Der Vorteil der Verwendung von Colab:
Der Computer muss über eine NVIDIA-Grafikkarte verfügen (ich habe keine), um eine Cuda-Umgebung zu erstellen. Es ist jedoch nicht erforderlich, eine Umgebung auf Colab einzurichten, und es ist kostenlos und sehr benutzerfreundlich.
Schritt:
1. Melden Sie sich bei Google Drive an: https://drive.google.com
2. Klicken Sie mit der rechten Maustaste auf den leeren Bereich von Google Drive, wählen Sie Mehr -> Weitere Anwendungen verknüpfen;
3. Geben Sie cloaboratory in das Suchfeld ein, finden Sie Laden Sie die Software herunter und installieren Sie sie.
4. Geben Sie Colab ein, kehren Sie zum Google-Festplattenbereich zurück, klicken Sie erneut mit der rechten Maustaste in den leeren Bereich und wählen Sie „Mehr“. Zu diesem Zeitpunkt werden Sie feststellen, dass Colab installiert wurde. Öffnen Sie es einfach.
5. Öffnen Sie die Schnittstelle wie folgt und klicken Sie auf die Verbindung in der oberen rechten Ecke, um zu warten, bis die Verbindung erfolgreich ist.
6. Ändern Sie in der oberen linken Ecke, öffnen Sie die Notebook-Einstellungen und wählen Sie GPU aus.
7. Klicken Sie in der in der Abbildung unten gezeigten Reihenfolge, wählen Sie im Popup-Fenster die Option „Verbindung zu Google Drive herstellen“ und das Dateiverzeichnis „Laufwerk“ wird auf der linken Seite angezeigt.
Das Laufwerk wird angezeigt
. 8. Klicken Sie auf „+“, um Code hinzuzufügen, laden Sie das Beispielprogramm herunter und klicken Sie zum Ausführen auf das Dreieck.
!git clone https://github.com/AlexeyAB/darknet
9. Konfigurieren Sie es
%cd darknet
!sed -i 's/OPENCV=0/OPENCV=1/' Makefile
!sed -i 's/GPU=0/GPU=1/' Makefile
!sed -i 's/CUDNN=0/CUDNN=1/' Makefile
10. Kompilieren (etwas langsam, dauert etwa eine Minute)
!make
11. Laden Sie Coco-Daten und vorab trainierte Gewichte herunter (Sie müssen sicherstellen, dass das Netzwerk reibungslos funktioniert, sonst wird es sehr langsam).
!wget https://pjreddie.com/media/files/yolov3.weights
12. Fügen Sie Codes zum Anzeigen, Hochladen und Herunterladen von Dateien hinzu.
# 显示
def imShow(path):
import cv2
import matplotlib.pyplot as plt
%matplotlib inline
image = cv2.imread(path)
height, width = image.shape[:2]
resized_image = cv2.resize(image,(3*width, 3*height), interpolation = cv2.INTER_CUBIC)
fig = plt.gcf()
fig.set_size_inches(18, 10)
plt.axis("off")
plt.imshow(cv2.cvtColor(resized_image, cv2.COLOR_BGR2RGB))
plt.show()
# 上传文件
def upload():
from google.colab import files
uploaded = files.upload()
for name, data in uploaded.items():
with open(name, 'wb') as f:
f.write(data)
print ('saved file', name)
# 下载文件
def download(path):
from google.colab import files
files.download(path)
13. Alle bisherigen Arbeiten sind abgeschlossen. Erkennen Sie die Umgebung und verwenden Sie dann die offiziellen Fotos zum Testen und Anzeigen (der Trainingsprozess ist langsam, warten Sie einfach geduldig).
%cd /content/darknet
!./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
imShow('predictions.jpg')
Die Ergebnisse sind wie folgt:
Ab sofort ist es abgeschlossen. Wenn Sie Ihre eigenen Bilder trainieren möchten, können Sie weiter nach unten schauen.
14. Führen Sie den folgenden Code aus und laden Sie dann Ihre eigenen Bilder auf die Festplatte hoch, auf der Sie Bilder haben
%cd ..
upload()
Nach dem Hochladen:
15. Führen Sie den Ladecode aus und ändern Sie den Bildnamen in Ihren eigenen.
%cd darknet
!./darknet detect cfg/yolov3.cfg yolov3.weights ../3.jpg
imShow('predictions.jpg')
16. Effektanzeige:
Dies ist das Originalbild:
Dies ist das Ausgabebild:
Abgeschlossen.