[PYTHON] Ich habe versucht, Objekte mit YOLO v3 (TensorFlow 2.1) auf der GPU von Windows zu erkennen!

Umgebung

windows7 64bit Gefore GTX 680MX GPU anaconda

1. 1. CUDA-Installation

Laden Sie die Version CUDA Toolkit 10.1 Update 2 von der folgenden Website herunter (TensorFlow 2.1.0 wird aufgrund von CUDA Toolkit 10.1 unterstützt.) https://developer.nvidia.com/cuda-toolkit-archive

Wählen Sie für die Installation nicht Visual Studio Intergration aus

Wenn die Installation erfolgreich ist, führen Sie nvcc -V aus und das folgende Ergebnis wird angezeigt.

C:\Windows\System32>nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2019 NVIDIA Corporation
Built on Sun_Jul_28_19:12:52_Pacific_Daylight_Time_2019
Cuda compilation tools, release 10.1, V10.1.243

2. cuDNN-Installation

Wählen Sie cuDNN für CUDA 10.1 aus und laden Sie es von der folgenden Site herunter (Benötigt NVIDIA-Konto) https://developer.nvidia.com/cudnn

Entpacken Sie die Zip-Datei und Benennen Sie den cuda-Ordner in cuda765 und um Kopieren Sie in den Pfad "C: \ Programme \ NVIDIA GPU Computing Toolkit \ CUDA \ v10.1".

Nach dem Kopieren

3. Einstellungen für Umgebungsvariablen

Fügen Sie PATH den folgenden cuDNN-Pfad hinzu

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\cuda765\bin

4. Erstellen Sie keras_work mit conda

conda create -n keras_work
activate keras_work

5. Installieren Sie tensoflow

conda install tensorflow

6. Bestätigung

(base) C:\Users\mac>activate keras_work

(keras_work) C:\Users\mac>python
Python 3.7.7 (default, Apr 15 2020, 05:09:04) [MSC v.1916 64 bit (AMD64)] :: Ana
conda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
2020-05-06 19:46:04.480481: I tensorflow/stream_executor/platform/default/dso_lo
ader.cc:44] Successfully opened dynamic library cudart64_101.dll
>>> print(tf.__version__)
2.1.0
>>> print(tf.test.is_gpu_available())
・ ・ ・
physical GPU (device: 0, name: GeForce GTX 680MX, pci bus id: 0000:01:00.0, compute capability: 3.0)
True

7. YOLO V3 Materialvorbereitung

Holen Sie sich die Quelle von Github

cd c:\temp
git clone https://github.com/zzh8829/yolov3-tf2.git
cd yolov3-tf2

Laden Sie yolo3.weight von pjreddie.com herunter

• Es dauert 2 Stunden

wget https://pjreddie.com/media/files/yolov3.weights --no-check-certificate

Da es langsam ist, yolov3.weights von oben auf pjreddie.com zu erhalten, können Sie auch die folgende URL herunterladen https://pan.baidu.com/s/1G2Qh-V8kyLOq4oDbTwK6HQ Vorschlag (Passwort): vogw Die Datei lautet "yolo_tf2.1 \ data \ yolov3.weights".

Verschieben Sie die Datei yolo3.weight in den Pfad yolov3-tf2 Bestätigen Sie, dass die Datei verschoben wurde

(keras_work) C:\temp\yolov3-tf2>dir /B *.weights
yolov3.weights

8. Konvertieren (konvertieren Sie das vorab trainierte Darknet-Gewicht)

python convert.py --weights ./yolov3.weights --output ./checkpoints/yolov3.tf

9. Erkennung

python detect.py --image ./data/street.jpg