[PYTHON] Convertir keras-yolo3 en ONNX

TL;DR

• Procédure originale d'apprentissage des données utilisant l'implémentation de la version Keras de YOLO v3 (à partir du 24 juin 2020) Format HDF5 (* .h5) créé Comment convertir au format ONNX

Site de référence

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

point important

Parfois, le fichier onnx converti n'a pas pu être déduit. Il peut être déduit du fichier onnx qui a été initialement préparé.

Les conditions détaillées n'ont pas encore été identifiées.

1. Créer un environnement

1.1. Préparation de la source

Cloner avec git de axinc-ai / yolov3-face

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

Ensuite, clonez keras-yolo3 lié dans yolov3-face.

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

1.2. Créer un environnement python pour la conversion

Créer un environnement virtuel "yolov3-face" avec conda

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

Installez les modules requis. Puisque la version détaillée est spécifiée dans axinc-ai / yolov3-face et n'est pas préparée dans le référentiel conda, installez-la avec 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. Créer un environnement python pour l'inférence

Créer un environnement virtuel "yolov 3-face-inference" avec conda

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

Installez les modules requis. Puisque la version détaillée est spécifiée dans axinc-ai / yolov3-face et n'est pas préparée dans le référentiel conda, installez-la avec 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. Conversion et jugement (vérifié avec l'exemple fourni)

Tout d'abord, vérifiez avec l'échantillon préparé

2.1. Conversion

** Format **

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

** Courir **

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. Inférence

** Format **

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

** Courir **

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. Dans le cas du fichier traité par Procédure d'apprentissage des données d'origine utilisant l'implémentation de la version Keras de YOLO v3 (au 24 juin 2020)

• Copiez le fichier à l'emplacement décrit.

3.1. Conversion

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. Raisonnement

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

référence

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

Passer du kerass à l'ONNX

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

Autre

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