[PYTHON] Essayez de détecter un objet avec RaspberryPi ~ Partie 1: Comparaison de la vitesse de détection ~

introduction

Lors de la détection d'objets avec RaspberryPi, j'ai comparé la vitesse de détection et la précision de détection de chaque source de YOLO (vous ne regardez qu'une seule fois), qui est l'une des principales méthodes de détection d'objets, je vais donc la résumer.

Concernant le mécanisme de YOLO, il était facile à comprendre [Histoire de la méthode de détection d'objets: Introduction de YOLO].

Ce que je veux faire avec Raspberry Pi

En plus d'en faire une caméra pour animaux de compagnie pour chats, je souhaite distinguer quatre chats! Le modèle est différent pour les quatre! Je ne pense qu'à ce qu'il faut distinguer et ce qu'il faut faire, comme surveiller l'état du chat et contrôler la télécommande du climatiseur, ou regarder la quantité d'activité et l'utiliser pour la gestion de la santé.

• OBLIGATOIRE: Vous pouvez modifier le nombre de classes pour identifier et créer votre propre modèle d'apprentissage (hors du cadre de cet article) --MAY: je veux juger une fois par seconde si possible

environnement

 - vert clair) - vert clair)

résultat

La cible de l'évaluation est le jeu de données COCO (80 classes), site de l'auteur YOLO: YOLO: Real-Time Object Detection et [AlexeyAB](https :: //github.com/AlexeyAB/darknet) utilise les poids du modèle entraîné distribué. Chaque modèle a un "Tiny" qui donne la priorité au temps de détection.

Voici le résultat de Source x Model. L'explication, l'image du résultat et l'impression seront décrites plus loin.

La précision de détection est subjective, mais elle est basée sur le taux de reconnaissance de l'objet principal dans chaque image. ◎ (90% -100%), 〇 (70% -90%), △ (50% -70%), × (méconnaissable).

Explication, image du résultat, impression pour chaque source

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

• Créateur
• Vous pouvez également télécharger les poids des modèles formés de v2 et v3 à partir d'ici.
• langage C
• Le taux d'utilisation du processeur lors de la détection d'objet passe de 25 à 35% et l'efficacité d'utilisation du processeur est médiocre.
• Il est possible de l'exécuter sur GPU en modifiant les paramètres du fichier make, mais c'est difficile avec Raspberry Pi. --v3, yolov3-tiny ne fonctionnait pas avec Erreur de segmentation. (Problème environnemental car il peut être détecté par Google Colaboratory) ――V2-Tiny ne semble pas être capable de détecter l'objet. (Il s'agit également d'un problème environnemental car il peut être détecté par Google Colaboratory)

Model	dog	person
v2
v2-tiny

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

• La version héritée de pjreddie. Compatible avec YOLO v4.
• Vous pouvez télécharger les poids du modèle entraîné de YOLO v4 à partir d'ici.
• langage C
• Il est possible de l'exécuter sur GPU en modifiant les paramètres du fichier make, mais c'est difficile avec Raspberry Pi.
• Le taux d'utilisation du processeur lors de la détection d'objet passe de 25 à 35% et l'efficacité d'utilisation du processeur est médiocre.

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

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

• version keras
• Vous pouvez convertir et utiliser les poids de pjreddie / darknet.
• Comme l'image du résultat de détection ne peut pas être sortie par défaut, le traitement a été ajouté en faisant référence à J'ai déplacé YOLO-v3 de Keras.
• Le taux d'utilisation du processeur lors de la détection d'objet est de 100%

Model	dog	person
v3
v3-tiny

neuralassembly/Tensorflow-YOLOv3 https://github.com/neuralassembly/Tensorflow-YOLOv3 Essayez la détection d'objet avec YOLO v3-Tiny / YOLO v3 sur Raspberry Pi

--Série Tensorflow 1

• Vous pouvez convertir et utiliser les poids de pjreddie / darknet.
• Puisque le temps de détection n'est pas affiché, mesurez le temps avant et après sess.run ().
• Le taux d'utilisation du processeur lors de la détection d'objet est de 100%

Model	dog	person
v3
v3-tiny

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

--tensorflow2 system (en utilisant tf.keras)

• Vous pouvez convertir et utiliser les poids de pjreddie / darknet. --Dans Raspberry Pi, tensorflow2 n'était pas inclus dans pip install tensorflow, donc téléchargez et installez tensorflow-2.2.0-cp37-cp37m-linux_armv7l.whl à partir de https://github.com/PINTO0309/Tensorflow-bin.
• Le taux d'utilisation du processeur lors de la détection d'objet est de 75 à 85%

Model	dog	person
v3
v3-tiny

Résumé

――Pour satisfaire "Je veux juger une fois par seconde", la précision de détection baisse un peu, mais c'est difficile uniquement avec Python v3-tiny. ――Lorsque je l'utilise, le nombre de classes sera petit, j'espère donc que cela améliorera la précision.

Notre objectif

• Pour apprendre, créez Alexey AB sur la version GPU et exécutez-le sur Google Colaboratory. 1000 époques pour Tiny: environ 7 minutes. ――Pour la détection d'objets, décidez lequel utiliser en fonction de la facilité de détournement du système Python. (Le zzh8829 / yolov3-tf2 est-il sûr pour l'avenir?) «Je dois prendre une photo du chat. ..

référence

Utilisation de Darknet avec Raspberry Pi Traduction de papier YOLOv3

qqwweee/keras-yolo3

• J'ai essayé la détection d'objets avec YOLO (keras-yolo3)!
• J'ai déplacé YOLO-v3 de Keras
• Nuit blanche de l'ingénieur [détection d'objets] comment utiliser keras-yolo3

zzh8829/yolov3-tf2

• Utilisez yolov3-tf2 pour essayer facilement la détection d'objets en temps réel. / Tensorflow v2 ・ keras