Darkflow: 욜로 9000

구성은 여기 , 작성자가 YOLO9000 가중치 파일을 제공하지 않는 것 같습니다.

빠른 답변 감사합니다! 나는 weight9000을 찾으려고 노력할 것이고 다른 사람들을 돕기 위해 여기에 게시할 것입니다.

가중치 파일은 여기: http://pjreddie.com/media/files/yolo9000.weights

이 작업을 수행 했습니까? weights 파일과 config 파일을 넣고 9k.names 파일도 다운로드했습니다. 처리 시간은 그리 오래 걸리지 않았지만 사후 처리는 일반 yolo.cfg 및 yolo.weights 설정보다 약 10배 더 오래 걸렸습니다. 결국 반환 이미지에는 경계 상자가 나타나지 않았습니다. 내가 뭔가 잘못하고 있습니까?

yolo9000.cfg 보니 더 해야 할 일이 있습니다. yolo9000 는 일반적인 softmax가 아니라 그룹화된 softmax를 수행합니다. 지금은 매우 바빠서 그 일을 하려고 노력하겠지만 적어도 이번 주와 다음 주에는 그러지 않을 것입니다.

네 전혀 걱정하지 마세요. 이러한 문제에 대한 귀하의 응답 시간은 매우 빠릅니다. :) 이 작업에 투입한 모든 작업에 감사드립니다. 정말 깔끔한 프로젝트입니다. 문제를 일으키는 잘못된 일을 하고 있지 않은지 확인하고 싶었습니다. 이 문제를 해결하는 데 서두를 필요는 없습니다.

소식이 있나요?
나는 bagshaw와 같은 문제가 있습니다.
사후 처리 속도가 10배 느리고 경계 상자가 없습니다.
cf 파일을 변경해야 하고 어떻게 해야 합니까?

감사!

@thtrieu 현재로서는 darkflow에 YOLO 9000 기능이 없다고 생각하기 때문에 해결될 때까지 이 문제를 다시 열 수 있습니까?

저는 제 논문 프로젝트에 YOLO9000을 사용할 것 같습니다(비록 크게 조정하겠지만). 이것이 YOLOv2의 유일한 텐서플로우 구현이기 때문에 이것을 기반으로 사용할 것이라고 생각합니다. 구현이 완료되면 추가하겠습니다. 하지만 몇 주가 더 걸릴 것이므로 다른 사람이 더 빨리 시간을 낸다면 저에게도 큰 도움이 될 것입니다! ;)

앞으로 며칠 동안 시간이 있습니다. 하지만 ML에 대한 이해와 이 장면 뒤에서 실제로 일어나는 일에 대한 이해는 매우 얕습니다. YOLO 9000을 작동시키기 위해 무엇을 해야 하는지 정확히 모르겠습니다. 너무 복잡하지 않은 경우 누군가가 수행해야 할 작업에 대해 간략하게 설명할 수 있고 제가 시도해 보겠습니다(매우 복잡한 경우 다음과 같이 귀찮게 하지 마십시오. 나는 내가 아주 멀리 갈지 의심 스럽다 :) )

@abagshaw 해야 할 일은 .cfg 에서 다음 매개변수를 이해하는 것입니다.

random=1
tree=data/9k.tree
map = data/coco9k.map

이것들은 현재 코드에 의해 meta dict로 읽혀질 것입니다. 수정이 필요한 유일한 코드는 출력 텐서를 해석하기 위해 현재 meta['random'], meta['tree'], meta['map'] 를 고려하지 않는 포스트 프로세스 함수입니다. 경계 상자를 그립니다.

그러나 이 softmax에 대한 backpropagation과 softmax의 완전히 다른 구현이 필요하지 않을까요? (backprop은 관련된 softmax 노드에서만 실행되어야 합니까?)

네, 죄송합니다. 제 생각에는 이게 좀 과한 것 같아요. 나는 https://github.com/pjreddie/darknet/commit/d2dece3df743c97f2cfbb9bbf0dd0449a8730cec를 통해 빗질하고 있었고 거기에서 내가 이해하지 못하는 많은 일이 일어나고 있습니다. 계속 찔러보겠지만 멀리 갈 것 같진 않네요.

이에 대한 업데이트가 있습니까?

네 죄송합니다. 그냥 tensorflow에서 더 빠른 RCNN에 yolo9000 분류 계층을 붙이는 것이 더 빠를 것이라고 결정했습니다. 논문이 끝나면 같이 취미생활을 해볼 수도 있겠지만, 4개월은 더 안 갈 것 같아요 ;)

드래트 - 너무 나쁩니다. 이 전체 WordNet 트리 분류 작업이 yolo9000에서 작동하는 방식에 대해 머리를 싸매고 있습니다. 이 내용을 더 잘 이해하여 도움이 되었으면 합니다. 누군가 곧 이 기능을 추가할 시간이 있기를 바랍니다. :)

여러분, 저는 YOLO 9000을 위한 저장소를 만들었습니다. 모든 것이 여기에 설명되어 있습니다. 확인 해봐:

https://github.com/philipperemy/yolo-9000

darkflow 대신 darknet을 사용하지만 이식하기가 꽤 쉬울 것이라고 생각합니다.

@abagshaw @TheLaurens @saiprabhakar @thtrieu @frey123

@philipperemy 감사합니다. 제가 놓치고 있는 부분이 있을 수 있습니다. 하지만 이것이 우리가 darkflow에서 YOLO9000을 구현하는 데 어떻게 더 가까워졌는지 잘 모르겠습니다.

YOLO9000을 darkflow로 이식하고 싶다면 굉장할 것입니다. :)

@abagshaw 가 darknet에서 작동하도록 하는 것이 첫 번째 단계였습니다. 이제 darkflow에서 작동하게 만드는 방법에 집중할 것입니다!

@philipperemy 좋아요! 우리에게 계속 알려줘 :)

@philipperemy darkflow 에서 YOLO9000이 작동하도록 하는 데 진전이 있습니까? :)

아직 큰 진전이 없어 죄송합니다! 지금은 일이 바빠요 :)

감사합니다.

이 주제와 관련된 몇 가지 질문을 해도 될까요?
현재 yolo.cfg를 변경하여 2개의 클래스를 분류합니다. 무게를 위해 나는 yolo.weights를 사용합니다. 모델을 훈련시킨 후에는 꽤 잘 작동합니다.

Q1: 이 문제에서 클래스 수에 따라 다른 가중치가 필요한 것 같습니다. 나는 yolo.weights가 적어도 20개의 클래스에 사용된다는 것을 기억합니다. 내 말이 맞아?

Q2: 이 yolo.weights를 몇 개의 클래스에 사용할 수 있나요?

Q3: 2개의 클래스에 대한 모델의 체크포인트를 3개의 클래스와 같은 다른 모델의 시작 가중치로 사용할 수 있습니까?

다시 한번 감사합니다.

@chengs2000 귀하의 질문은 실제로 YOLO9000과 관련이 없습니다. 질문을 새 문제에 게시하면 거기에서 해결할 수 있습니다.

안녕하세요, 누군가가 이미 이것을하지 않는 한 (@philipperemy?) 시도 할 것입니다. 며칠 후에 결과를 보고할 것입니다.

@relh 진행해주세요! 나는 이것에 집중할 시간이 별로 없었다.

@relh 진전이 있습니까? 😃

나는 그것을 작동했다! :)

저는 지금 PR에 대한 변경 사항을 가장 잘 구성하는 방법을 알아 내려고 노력하고 있습니다. 지난 며칠 동안 많은 일들이 움직였습니다.

나는 현재로의 대부분이 별도의 darkflow/cython_utils/cy_yolo9000_findboxes.pyx 그러나 나는 아마로 롤 수 cy_yolo2_findboxes.pyx 와의 if 문에 다른 메타 키를 포함 labels 방법 darkflow/darkflow/yolo/misc.py (그런 다음 루프로 점프하기 전에 findbox에서 softmax 기술을 분할하십시오).

이미 misc.py 의 레이블 메서드에서 if 문으로 이동하여 데이터 파일에 따라 부모 인덱스를 자식 노드 목록에 매핑하는 사전인 hyponym_map 를 추가했습니다.

또한 현재 cfg/ 폴더에 data/ 폴더가 있고 파일 경로에 대해 구성 및 meta['tree'] 및 meta['map'] 의 경로를 결합하고 있습니다.

입력이 없으면 나에게 의미가 있는 것으로 홍보하겠습니다. 그렇지 않으면 모두 귀가 됩니다!

@relh 굉장하다! 이 작업을 해주셔서 감사합니다!!

내 2센트의 경우: cy_yolo9000_findboxes.pyx 코드가 이미 cy_yolo2_findboxes.pyx 작성된 코드와 완전히 다른 경우 새 파일을 만드는 것은 문제가 되지 않습니다. 그러나 대부분의 동일한 코드를 공유하는 경우 (중복 코드 추가를 피하기 위해) 기존 파일에 변경 사항을 적용하는 것이 더 나을 것입니다. 변경 사항을 보지 않고는 더 많은 정보를 제공하기가 어렵습니다(YOLO9000이 YOLOv2와 어떻게 다른지 정확히 알지 못함). 따라서 이러한 변경 사항을 적용하는 방법에 대한 최선의 판단을 내리겠습니다.

PR을 기다립니다!

@relh 정말 감사합니다!! 최근에 너무 바빠서 작업할 시간이 없었습니다!

@relh 이것은 좋은 소식입니다. PR을 기다립니다.

엄청난! (이 문제가 종료되기를 기대합니다).

이 문제가 종료되었습니까? YOLO9000에 대한 tensorflow 구현이 있습니까? 같은 점을 지적해주세요. 감사.

이 문제의 질문: pjreddie는 자신의 YOLO 웹사이트 에서 YOLO9000을 YOLOv2로 언급합니다. "What's new in Version 2" 섹션으로 이동하여 해당 논문에 대한 링크를 클릭하면 YOLO9000 논문이 열립니다.

따라서 Darkflow에 YOLO9000 구현이 없다면 Darkflow의 맥락에서 YOLOv2는 정확히 무엇입니까?

Yolo9k는 경계 상자 학습 방법으로 imagenet에서 학습된 모델인 반면 기본 yolov2는 COCO에서 학습되었습니다.

@필리페레미

1) 코드가 CPU에서만 작동하는 것 같습니다. 이유를 아십니까?
2) 현재 프로젝트와 다크넷의 차이점은 무엇입니까?

감사!

@moskiteau 코드는 GPU에서 잘 작동합니다.
내 프로젝트는 darknet을 기반으로 하며 YOLO9000을 실행하기 위한 모든 것을 포함합니다.

CPU 플래그로 컴파일:

seb@PHQ-4035-En:~/projects/stockshot/darknet$ ./darknet detector test cfg/combine9k.data cfg/yolo9000.cfg yolo9000.weights data/person.jpg
layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   544 x 544 x   3   ->   544 x 544 x  32
    1 max          2 x 2 / 2   544 x 544 x  32   ->   272 x 272 x  32
    2 conv     64  3 x 3 / 1   272 x 272 x  32   ->   272 x 272 x  64
    3 max          2 x 2 / 2   272 x 272 x  64   ->   136 x 136 x  64
    4 conv    128  3 x 3 / 1   136 x 136 x  64   ->   136 x 136 x 128
    5 conv     64  1 x 1 / 1   136 x 136 x 128   ->   136 x 136 x  64
    6 conv    128  3 x 3 / 1   136 x 136 x  64   ->   136 x 136 x 128
    7 max          2 x 2 / 2   136 x 136 x 128   ->    68 x  68 x 128
    8 conv    256  3 x 3 / 1    68 x  68 x 128   ->    68 x  68 x 256
    9 conv    128  1 x 1 / 1    68 x  68 x 256   ->    68 x  68 x 128
   10 conv    256  3 x 3 / 1    68 x  68 x 128   ->    68 x  68 x 256
   11 max          2 x 2 / 2    68 x  68 x 256   ->    34 x  34 x 256
   12 conv    512  3 x 3 / 1    34 x  34 x 256   ->    34 x  34 x 512
   13 conv    256  1 x 1 / 1    34 x  34 x 512   ->    34 x  34 x 256
   14 conv    512  3 x 3 / 1    34 x  34 x 256   ->    34 x  34 x 512
   15 conv    256  1 x 1 / 1    34 x  34 x 512   ->    34 x  34 x 256
   16 conv    512  3 x 3 / 1    34 x  34 x 256   ->    34 x  34 x 512
   17 max          2 x 2 / 2    34 x  34 x 512   ->    17 x  17 x 512
   18 conv   1024  3 x 3 / 1    17 x  17 x 512   ->    17 x  17 x1024
   19 conv    512  1 x 1 / 1    17 x  17 x1024   ->    17 x  17 x 512
   20 conv   1024  3 x 3 / 1    17 x  17 x 512   ->    17 x  17 x1024
   21 conv    512  1 x 1 / 1    17 x  17 x1024   ->    17 x  17 x 512
   22 conv   1024  3 x 3 / 1    17 x  17 x 512   ->    17 x  17 x1024
   23 conv  28269  1 x 1 / 1    17 x  17 x1024   ->    17 x  17 x28269
   24 detection
mask_scale: Using default '1.000000'
Loading weights from yolo9000.weights...Done!
data/person.jpg: Predicted in 13.577125 seconds.
Tuareg: 25%
wild horse: 27%
goat herder: 82%
Shetland pony: 86%
German shepherd: 48%
Gordon setter: 51%
seb@PHQ-4035-En:~/projects/stockshot/darknet$

GPU 플래그로 컴파일:

seb@PHQ-4035-En:~/projects/stockshot/darknet$ ./darknet detector test cfg/combine9k.data cfg/yolo9000.cfg yolo9000.weights data/person.jpg
layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   544 x 544 x   3   ->   544 x 544 x  32
    1 max          2 x 2 / 2   544 x 544 x  32   ->   272 x 272 x  32
    2 conv     64  3 x 3 / 1   272 x 272 x  32   ->   272 x 272 x  64
    3 max          2 x 2 / 2   272 x 272 x  64   ->   136 x 136 x  64
    4 conv    128  3 x 3 / 1   136 x 136 x  64   ->   136 x 136 x 128
    5 conv     64  1 x 1 / 1   136 x 136 x 128   ->   136 x 136 x  64
    6 conv    128  3 x 3 / 1   136 x 136 x  64   ->   136 x 136 x 128
    7 max          2 x 2 / 2   136 x 136 x 128   ->    68 x  68 x 128
    8 conv    256  3 x 3 / 1    68 x  68 x 128   ->    68 x  68 x 256
    9 conv    128  1 x 1 / 1    68 x  68 x 256   ->    68 x  68 x 128
   10 conv    256  3 x 3 / 1    68 x  68 x 128   ->    68 x  68 x 256
   11 max          2 x 2 / 2    68 x  68 x 256   ->    34 x  34 x 256
   12 conv    512  3 x 3 / 1    34 x  34 x 256   ->    34 x  34 x 512
   13 conv    256  1 x 1 / 1    34 x  34 x 512   ->    34 x  34 x 256
   14 conv    512  3 x 3 / 1    34 x  34 x 256   ->    34 x  34 x 512
   15 conv    256  1 x 1 / 1    34 x  34 x 512   ->    34 x  34 x 256
   16 conv    512  3 x 3 / 1    34 x  34 x 256   ->    34 x  34 x 512
   17 max          2 x 2 / 2    34 x  34 x 512   ->    17 x  17 x 512
   18 conv   1024  3 x 3 / 1    17 x  17 x 512   ->    17 x  17 x1024
   19 conv    512  1 x 1 / 1    17 x  17 x1024   ->    17 x  17 x 512
   20 conv   1024  3 x 3 / 1    17 x  17 x 512   ->    17 x  17 x1024
   21 conv    512  1 x 1 / 1    17 x  17 x1024   ->    17 x  17 x 512
   22 conv   1024  3 x 3 / 1    17 x  17 x 512   ->    17 x  17 x1024
   23 conv  28269  1 x 1 / 1    17 x  17 x1024   ->    17 x  17 x28269
   24 detection
mask_scale: Using default '1.000000'
Loading weights from yolo9000.weights...Done!
data/person.jpg: Predicted in 0.060738 seconds.
African: 25%
worker: 82%
horse: 86%
working dog: 48%
hunting dog: 50%

./darknet 감지기 테스트 cfg/combine9k.data cfg/yolo9000.cfg yolo9000.weights 데이터/person.jpg -thresh .25 -hier .001

누군가 9000 레이블 트리의 구조를 설명할 수 있습니까? 파일 9k.tree(예: n0000245 -1, n0566538625 4)에서 -1과 4는 무엇을 의미합니까? 이 파일 9k.tree로 어떻게 트리 구조를 만들 수 있습니까?

@yaxiongchi
-1은 나무의 뿌리를 의미합니다.
4: 아버지 노드의 인덱스