[PYTHON] J'ai essayé la détection d'objets avec YOLO v3 (TensorFlow 2.1) sur le GPU de windows!

environnement

windows7 64bit Gefore GTX 680MX GPU anaconda

1. 1. Installation de CUDA

Téléchargez la version de mise à jour 2 de CUDA Toolkit 10.1 à partir du site suivant (TensorFlow 2.1.0 est pris en charge à cause de CUDA Toolkit 10.1) https://developer.nvidia.com/cuda-toolkit-archive

Ne sélectionnez pas l'intégration de Visual Studio pour l'installation

Si l'installation réussit, exécutez nvcc -V et le résultat suivant sera affiché.

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. Installation de cuDNN

Sélectionnez et téléchargez cuDNN pour CUDA 10.1 à partir du site suivant (Nécessite un compte NVIDIA) https://developer.nvidia.com/cudnn

Décompressez le fichier zip et Renommez le dossier cuda en cuda765 et Copiez dans le chemin "C: \ Program Files \ NVIDIA GPU Computing Toolkit \ CUDA \ v10.1"

Après la copie

3. Paramètres des variables d'environnement

Ajoutez le chemin cuDNN suivant à PATH

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

4. Créez keras_work avec conda

conda create -n keras_work
activate keras_work

5. Installez tensoflow

conda install tensorflow

6. Confirmation

(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. Préparation du matériau YOLO V3

Obtenir la source de Github

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

Téléchargez yolo3.weight sur pjreddie.com

• Cela prend 2 heures

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

Comme il est lent d'obtenir des poids yolov3.weights à partir de pjreddie.com ci-dessus, vous pouvez également télécharger l'URL suivante https://pan.baidu.com/s/1G2Qh-V8kyLOq4oDbTwK6HQ Proposition (mot de passe): vogw Le fichier est "yolo_tf2.1 \ data \ yolov3.weights"

Déplacez le fichier yolo3.weight vers le chemin yolov3-tf2 Confirmez que le fichier a été déplacé

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

8. Convertir (convertir le poids darknet pré-entraîné)

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

9. détection

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