Merhaba,
Bu yazıda açık kaynaklı yapay sinir ağı kütüphanesi olan Darknet kütüphanesinin makinamıza kurulumunu ve 2017 yılı itibariyle gerçek zamanlı olarak en hızlı şekilde nesne tespiti yapabilen YOLO(You Only Look Once) algoritmasının önceden eğitilmiş modelini kullanarak nesne tespiti demosunu nasıl çalıştıracağımızı görelim.
KURULUM
Github üzerinden darknet deposunu git ile klonlayalım ve darknet klasörü içerisine girelim.
| 12 | git clone https://github.com/pjreddie/darknet.gitcd darknet |
Derleme işlemini başlatmadan önce darknet klasörü içerisindeki Makefile dosyasını inceleyelim.
| 1234567 | GPU=1CUDNN=0OPENCV=1OPENMP=0DEBUG=0 ... |
Biz sadece yukarıdaki ilk 5 satırı ile ilgileneceğiz.
CUDA destekli Nvidia ekran kartınız varsa ve GPU üzerinde çalıştırmak istiyorsanız Makefile dosyasında ilk satırdaki GPU değerini 1 olarak değiştiriyoruz.
- GPU ile derlemek istiyorsanız makinanızda CUDA 8 versiyonu yüklü olması gerekmektedir. CUDA kurulumu için daha önceki yazıma buradan göz atabilirsiniz.
Web kameranızdan görüntü almak için Makefile dosyasında üçüncü satırdaki OPENCV değerini 1 olarak değiştiriyoruz.
- OpenCV destekli derlemek için makinanızda OpenCV yüklü ve derlenmiş olması gerekmektedir. Eğer kurulum yapmadıysanız “Ubuntu Üzerinde OpenCV Kurulumu” başlıklı yazımdaki adımları izleyerek kurulum yapabilirsiniz.
Sadece CPU üzerinde çalıştırmak isterseniz Makefile dosyasında yukarıdaki değişiklikleri yapmadan derleyebilirsiniz.
make komutu çalıştırarak derleme işlemini başlatalım.
| 1 | ~/darknet$ make -j8 |
-j8 parametresi opsiyoneldir. Derleme işlemini hızlandırmak için “-j çekirdek sayısı” parametresini ekleyebilirsiniz.
CPU üzerinde derleme yaptınızda sorun yaşayacağınızı düşünmüyorum. Ancak GPU üzerinde ve OpenCV destekli derleme yaparken hata alabilirsiniz. CUDA ve OpenCV kurulum işlemlerinizi kontrol ediniz.
Derleme işlemi sorunsuz şekilde tamamlandıysa denemeye geçebiliriz.
DEMO
Önceden eğitilmiş modelin ağırlık dosyalarını aşağıdaki komut ile indirelim.
| 1 | wget https://pjreddie.com/media/files/yolo.weights |
Ben ağırlık dosyasını da yapılandırma dosyalarının olduğu cfg klasörü altına indirdim. Siz dilediğiniz yere indirebilirsiniz.
Data klasörü altındaki örnek dog.jpg görselinde nesne tanıma ve yerini saptamasını istiyorsak, aşağıdaki şekilde ağ dosyasını (yolo.cfg), indirdiğimiz ağırlık dosyasını (yolo.weights) ve görselin yolunu parametre olarak belirterek detect komutu çalıştıralım.
| 1 | ./darknet detect cfg/yolo.cfg cfg/yolo.weights data/dog.jpg |
İşlem sonunda görsel içerisinde dog: 82%, car: 26%, truck: 65%, bicycle: 85% oranlarında nesneleri içerdiğini ve nesnelerin konumlarını sınırlayıcı kutu içerisine aldığını görüyoruz.
Webcam ile gerçek zamanlı nesne tespiti için COCO veriseti’ni kullanarak detector demo komutunu çalıştırıyoruz
| 1 | ./darknet detector demo cfg/coco.data cfg/yolo.cfg cfg/yolo.weights |
Video üzerinde gerçek zamanlı nesne tespiti için ise webcam ile çalıştırdığımız komut sonuna videonun dosya yolunu belirtmemiz yeterli
| 1 | ./darknet detector demo cfg/coco.data cfg/yolo.cfg cfg/yolo.weights <video dosya yolu> |
ÇALIŞMALARIM
İstanbul trafiğinde çekilmiş olan kısa bir video üzerindeki nesne tespiti denememi izleyebilirsiniz.
Telefon ile çektiğim başka bir video üzerindeki nesne tespiti denememi izleyebilirsiniz.
Bilgisayar özellikleri video açıklamalarında mevcuttur.
Son olarak
Joseph Redmon’dan “Bilgisayarlar nesneleri anında nasıl tanımayı öğrenirler” başlıklı YOLO sunumunu izleyebilirsiniz
Referanslar:
- https://pjreddie.com/darknet/install/
https://pjreddie.com/darknet/yolo/ - https://arxiv.org/abs/1612.08242 (YOLO9000: Better, Faster, Stronger)