[PYTHON] Versuchen Sie, ein Objekt mit RaspberryPi zu erkennen ~ Teil 1: Vergleich der Erkennungsgeschwindigkeit ~

Einführung

Bei der Objekterkennung mit RaspberryPi habe ich die Erkennungsgeschwindigkeit und Erkennungsgenauigkeit jeder YOLO-Quelle (Sie sehen nur einmal) verglichen. Dies ist eine der wichtigsten Objekterkennungsmethoden, daher werde ich sie zusammenfassen.

In Bezug auf den Mechanismus von YOLO war es leicht zu verstehen [Verlauf der Objekterkennungsmethode: Einführung von YOLO].

Was ich mit Raspberry Pi machen möchte

Ich möchte nicht nur eine Haustierkamera für Katzen machen, sondern auch zwischen vier Katzen unterscheiden! Das Muster ist für alle vier unterschiedlich! Ich denke nur darüber nach, was zu unterscheiden und was zu tun ist, z. B. den Zustand der Katze zu überwachen und die Fernbedienung der Klimaanlage zu steuern oder den Umfang der Aktivität zu betrachten und sie für das Gesundheitsmanagement zu verwenden.

--MUSS: Sie können die Anzahl der Klassen ändern, um Ihr eigenes Lernmodell zu identifizieren und zu erstellen (außerhalb des Geltungsbereichs dieses Artikels).

• MAI: Ich möchte wenn möglich einmal pro Sekunde urteilen

Umgebung

 - hellgrün) - hellgrün)

Ergebnis

Das Bewertungsziel ist der COCO-Datensatz (80 Klassen), YOLO-Autorenseite: YOLO: Echtzeit-Objekterkennung und [AlexeyAB](https :: //github.com/AlexeyAB/darknet) verwendet die Gewichte des verteilten trainierten Modells. Jedes Modell hat ein "Tiny", das die Erkennungszeit priorisiert.

Unten sehen Sie das Ergebnis von Source x Model. Die Erklärung, das Bild des Ergebnisses und der Eindruck werden später beschrieben.

Die Erkennungsgenauigkeit ist subjektiv, basiert jedoch auf der Erkennungsrate des Hauptobjekts in jedem Bild. ◎ (90% -100%), 〇 (70% -90%), △ (50% -70%), × (nicht erkennbar).

Erklärung, Ergebnisbild, Eindruck für jede Quelle

pjreddie/darknet https://pjreddie.com/ https://github.com/pjreddie/darknet

• Urheber
• Hier können Sie auch die Gewichte der trainierten Modelle von v2 und v3 herunterladen. --C Sprache
• Die CPU-Auslastungsrate während der Objekterkennung wechselt von 25 auf 35%, und die Effizienz der CPU-Auslastung ist schlecht.
• Es ist möglich, es auf der GPU auszuführen, indem die Parameter der make-Datei geändert werden, aber mit Raspberry Pi ist es schwierig. --v3, yolov3-tiny hat mit Segmentierungsfehler nicht funktioniert. (Umweltproblem, da es von Google Colaboratory erkannt werden kann) ――V2-Tiny schien das Objekt nicht erkennen zu können. (Dies ist auch ein Umweltproblem, da es von Google Colaboratory erkannt werden kann.)

Model	dog	person
v2
v2-tiny

AlexeyAB/darknet https://github.com/AlexeyAB/darknet

• Die geerbte Version von pjreddie. Kompatibel mit YOLO v4.
• Hier können Sie die Gewichte des trainierten Modells von YOLO v4 herunterladen. --C Sprache
• Es ist möglich, es auf der GPU auszuführen, indem die Parameter der make-Datei geändert werden, aber mit Raspberry Pi ist es schwierig.
• Die CPU-Auslastungsrate während der Objekterkennung wechselt von 25 auf 35%, und die Effizienz der CPU-Auslastung ist schlecht.

Model	dog	person
v2
v2-tiny
v3
v3-tiny
v4
v4-tiny

qqwweee/keras-yolo3 https://github.com/qqwweee/keras-yolo3

--keras Version

• Sie können die Gewichte von pjreddie / darknet konvertieren und verwenden.
• Da das Erkennungsergebnisbild nicht standardmäßig ausgegeben werden kann, wurde die Verarbeitung unter Bezugnahme auf Ich habe YOLO-v3 von Keras verschoben hinzugefügt.
• Die CPU-Auslastungsrate während der Objekterkennung beträgt 100%

Model	dog	person
v3
v3-tiny

neuralassembly/Tensorflow-YOLOv3 https://github.com/neuralassembly/Tensorflow-YOLOv3 Versuchen Sie die Objekterkennung mit YOLO v3-Tiny / YOLO v3 auf Raspberry Pi

• Tensorflow 1 Serie
• Sie können die Gewichte von pjreddie / darknet konvertieren und verwenden.
• Da die Erkennungszeit nicht ausgegeben wird, messen Sie die Zeit vor und nach sess.run ().
• Die CPU-Auslastungsrate während der Objekterkennung beträgt 100%

Model	dog	person
v3
v3-tiny

zzh8829/yolov3-tf2 https://github.com/zzh8829/yolov3-tf2

--tensorflow2 System (mit tf.keras)

• Sie können die Gewichte von pjreddie / darknet konvertieren und verwenden.
• In Raspberry Pi war tensorflow2 nicht in pip install tensorflow enthalten. Laden Sie also tensorflow-2.2.0-cp37-cp37m-linux_armv7l.whl` von https://github.com/PINTO0309/Tensorflow-bin herunter und installieren Sie es.
• Die CPU-Auslastungsrate während der Objekterkennung beträgt 75 bis 85%

Model	dog	person
v3
v3-tiny

Zusammenfassung

――Um "Ich möchte einmal pro Sekunde beurteilen" zu erfüllen, sinkt die Erkennungsgenauigkeit ein wenig, aber es ist nur mit Python v3-tiny schwierig. ――Wenn ich es benutze, wird die Anzahl der Klassen gering sein, daher hoffe ich, dass es die Genauigkeit verbessert.

Unser Ziel

--Bauen Sie zum Lernen Alexey AB auf der GPU-Version auf und führen Sie es in Google Colaboratory aus. 1000 Epochen für Tiny: ca. 7 Minuten. ――Für die Objekterkennung entscheiden Sie anhand der einfachen Umleitung vom Python-System, welche verwendet werden soll. (Ist zzh8829 / yolov3-tf2 für die Zukunft sicher?) ――Ich muss ein Foto von der Katze machen. ..

Referenz

Verwenden von Darknet mit Raspberry Pi YOLOv3 Paper Translation

qqwweee/keras-yolo3

• Ich habe versucht, Objekte mit YOLO (keras-yolo3) zu erkennen!
• Ich habe YOLO-v3 von Keras verschoben
• Schlaflose Nacht des Ingenieurs [Objekterkennung] Verwendung von keras-yolo3

zzh8829/yolov3-tf2

• Verwenden Sie yolov3-tf2, um die Objekterkennung in Echtzeit zu testen. / Tensorflow v2 ・ keras