yolov 3-face-inference"

conda create -n yolov3-face-inference python=3.6 -y

Installieren Sie die erforderlichen Module. Da die detaillierte Version in axinc-ai / yolov3-face angegeben und nicht im Conda-Repository vorbereitet ist, installieren Sie sie mit pip.

conda activate yolov3-face-inference
pip install tensorflow==1.13.2
pip install onnxruntime
pip install keras==2.2.4
pip install pillow

2. Umwandlung und Beurteilung (überprüft anhand des angegebenen Beispiels)

Überprüfen Sie zunächst die vorbereitete Probe

2.1 Konvertierung

** Format **

python keras-yolo3-to-onnx.py <h5-model-filepath> <classes-filepath> <anchors-filepath> <onnx-filepath>

** Lauf **

cd .\keras-onnx

conda activate yolov3-face
python keras-yolo3-to-onnx.py ../model_data/logs/trained_weights_final.h5 ../model_data/face_classes.txt ../model_data/tiny_yolo_anchors.txt ../model_data/ax_face.onnx

2.2 Inferenz

** Format **

python inference.py <onnx-filepath> <classes-filepath> <targetimage-filepath> <outputimage-filepath>

** Lauf **

cd .\keras-onnx

conda activate yolov3-face-inference
python inference.py ../model_data/ax_face.onnx ../model_data/face_classes.txt ../images/couple.jpg output.jpg

3. Im Fall der Datei, die von [Originaldaten-Lernverfahren unter Verwendung der Keras-Versionsimplementierung von YOLO v3 (Stand: 24. Juni 2020)] verarbeitet wurde (https://qiita.com/tfukumori/items/d1f79078803d8a7fe103)

• Kopieren Sie die Datei an den beschriebenen Speicherort.

3.1. Konvertierung

cd .\keras-onnx

conda activate yolov3-face
python keras-yolo3-to-onnx.py ../model_data/yolo_logs/models/Step2_yolo_weight_mAP_best.h5 ../model_data/voc_classes.txt ../model_data/yolo_anchors.txt ../model_data/ax_yolov3.onnx

3.2. Begründung

python inference.py ../model_data/ax_yolov3.onnx ../model_data/voc_classes.txt ../images/couple.jpg output.jpg

Referenz

keras-yolo3 + JetsonNano

https://qiita.com/rhene/items/b2a8ebe1f003e1107f63 http://mirai-tec.hatenablog.com/entry/2019/08/24/102129 http://mirai-tec.hatenablog.com/entry/2019/09/03/235156

YOLOv3(Darknet) + JetsonNano

https://soralab.space-ichikawa.com/2019/06/jetson-tx2-tensorrt-yolov3/ https://www.nakasha.co.jp/future/ai/vol2_yolov3nvidia_jetson_nano.html

TensorRT + Jetson Nano https://qiita.com/tsutof/items/f81d3900fa77d954ef39

Konvertieren Sie von Kerass zu ONNX

https://medium.com/axinc/yolov3-66c9b998c096

Andere

https://qiita.com/agumon/items/114da6921c5dc4f7d7f9 https://github.com/zzh8829/yolov3-tf2 https://qiita.com/plseal/items/f493c67b2e810f2f876e http://mirai-tec.hatenablog.com/entry/2020/01/12/115546 https://rightcode.co.jp/blog/information-technology/tensorflow2-yolov3-run