なんでなんで？と思ってたら、以下の記事発見。
Yahoo!メールヘルプ
Yahoo!ダイレクトオファーヘルプ
抜粋すると・・・
2019年8月7日水曜日
Yahooメールの転送設定に関する覚書
もう、ほぼ使っていないので転送設定にしてたんだけど、なんかいつからか転送されなくなっちゃう。
なんでなんで？と思ってたら、以下の記事発見。
Yahoo!メールヘルプ
Yahoo!ダイレクトオファーヘルプ
抜粋すると・・・
なんでなんで？と思ってたら、以下の記事発見。
Yahoo!メールヘルプ
Yahoo!ダイレクトオファーヘルプ
抜粋すると・・・
2019年5月21日火曜日
自作キーボード（ErgoDash mini）のファーム書き換えでエラー
自作キーボードのErgoDash miniを使わせてもらってるんだけど、ファーム書き換え時にエラー出て気持ちが萎えたので、覚書。
因みに、キーマップをここで作って、toolboxで焼くという、お手軽版でやっております。
まず、ダメなパターンとして、リセットボタンを押してもUSB接続が認識されません。
ls /dev/tty.* /dev/tty.Bluetooth-Incoming-Portこれは、再起動などで回復するようです。
ls /dev/tty.* /dev/tty.Bluetooth-Incoming-Port /dev/tty.usbmodem14101次に、リセットボタンを押した際に、Bluetoothの方を認識してしまうパターンです。
*** Caterina device connected
Found port: /dev/cu.Bluetooth-Incoming-Port
*** Attempting to flash, please don't remove device
>>> avrdude -p atmega32u4 -c avr109 -U flash:w:xxx.hex:i -P /dev/cu.Bluetooth-Incoming-Port -C avrdude.conf
avrdude: warning at avrdude.conf:14976: part atmega32u4 overwrites previous definition avrdude.conf:11487.
Connecting to programmer: .avrdude: butterfly_recv(): programmer is not responding
*** Caterina device disconnected
これは、なんていうか、何回かやってるとUSBを認識するので、すかさずFLASHです。（なんだそれ😄
*** Caterina device connected
Found port: /dev/cu.usbmodem14101
*** Attempting to flash, please don't remove device
>>> avrdude -p atmega32u4 -c avr109 -U flash:w:/xxx.hex:i -P /dev/cu.usbmodem14101 -C avrdude.conf
avrdude: warning at avrdude.conf:14976: part atmega32u4 overwrites previous definition avrdude.conf:11487.
Connecting to programmer: .
Found programmer: Id = "CATERIN"; type = S
Software Version = 1.0; No Hardware Version given.
Programmer supports auto addr increment.
Programmer supports buffered memory access with buffersize=128 bytes.
Programmer supports the following devices:
Device code: 0x44
avrdude: AVR device initialized and ready to accept instructions
Reading | ################################################## | 100% 0.00s
avrdude: Device signature = 0x1e9587
avrdude: NOTE: "flash" memory has been specified, an erase cycle will be performed
To disable this feature, specify the -D option.
avrdude: erasing chip
avrdude: reading input file "/xxx.hex"
avrdude: writing flash (15502 bytes):
Writing | ################################################## | 100% 1.21s
avrdude: 15502 bytes of flash written
avrdude: verifying flash memory against /xxx.hex:
avrdude: load data flash data from input file /xxx.hex:
avrdude: input file /xxx.hex contains 15502 bytes
avrdude: reading on-chip flash data:
Reading | ################################################## | 100% 0.11s
avrdude: verifying ...
avrdude: 15502 bytes of flash verified
avrdude done. Thank you.
*** Caterina device disconnected
ちゃんと調べればなにかあるのかもしれませんが、解決策は「数撃ちゃ当たる戦法」でした。ついでにキーマップを残しておきます。
2019年5月10日金曜日
Jetson Nano で MNISTをラズパイカメラから動かしてみる
あれから、MNIST関係色々見てました。
詳しいことはよくわからなかったけど、層をたくさん経由すると「deep」になるとのこと。
だから、前回のはディープラーニングではないようです。
とはいっても、根本的な意味はよくわかっていないので、今後の課題とします。
ざっくりとした理解だけれども、今回の教師あり学習に関して言えば、画像から分布を作って（学習）、その分布に当てはめて近い値が出たらそれが答えだ！的な感じっぽい。
ディープの部分は写経なんだけれども、学習データ保存して、読込して、カメラから画像取得して読み込んだ学習データに照らし合わせてリアルタイムに数字認識するプログラムを書いてみた。
参考にしたサイトのリンク貼っておきます。
http://blog.brainpad.co.jp/entry/2016/02/25/153000
https://qiita.com/JUN_NETWORKS/items/6514e017e89b9adbfb8d
https://qiita.com/tsutof/items/2d2248ec098c1b8d3e32
ソース見たほうが早いかな。
真ん中の白枠に手書きの文字を入れると、上に値が出るってわけ。
認識率悪くて、コントラスト上げたり、明度あげたり、色々やってみてる。
コンソールに、プログラムからみたテンソルを表示しています。
色々やってて思ったのが、Jetson Nanoだと、何するにしてもメモリ不足で死にます。
これは、僕の書き方の問題なのかもしれないけど、いろいろシンドかった。
学習するにしても、バッチサイズ減らしてやらないと落ちるし、学習データの読み込みでも、ブラウザは落としておかないと死ぬ。
こういったあたりも、今後調べていきたい。
次は、自分で教師データ作って学ばせてあげたい。
できるかな?
詳しいことはよくわからなかったけど、層をたくさん経由すると「deep」になるとのこと。
だから、前回のはディープラーニングではないようです。
とはいっても、根本的な意味はよくわかっていないので、今後の課題とします。
ざっくりとした理解だけれども、今回の教師あり学習に関して言えば、画像から分布を作って（学習）、その分布に当てはめて近い値が出たらそれが答えだ！的な感じっぽい。
ディープの部分は写経なんだけれども、学習データ保存して、読込して、カメラから画像取得して読み込んだ学習データに照らし合わせてリアルタイムに数字認識するプログラムを書いてみた。
参考にしたサイトのリンク貼っておきます。
http://blog.brainpad.co.jp/entry/2016/02/25/153000
https://qiita.com/JUN_NETWORKS/items/6514e017e89b9adbfb8d
https://qiita.com/tsutof/items/2d2248ec098c1b8d3e32
ソース見たほうが早いかな。
import tensorflow as tf
import numpy as np
import os,sys
import cv2
from PIL import Image, ImageEnhance,ImageDraw
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
def conv2d(x, W):
return tf.nn.conv2d(x,W,strides=[1, 1, 1, 1],padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='SAME')
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
# 画像をリシェイプ 第2引数は画像数(-1は元サイズを保存するように自動計算)、縦x横、チャネル
x_image = tf.reshape(x, [-1, 28, 28, 1])
print(x_image)
### 1層目 畳み込み層
# 畳み込み層のフィルタ重み、引数はパッチサイズ縦、パッチサイズ横、入力チャネル数、出力チャネル数
# 5x5フィルタで32チャネルを出力（入力は白黒画像なので1チャンネル）
W_conv1 = weight_variable([5, 5, 1, 32])
# 畳み込み層のバイアス
b_conv1 = bias_variable([32])
# 活性化関数ReLUでの畳み込み層を構築
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
### 2層目 プーリング層
# 2x2のマックスプーリング層を構築
h_pool1 = max_pool_2x2(h_conv1)
### 3層目 畳み込み層
# パッチサイズ縦、パッチサイズ横、入力チャネル、出力チャネル
# 5x5フィルタで64チャネルを出力
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
### 4層目 プーリング層
h_pool2 = max_pool_2x2(h_conv2)
### 5層目 全結合層
# オリジナル画像が28x28で、今回畳み込みでpadding='SAME'を指定しているため
# プーリングでのみ画像サイズが変わる。2x2プーリングで2x2でストライドも2x2なので
# 縦横ともに各層で半減する。そのため、28 / 2 / 2 = 7が現在の画像サイズ
# 全結合層にするために、1階テンソルに変形。画像サイズ縦と画像サイズ横とチャネル数の積の次元
# 出力は1024（この辺は決めです） あとはSoftmax Regressionと同じ
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# ドロップアウトを指定
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
### 6層目 Softmax Regression層
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
### 訓練 ###
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
saver = tf.train.Saver()
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
config.gpu_options.visible_device_list="0"
with tf.Session(config=config) as sess:
sess.run(tf.initialize_all_variables())
os.makedirs("./model_2",exist_ok=True)
ckpt = tf.train.get_checkpoint_state('./model_2')
if ckpt:
saver.restore(sess, ckpt.model_checkpoint_path)
else:
for i in range(1500):
batch = mnist.train.next_batch(50)
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1],keep_prob: 1.0})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
saver.save(sess, "./model_2/model.ckpt")
num_test = len(mnist.test.labels)
sum_accuracy = 0
for i in range(0, num_test, 50):
sum_accuracy = sum_accuracy + accuracy.eval(feed_dict={x: mnist.test.images[i:i+50], y_: mnist.test.labels[i:i+50], keep_prob: 1.0})
print("test accuracy:", sum_accuracy/(num_test/50))
GST_STR = 'nvarguscamerasrc \
! video/x-raw(memory:NVMM), width=320, height=240, format=(string)NV12, framerate=(fraction)10/1 \
! nvvidconv ! video/x-raw, width=(int)320, height=(int)240, format=(string)BGRx \
! videoconvert \
! appsink'
WINDOW_NAME = 'Camera Test'
cap = cv2.VideoCapture(GST_STR, cv2.CAP_GSTREAMER)
while True:
ret, img = cap.read()
if ret != True:
break
pilImg = Image.fromarray(np.uint8(img))
#print(pilImg.format, pilImg.size, pilImg.mode)
img_width, img_height = pilImg.size
draw = ImageDraw.Draw(pilImg)
draw.rectangle(((img_width - 150) // 2,
(img_height - 150) // 2,
(img_width + 150) // 2,
(img_height + 150) // 2), outline=(255, 255, 255))
mnistImg = Image.fromarray(np.uint8(img))
mnistImg = mnistImg.crop(((img_width - 150) // 2,
(img_height - 150) // 2,
(img_width + 150) // 2,
(img_height + 150) // 2))
mnistImg = mnistImg.convert("L")
color = ImageEnhance.Color(mnistImg)
mnistImg = color.enhance(1.5)
contrast = ImageEnhance.Contrast(mnistImg)
mnistImg = contrast.enhance(1.5)
brightness = ImageEnhance.Brightness(mnistImg)
mnistImg = brightness.enhance(1.5)
sharpness = ImageEnhance.Sharpness(mnistImg)
mnistImg = sharpness.enhance(1.5)
mnistImg = mnistImg.resize((28, 28), Image.LANCZOS)
#print(mnistImg)
mnistImg = map(lambda x: 255 - x, mnistImg.getdata())
mnistImg = np.fromiter(mnistImg, dtype=np.uint8)
mnistImg = mnistImg.reshape(1, 784)
mnistImg = mnistImg.astype(np.float32)
mnistImg = np.multiply(mnistImg, 1.0 / 255.0)
# print(mnistImg)
for i in range(len(mnistImg[0])):
num=mnistImg[0][i]
if num<0.4:
print(' ', end="")
else:
print('%03d ' % (num*1000), end="")
if i % 28 == 0:
print('\n')
#学習データと読み込んだ数値との比較を行う
pred = sess.run(y_conv, feed_dict={x:mnistImg, y_: [[0.0] * 10], keep_prob: 1.0})[0]
# print(pred)
if not np.max(pred) < 0.5 :
print(np.argmax(pred) ,np.max(pred))
draw.text((10,10),f'{np.argmax(pred)} {round(np.max(pred)*100,2)}%')
imgArray = np.asarray(pilImg)
cv2.imshow(WINDOW_NAME, imgArray)
key = cv2.waitKey(10)
if key == 27: # ESC
break
起動すると、ウインドウが開いてカメラの画像が出ます。真ん中の白枠に手書きの文字を入れると、上に値が出るってわけ。
認識率悪くて、コントラスト上げたり、明度あげたり、色々やってみてる。
コンソールに、プログラムからみたテンソルを表示しています。
色々やってて思ったのが、Jetson Nanoだと、何するにしてもメモリ不足で死にます。
これは、僕の書き方の問題なのかもしれないけど、いろいろシンドかった。
学習するにしても、バッチサイズ減らしてやらないと落ちるし、学習データの読み込みでも、ブラウザは落としておかないと死ぬ。
こういったあたりも、今後調べていきたい。
次は、自分で教師データ作って学ばせてあげたい。
できるかな?
2019年4月25日木曜日
Jetson Nano の TensorFlow で MNIST やってみる
お熱冷めないうちにやってみる。
git clone サンプル叩きマンは卒業して、一応ソースも書いてみる。
ただ、内容はさっぱりなので、見たページを覚書として残しておく。
https://www.scriptlife.jp/contents/programming/2016/10/19/post-1796/
http://domkade.hatenablog.jp/entry/2016/04/07/011016
男は黙ってチュートリアルだろと思って本家見に行ったら、Keras勧められてしまうので、参考にした情報が2016年とか、だいぶ古いけど、意味がわからないものが２つあると、そもそも理解できるところまで行かなそうなので、古いまま行きます。
なので、ソースを実行すると、ワーニング出ます。
mnist.pyっていうファイルを作ってみました。
実行してみます。
こんな感じの結果がでます。
動いたけど、写経っぷりにもほどがあるし、そもそもようわからんなぁ・・・
チュートリアルでコレって。。機械学習お熱下がっちゃうよ。。
悔しいから、本買って勉強しよう。
git clone サンプル叩きマンは卒業して、一応ソースも書いてみる。
ただ、内容はさっぱりなので、見たページを覚書として残しておく。
https://www.scriptlife.jp/contents/programming/2016/10/19/post-1796/
http://domkade.hatenablog.jp/entry/2016/04/07/011016
男は黙ってチュートリアルだろと思って本家見に行ったら、Keras勧められてしまうので、参考にした情報が2016年とか、だいぶ古いけど、意味がわからないものが２つあると、そもそも理解できるところまで行かなそうなので、古いまま行きます。
なので、ソースを実行すると、ワーニング出ます。
$ cd ~/ $ mkdir mnist $ cd mnist
mnist.pyっていうファイルを作ってみました。
import tensorflow as tf
import numpy as np
# mnistのの学習データがMNIST_dataフォルダになければダウンロードしてから読み込み
# あったらそのまま読み込み
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
# MNIST画像をランダムで１枚読み込んでみる
for listitem in mnist.train.next_batch(1)[0]:
for i in range(len(listitem)):
num=listitem[i]
if num==0:
print(' ', end="")
else:
print('%03d ' % (num*1000), end="")
if i % 28 == 0:
print('\n')
print('\n')
# 訓練画像入れ
# 訓練画像（28x28px）を1行784列の配列に格納する
# https://www.tensorflow.org/api_docs/python/tf/placeholder
x = tf.placeholder(tf.float32, shape=[None, 784])
# 重み
# 訓練画像のpx数の行、ラベル（0-9の数字の個数）数の列の行列
# 0埋めしておく（tf.zeros）
# https://www.tensorflow.org/api_docs/python/tf/Variable
# https://www.tensorflow.org/api_docs/python/tf/zeros
W = tf.Variable(tf.zeros([784,10]))
# バイアス
# ラベル数の列の行列
# 0埋めしておく（tf.zeros）
# https://www.tensorflow.org/api_docs/python/tf/Variable
# https://www.tensorflow.org/api_docs/python/tf/zeros
b = tf.Variable(tf.zeros([10]))
# ソフトマックス回帰を実行
# yは入力x（画像）に対しそれがある数字である確率の分布
# matmul関数で行列xとWの掛け算を行った後、bを加算する。
# yは[1, 10]の行列
# https://www.tensorflow.org/api_docs/python/tf/nn/softmax
# https://www.tensorflow.org/api_docs/python/tf/linalg/matmul
y = tf.nn.softmax(tf.matmul(x,W) + b)
# 正解用ラベル入れ
# https://www.tensorflow.org/api_docs/python/tf/placeholder
y_ = tf.placeholder(tf.float32, shape=[None, 10])
# 交差エントロピー
# 誤差関数の交差エントロピー誤差関数を用意
# https://www.tensorflow.org/api_docs/python/tf/math/reduce_sum
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
# 勾配硬化法を用い交差エントロピーが最小となるようyを最適化する
# 学習方法を定義 0.01は学習率
# https://www.tensorflow.org/api_docs/python/tf/train/GradientDescentOptimizer
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
# 用意した変数Veriableの初期化を実行する
# https://www.tensorflow.org/api_docs/python/tf/initialize_all_variables
init = tf.initialize_all_variables()
# Sessionを開始する
# runすることで初めて実行開始される（run(init)しないとinitが実行されない）
# https://www.tensorflow.org/api_docs/python/tf/InteractiveSession
sess = tf.InteractiveSession()
sess.run(init)
# 正しいかの予測
# 計算された画像がどの数字であるかの予測yと正解ラベルy_を比較する
# 同じ値であればTrueが返される
# argmaxは配列の中で一番値の大きい箇所のindexが返される
# 一番値が大きいindexということは、それがその数字である確率が一番大きいということhttp://blogspot.com/
# Trueが返ってくるということは訓練した結果と回答が同じということ
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
# 精度の計算
# correct_predictionはbooleanなのでfloatにキャストし、平均値を計算する
# Trueならば1、Falseならば0に変換される
# https://www.tensorflow.org/api_docs/python/tf/math/reduce_mean
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print("before training accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
# 1000回の訓練（train_step）を実行する
# next_batch(50)で50つのランダムな訓練セット（画像と対応するラベル）を選択する
# feed_dictでplaceholderに値を入力することができる
for i in range(1000):
batch = mnist.train.next_batch(50)
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1]})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1]})
# モデルの評価
print("test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
実行してみます。
$ python3 mnist.py
こんな感じの結果がでます。
python3 mnist.py
070 741 588 384 184 098 003 184 345 823 1000 564 054
682 992 992 992 992 890 607 776 992 992 992 992 992 282
713 992 992 992 992 992 992 992 992 992 992 886 419 011
247 980 992 992 992 992 992 992 792 666 435 066
956 992 898 078 078 078 078 031
839 992 964 211
192 992 992 796 447 164 305 388 062 062 062 062 019
109 929 992 992 992 992 992 992 992 992 992 992 749 164
549 992 992 992 992 992 992 992 992 992 992 992 913 447
356 501 788 788 780 384 384 450 788 788 937 992 890 423
145 913 992 968 145
498 992 992 596
490 992 992 768
490 992 992 768
227 278 490 992 992 768
070 862 984 611 490 490 149 035 184 737 992 992 737
105 925 992 992 992 992 992 796 670 670 670 670 901 992 992 964 117
403 752 980 992 992 992 992 992 992 992 992 992 992 984 745
254 392 823 992 992 992 992 992 992 992 992 635
047 356 584 745 992 992 992 701 388 058
2019-04-25 13:10:24.417408: W tensorflow/core/platform/profile_utils/cpu_utils.cc:98] Failed to find bogomips in /proc/cpuinfo; cannot determine CPU frequency
2019-04-25 13:10:24.419881: I tensorflow/compiler/xla/service/service.cc:161] XLA service 0x30de2ef0 executing computations on platform Host. Devices:
2019-04-25 13:10:24.419973: I tensorflow/compiler/xla/service/service.cc:168] StreamExecutor device (0): <undefined>, <undefined>
2019-04-25 13:10:24.495340: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:965] ARM64 does not support NUMA - returning NUMA node zero
2019-04-25 13:10:24.495643: I tensorflow/compiler/xla/service/service.cc:161] XLA service 0x2f6e9ff0 executing computations on platform CUDA. Devices:
2019-04-25 13:10:24.495706: I tensorflow/compiler/xla/service/service.cc:168] StreamExecutor device (0): NVIDIA Tegra X1, Compute Capability 5.3
2019-04-25 13:10:24.496060: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1433] Found device 0 with properties:
name: NVIDIA Tegra X1 major: 5 minor: 3 memoryClockRate(GHz): 0.9216
pciBusID: 0000:00:00.0
totalMemory: 3.86GiB freeMemory: 742.95MiB
2019-04-25 13:10:24.496126: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1512] Adding visible gpu devices: 0
2019-04-25 13:10:25.773266: I tensorflow/core/common_runtime/gpu/gpu_device.cc:984] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-04-25 13:10:25.773363: I tensorflow/core/common_runtime/gpu/gpu_device.cc:990] 0
2019-04-25 13:10:25.773402: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1003] 0: N
2019-04-25 13:10:25.773596: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 273 MB memory) -> physical GPU (device: 0, name: NVIDIA Tegra X1, pci bus id: 0000:00:00.0, compute capability: 5.3)
2019-04-25 13:10:25.863593: I tensorflow/stream_executor/dso_loader.cc:153] successfully opened CUDA library libcublas.so.10.0 locally
before training accuracy 0.098
step 0, training accuracy 0.06
step 100, training accuracy 0.86
step 200, training accuracy 0.8
step 300, training accuracy 0.92
step 400, training accuracy 0.94
step 500, training accuracy 0.9
step 600, training accuracy 0.94
step 700, training accuracy 0.88
step 800, training accuracy 0.88
step 900, training accuracy 0.94
test accuracy 0.9175
動いたけど、写経っぷりにもほどがあるし、そもそもようわからんなぁ・・・
チュートリアルでコレって。。機械学習お熱下がっちゃうよ。。
悔しいから、本買って勉強しよう。
2019年4月24日水曜日
Jetson Nano に TensorFlow版のOpenpose入れてみる
連日のお試しシリーズ、リアルタイムOpenposeの2FPSをもうすこしなんとかならないかなと思って、TensorFlow版のOpenposeでやってみることにしました。
というのも、CPUでも2FPS位出るみたいな記事を見かけたので、GPUにしたらもちょっと出るんじゃないかなという単純な発想です。
セットアップは、これらやった前提で。
https://toramamma.blogspot.com/2019/04/jetson-nano-darknet.html
https://toramamma.blogspot.com/2019/04/jetson-nano-openpose.html
とりあえず言われるまま入れてみます。
https://github.com/ildoonet/tf-pose-estimation
ただ、この通りにやると失敗するもんで、先に必要なライブラリを入れたほうが良いです。
ものっそい時間かかるので、コレを先に・・・
参ります。
失敗したログしかないけど、正しくできてれば、Failedがないものが出力されると思います。
次はコレをやれというので
https://github.com/ildoonet/tf-pose-estimation/tree/master/tf_pose/pafprocess
素直に実行。
で、ここでTensorFlow入れてないの思い出して、入れてみます。
嘘だろ。。
※ サックっとスルーしますが、ここで相当ヤラレタ。。
色々漁ってたら、ぴったりな記事あったので参考に。
https://qiita.com/tsutof/items/77b49f71ed81344b9d16
で、TensorFlowの動作確認まで。
次は、学習済みモデルをダウンロード。
見出しと同じことをもう一度書くスタイル。
やっと実行ですが、ライブラリ足りず落ちたのでコレを先に。
※ でもコレ最初の pip3 install -r requirements.txt で入ってるっぽいんだけどな。。
ここに来るまでTensorFlow関連で色々いじったので普通にやってれば再現しないかも。
やっと実行！！！
ガーン！！
動いたけど・・・まさかの2FPS。
パフォーマンス変わらず。。。
まだだ、諦めるのは早い！
モデルを「mobilenet_v2_small」に変えてみよう！
でたーっ！3.5FPS！
なかなか良いね！
お前の力はこんなモンじゃないはずだ。
前回のOpenposeに読み込み画像サイズを合わせてみよう。
出ました。
７〜８FPS！
でも、精度だいぶ落ちるんよね〜
あと、--camera=1はラズパイカメラ同居しているので、ロジクールのを使う設定です。
通常は0です（だと思います）
サイズ合わせて3.5倍達成しました。
精度重視でも1.5倍は早くなりました。
労力はこの比ではありませんでしたｗ
でも、折角TensorFlow入れたので、ネタが増えました。
サンプルたたきマンでももう少しなにか出来るかな。
Virtualenv？知らん、何かあればイメージ焼き直す！！
TensorFlow入んなくて、ほんと色々イジったので、メモ程度に現状残しておく。
というのも、CPUでも2FPS位出るみたいな記事を見かけたので、GPUにしたらもちょっと出るんじゃないかなという単純な発想です。
セットアップ
セットアップは、これらやった前提で。
https://toramamma.blogspot.com/2019/04/jetson-nano-darknet.html
https://toramamma.blogspot.com/2019/04/jetson-nano-openpose.html
インストール
tf-pose-estimationのインストール
とりあえず言われるまま入れてみます。
https://github.com/ildoonet/tf-pose-estimation
ただ、この通りにやると失敗するもんで、先に必要なライブラリを入れたほうが良いです。
ものっそい時間かかるので、コレを先に・・・
$ pip3 install --upgrade cython $ sudo apt-get -yV install libopenblas-dev $ sudo apt-get -yV install liblapacke-dev $ sudo apt-get -yV install gfortran $ sudo apt-get -yV install llvm-7* $ echo 'export PATH="/usr/lib/llvm-7/bin:$PATH"' >> ~/.bash_profile $ source ~/.bash_profile
参ります。
$ git clone https://github.com/ildoonet/tf-pose-estimation.git $ cd tf-pose-estimation $ pip3 install -r requirements.txt
失敗したログしかないけど、正しくできてれば、Failedがないものが出力されると思います。
Successfully built dill fire matplotlib numba psutil pycocotools scikit-image msgpack numpy pyzmq tabulate termcolor kiwisolver PyWavelets networkx pillow Failed to build scipy llvmlite Installing collected packages: argparse, dill, six, fire, cycler, setuptools, kiwisolver, numpy, pyparsing, python-dateutil, matplotlib, llvmlite, numba, psutil, pycocotools, urllib3, idna, chardet, certifi, requests, PyWavelets, pillow, imageio, decorator, networkx, scipy, scikit-image, slidingwindow, tqdm, msgpack, msgpack-numpy, pyzmq, tabulate, termcolor, tensorpack
次はコレをやれというので
https://github.com/ildoonet/tf-pose-estimation/tree/master/tf_pose/pafprocess
$ cd tf_pose/pafprocess $ sudo apt install swig $ swig -python -c++ pafprocess.i && python3 setup.py build_ext --inplace
素直に実行。
TensorFlowのインストール
で、ここでTensorFlow入れてないの思い出して、入れてみます。
$ pip3 install tensorflow-gpu Could not find a version that satisfies the requirement tensorflow-gpu (from versions: )
嘘だろ。。
※ サックっとスルーしますが、ここで相当ヤラレタ。。
色々漁ってたら、ぴったりな記事あったので参考に。
https://qiita.com/tsutof/items/77b49f71ed81344b9d16
$ sudo apt-get install libhdf5-serial-dev hdf5-tools $ sudo apt-get install python3-pip $ sudo apt-get install zlib1g-dev zip libjpeg8-dev libhdf5-dev $ sudo pip3 install -U numpy grpcio absl-py py-cpuinfo psutil portpicker grpcio six mock requests gast h5py astor termcolor $ sudo pip3 install --pre --extra-index-url https://developer.download.nvidia.com/compute/redist/jp/v42 tensorflow-gpu
で、TensorFlowの動作確認まで。
$ python3 Python 3.6.7 (default, Oct 22 2018, 11:32:17) [GCC 8.2.0] on linux Type "help", "copyright", "credits" or "license" for more information. >>> import tensorflow as tf >>> print(tf.__version__) 1.13.1 >>>exit()
学習済みモデルのダウンロード
次は、学習済みモデルをダウンロード。
見出しと同じことをもう一度書くスタイル。
$ cd ~/tf-pose-estimation $ cd models/graph/cmu $ bash download.sh
実行
やっと実行ですが、ライブラリ足りず落ちたのでコレを先に。
$ pip3 install tqdm $ pip3 install slidingwindow $ pip3 install pycocotools
※ でもコレ最初の pip3 install -r requirements.txt で入ってるっぽいんだけどな。。
ここに来るまでTensorFlow関連で色々いじったので普通にやってれば再現しないかも。
やっと実行！！！
$ python3 run_webcam.py --model=mobilenet_thin --resize=432x368 --camera=1
ガーン！！
動いたけど・・・まさかの2FPS。
パフォーマンス変わらず。。。
まだだ、諦めるのは早い！
モデルを「mobilenet_v2_small」に変えてみよう！
$ python3 run_webcam.py --model=mobilenet_v2_small --resize=432x368 --camera=1
でたーっ！3.5FPS！
なかなか良いね！
お前の力はこんなモンじゃないはずだ。
前回のOpenposeに読み込み画像サイズを合わせてみよう。
$ python3 run_webcam.py --model=mobilenet_v2_small --resize=320x176 --camera=1
出ました。
７〜８FPS！
でも、精度だいぶ落ちるんよね〜
あと、--camera=1はラズパイカメラ同居しているので、ロジクールのを使う設定です。
通常は0です（だと思います）
感想
サイズ合わせて3.5倍達成しました。
精度重視でも1.5倍は早くなりました。
労力はこの比ではありませんでしたｗ
でも、折角TensorFlow入れたので、ネタが増えました。
サンプルたたきマンでももう少しなにか出来るかな。
Virtualenv？知らん、何かあればイメージ焼き直す！！
メモ
TensorFlow入んなくて、ほんと色々イジったので、メモ程度に現状残しておく。
$ pip3 list --format=columns Package Version ----------------------------- ------------------- absl-py 0.7.1 apt-clone 0.2.1 apturl 0.5.2 asn1crypto 0.24.0 astor 0.7.1 beautifulsoup4 4.6.0 blinker 1.4 Brlapi 0.6.6 certifi 2019.3.9 chardet 3.0.4 cryptography 2.1.4 cupshelpers 1.0 cycler 0.10.0 Cython 0.29.7 defer 1.0.6 devscripts 2.17.12ubuntu1.1 dill 0.2.9 distro-info 0.18ubuntu0.18.04.1 feedparser 5.2.1 fire 0.1.3 gast 0.2.2 gpg 1.10.0 graphsurgeon 0.3.2 grpcio 1.20.0 h5py 2.9.0 html5lib 0.999999999 httplib2 0.9.2 idna 2.8 Keras-Applications 1.0.7 Keras-Preprocessing 1.0.9 keyring 10.6.0 keyrings.alt 3.0 kiwisolver 1.0.1 language-selector 0.1 launchpadlib 1.10.6 lazr.restfulclient 0.13.5 lazr.uri 1.0.3 llvmlite 0.28.0 louis 3.5.0 lxml 4.2.1 macaroonbakery 1.1.3 Mako 1.0.7 Markdown 3.1 MarkupSafe 1.0 matplotlib 3.0.3 mock 2.0.0 numpy 1.16.3 oauth 1.0.1 oauthlib 2.0.6 olefile 0.45.1 PAM 0.4.2 pbr 5.1.3 Pillow 5.1.0 pip 9.0.1 portpicker 1.3.1 protobuf 3.7.1 psutil 5.6.1 py-cpuinfo 5.0.0 pycairo 1.16.2 pycocotools 2.0.0 pycrypto 2.6.1 pycups 1.9.73 pygobject 3.26.1 PyICU 1.9.8 PyJWT 1.5.3 pymacaroons 0.13.0 PyNaCl 1.1.2 pyparsing 2.4.0 pyRFC3339 1.0 python-apt 1.6.3+ubuntu1 python-dateutil 2.8.0 python-debian 0.1.32 python-magic 0.4.16 pytz 2018.3 pyxdg 0.25 PyYAML 3.12 requests 2.21.0 requests-unixsocket 0.1.5 scipy 1.2.1 SecretStorage 2.3.1 setuptools 41.0.1 simplejson 3.13.2 six 1.12.0 slidingwindow 0.0.13 ssh-import-id 5.7 system-service 0.3 systemd-python 234 tensorboard 1.13.1 tensorflow-estimator 1.13.0 tensorflow-gpu 1.13.1+nv19.4 tensorrt 5.0.6.3 termcolor 1.1.0 tqdm 4.31.1 ubuntu-drivers-common 0.0.0 uff 0.5.5 unattended-upgrades 0.1 unidiff 0.5.4 unity-scope-calculator 0.1 unity-scope-chromiumbookmarks 0.1 unity-scope-colourlovers 0.1 unity-scope-devhelp 0.1 unity-scope-firefoxbookmarks 0.1 unity-scope-manpages 0.1 unity-scope-openclipart 0.1 unity-scope-texdoc 0.1 unity-scope-tomboy 0.1 unity-scope-virtualbox 0.1 unity-scope-yelp 0.1 unity-scope-zotero 0.1 urllib3 1.24.2 wadllib 1.3.2 webencodings 0.5 Werkzeug 0.15.2 wheel 0.30.0 xkit 0.0.0 zope.interface 4.3.2
2019年4月23日火曜日
Jetson Nano のGPU使用率をグラフ表示
一個前のラズパイカメラのgitアカウントにgpuGraphっていうリポジトリがあったので入れてみた。
https://github.com/JetsonHacksNano/gpuGraph
darknet の tiny yolov3 動かして試してみたんだけど、ちゃんとGPU使ってくれているみたいです。
あと、raspi-cameraつなげたから、カメラ番号をオプションで渡す必要が出てしまいました。
ので、覚書。
「-c 1」ってのが、カメラ番号です。
https://github.com/JetsonHacksNano/gpuGraph
$ wget https://github.com/JetsonHacksNano/gpuGraph.git $ sudo apt-get install python3-matplotlib $ python3 gpuGraph.py
darknet の tiny yolov3 動かして試してみたんだけど、ちゃんとGPU使ってくれているみたいです。
あと、raspi-cameraつなげたから、カメラ番号をオプションで渡す必要が出てしまいました。
ので、覚書。
「-c 1」ってのが、カメラ番号です。
$ ./darknet detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -c 1
Jetson Nano でラズパイカメラリトライ
Jetson nano 届いたって嬉しくてラズパイカメラ買ったのに、動かなくて（うごいてるけどただのカメラ）、悔しいからOpenCVの顔認識で使ってみる。
とはいっても、出来合いのサンプルたたきマンですけど。
https://www.jetsonhacks.com/2019/04/02/jetson-nano-raspberry-pi-camera/
はいコレで無駄にはなってない。
とはいっても、出来合いのサンプルたたきマンですけど。
https://www.jetsonhacks.com/2019/04/02/jetson-nano-raspberry-pi-camera/
$ git clone https://github.com/JetsonHacksNano/CSI-Camera.git $ cd CSI-Camera $ python face_detect.py
はいコレで無駄にはなってない。
2019年4月22日月曜日
Jetson Nano に Openpose 入れてみる
jetson nano 買ったからにはガンガン使わなくてはという謎の使命感から、僕でも知ってる超有名シリーズ「nightmare」「yolo」に続き、「Openpose」を入れてみることにしました。
セットアップは、こっちの前半に書いてあります。
https://toramamma.blogspot.com/2019/04/jetson-nano-darknet.html
基本はここを参考に、実際に打ったコマンドを書き残しておくスタンス。
https://qiita.com/myoshimi/items/cf64c91cd22c516bb49b
GPGPU関連のセットアップは終わってるものとしてスルー
今までのもHome直下に入れてるので、若干パスをいじって入れる。
まずはサンプル動画をやってみまあす
20分かかりました（汗）
では、リアルタイムをば・・・
なんか、落ちたのでライブラリ入れます。
実行してみます。
出ました！
0.2FPS！！
メモリ食いつぶしてますね。
解像度を下げてやってみます。
これで、2.3FPS達成！！
このくらい出ると、まあまぁ遊べるかな。
ホネホネが自分に合わせて動くサマを見ていると、あらためてすごい技術だなぁと思いました。
ちなみに、--face と --hand はリアルタイムでは動作しませんでした。
というのも、--face_net_resolution、--hand_net_resolutionを低めに設定しないと読み込まれず、低くすると精度悪くて検出できないようです。
次は何動かしてみようかな。
セットアップ
セットアップは、こっちの前半に書いてあります。
https://toramamma.blogspot.com/2019/04/jetson-nano-darknet.html
インストール
基本はここを参考に、実際に打ったコマンドを書き残しておくスタンス。
https://qiita.com/myoshimi/items/cf64c91cd22c516bb49b
cmakeをインストール
$ sudo apt-get install qtbase5-dev build-essential gdebi libopencv-dev $ wget https://github.com/Kitware/CMake/releases/download/v3.13.4/cmake-3.13.4.tar.gz $ tar xzvf cmake-3.13.4.tar.gz $ cd cmake-3.13.4 $ ./configure --qt-gui $ ./bootstrap $ make -j6 $ sudo make install
GPGPU関連
GPGPU関連のセットアップは終わってるものとしてスルー
Openposeのビルド
今までのもHome直下に入れてるので、若干パスをいじって入れる。
$ git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose $ cd openpose $ sudo bash ./scripts/ubuntu/install_deps.sh $ mkdir build $ cd build $ cmake .. $ make -j4 $ sudo make install
実行
まずはサンプル動画をやってみまあす
$ cd ~/ $ ./build/examples/openpose/openpose.bin --write_json outputJSON/ --display 0 --model_folder ./models --video "./examples/media/video.avi" --write_video outputVideo.avi OpenPose demo successfully finished. Total time: 1198.628352 seconds.
20分かかりました（汗）
では、リアルタイムをば・・・
$ ./build/examples/openpose/openpose.bin --model_folder ./models Starting OpenPose demo... Configuring OpenPose... Starting thread(s)... Auto-detecting camera index... Detected and opened camera 0. Auto-detecting all available GPUs... Detected 1 GPU(s), using 1 of them starting at GPU 0. Gtk-Message: 12:50:18.435: Failed to load module "canberra-gtk-module"
なんか、落ちたのでライブラリ入れます。
$ sudo apt install canberra-gtk*
実行してみます。
$ ./build/examples/openpose/openpose.bin --model_folder ./models
出ました！
0.2FPS！！
メモリ食いつぶしてますね。
解像度を下げてやってみます。
$ ./build/examples/openpose/openpose.bin --model_folder ./models --net_resolution 320x176
これで、2.3FPS達成！！
このくらい出ると、まあまぁ遊べるかな。
ホネホネが自分に合わせて動くサマを見ていると、あらためてすごい技術だなぁと思いました。
ちなみに、--face と --hand はリアルタイムでは動作しませんでした。
というのも、--face_net_resolution、--hand_net_resolutionを低めに設定しないと読み込まれず、低くすると精度悪くて検出できないようです。
次は何動かしてみようかな。
2019年4月19日金曜日
Jetson Nano 買ったので darknet で Nightmare と YOLO を動かすまで
巷で話題のJetson Nanoが届いたので、僕でも知ってる超有名シリーズ「darknet」入れて「nightmare」「yolo」あたりを動かしてみたいと思います。
せっかくなので、はりきって電源は5V4Aで、ファンもつけました。
※追記 Jetson Nanoのファン購入に気をつけろ！
コチラの記事にあるように、5Vのファンじゃないと回らない（回りにくい？）ようなのでファンのリンクを追記しました。
一応こっちでも回ってます。
買ったものはこんなところか。
※ 良い子は技適は守ろう。
キーボードやマウス、ディスプレイは、そのへんに転がっているものでOK！！
https://dev.classmethod.jp/hardware/nvidia-jetson-nano-setup/
Etcherを使ってイメージを焼く。
https://www.jetsonhacks.com/2019/04/10/jetson-nano-use-more-power/
https://www.jetsonhacks.com/2019/04/14/jetson-nano-use-more-memory/
https://www.jetsonhacks.com/2019/04/02/jetson-nano-raspberry-pi-camera/
基本指すだけ
動いてるか確認する。
https://gihyo.jp/admin/serial/01/ubuntu-recipe/0563?page=4
すげー時間かかるので気長に待つ。
個別buildの方法もリンク先に書いてある。
ここにビルドされてるので、移動してそれっぽいやつ実行確認。
時間かかるので気長に待つ。
ここにビルドされてるので、移動してそれっぽいやつ実行確認。
ここまで動けば、環境的には何の問題もないはず。
http://takesan.hatenablog.com/entry/2019/04/09/001852
真ん中あたり、DARKNET(YOLO)のインストール
気長に待つ。
ビルドできてれば以下が出力されるはず。
なんだか、結果がポクない。。
なにか間違えたか？
リアルタイムは、raspi camera 繋がってるんだけど、camera stopedとかなって終わった。
引き続き実験。
--------- 追記 ----------------------------------------
カメラ生きてるっぽいよね。
----------------------------------------
--------- 追追記 ----------------------------------------
Logicool HD c270なら動きました。
これの無地のやつ。
メモリ使い切って死ぬ寸でしたが・・・
スワップ作っといてよかった。
terminalの方見るとわかりますが、2FPSとかです。
実用には耐えません＾＾
----------------------------------------
--------- 追追追記 ----------------------------------------
tiny yolo v3なら、15FPS位出てラズパイで初めてLチカしたときくらいの満足感が得られました。
----------------------------------------
ということで、一応 Darknet 動かすところまでできました。
そもそもこの手の情報なにもない素人レベルでしたが、動かすだけなら割と簡単にできました。
お熱があるうちに、遅ればせながら機械学習のお勉強でも始めようかな。
準備
■ 周辺機器揃える
せっかくなので、はりきって電源は5V4Aで、ファンもつけました。
※追記 Jetson Nanoのファン購入に気をつけろ！
コチラの記事にあるように、5Vのファンじゃないと回らない（回りにくい？）ようなのでファンのリンクを追記しました。
一応こっちでも回ってます。
買ったものはこんなところか。
※ 良い子は技適は守ろう。
キーボードやマウス、ディスプレイは、そのへんに転がっているものでOK！！
■ セットアップ
https://dev.classmethod.jp/hardware/nvidia-jetson-nano-setup/
Etcherを使ってイメージを焼く。
■ 刹活孔を突く
・ フルパワー化
https://www.jetsonhacks.com/2019/04/10/jetson-nano-use-more-power/
$ sudo nvpmodel -m 0 $ sudo jetson_clocks
・ スワップ作成
https://www.jetsonhacks.com/2019/04/14/jetson-nano-use-more-memory/
https://github.com/JetsonHacksNano/installSwapfile $ cd installSwapfile $ ./installSwapfile
・ カメラの確認
https://www.jetsonhacks.com/2019/04/02/jetson-nano-raspberry-pi-camera/
基本指すだけ
動いてるか確認する。
$ gst-launch-1.0 nvarguscamerasrc ! 'video/x-raw(memory:NVMM),width=3820, height=2464, framerate=21/1, format=NV12' ! nvvidconv flip-method=0 ! 'video/x-raw,width=960, height=616' ! nvvidconv ! nvegltransform ! nveglglessink -e
実践
■ CUDAサンプルとVisionWorksのサンプルの動作確認
https://gihyo.jp/admin/serial/01/ubuntu-recipe/0563?page=4
・ CUDA
$ cp -a /usr/local/cuda-10.0/samples/ ~/ $ cd ~/samples $ make
すげー時間かかるので気長に待つ。
個別buildの方法もリンク先に書いてある。
ここにビルドされてるので、移動してそれっぽいやつ実行確認。
$ cd bin/aarch64/linux/release $ ./deviceQuery $ ./oceanFFT $ ./smokeParticles $ ./nbody
・ VisionWorks
$ /usr/share/visionworks/sources/install-samples.sh ~/visionworks/ $ cd ~/visionworks/VisionWorks-1.6-Samples/ $ make
時間かかるので気長に待つ。
ここにビルドされてるので、移動してそれっぽいやつ実行確認。
$ cd bin/aarch64/linux/release/ $ ./nvx_demo_hough_transform $ ./nvx_demo_motion_estimation
ここまで動けば、環境的には何の問題もないはず。
本題
■ DARKNETインストール
http://takesan.hatenablog.com/entry/2019/04/09/001852
真ん中あたり、DARKNET(YOLO)のインストール
・ makefileの修正
makefileの修正で、-gencodeもコメントしないとダメでした。GPU=1 # 修正 CUDNN=1 # 修正 CUDNN_HALF=1 # 修正 OPENCV=1 # 修正 AVX=0 OPENMP=0 LIBSO=0 ZED_CAMERA=0 # set GPU=1 and CUDNN=1 to speedup on GPU # set CUDNN_HALF=1 to further speedup 3 x times (Mixed-precision on Tensor Cores) GPU: Volta, Xavier, Turing and higher # set AVX=1 and OPENMP=1 to speedup on CPU (if error occurs then set AVX=0) DEBUG=0 ARCH= -gencode arch=compute_30,code=sm_30 \ -gencode arch=compute_35,code=sm_35 \ -gencode arch=compute_50,code=[sm_50,compute_50] \ -gencode arch=compute_52,code=[sm_52,compute_52] \ # -gencode arch=compute_61,code=[sm_61,compute_61] # 修正 OS := $(shell uname) # Tesla V100 # ARCH= -gencode arch=compute_70,code=[sm_70,compute_70] # GeForce RTX 2080 Ti, RTX 2080, RTX 2070, Quadro RTX 8000, Quadro RTX 6000, Quadro RTX 5000, Tesla T4, XNOR Tensor Cores # ARCH= -gencode arch=compute_75,code=[sm_75,compute_75] # Jetson XAVIER # ARCH= -gencode arch=compute_72,code=[sm_72,compute_72] # GTX 1080, GTX 1070, GTX 1060, GTX 1050, GTX 1030, Titan Xp, Tesla P40, Tesla P4 # ARCH= -gencode arch=compute_61,code=sm_61 -gencode arch=compute_61,code=compute_61 # GP100/Tesla P100 - DGX-1 # ARCH= -gencode arch=compute_60,code=sm_60 # For Jetson TX1, Tegra X1, DRIVE CX, DRIVE PX - uncomment: ARCH= -gencode arch=compute_53,code=[sm_53,compute_53] # 修正 # For Jetson Tx2 or Drive-PX2 uncomment: # ARCH= -gencode arch=compute_62,code=[sm_62,compute_62] ：
・ make
$ PATH=/usr/local/cuda/bin:$PATH make
気長に待つ。
・実行
ビルドできてれば以下が出力されるはず。
$ ./darknet usage: ./darknet <function>
■ Nightmare
$ wget http://pjreddie.com/media/files/vgg-conv.weights $ ./darknet nightmare cfg/vgg-conv.cfg vgg-conv.weights data/scream.jpg 10
なんだか、結果がポクない。。
なにか間違えたか？
■ YOLO
$ wget https://pjreddie.com/media/files/yolov3.weights $ ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
リアルタイムは、raspi camera 繋がってるんだけど、camera stopedとかなって終わった。
$ ./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
引き続き実験。
--------- 追記 ----------------------------------------
$ sudo apt-get install libv4l-dev v4l-utils
$ v4l2-ctl --list-devices
vi-output, imx219 6-0010 (platform:54080000.vi:0):
/dev/video0
$ v4l2-ctl -d /dev/video0 --all
Driver Info (not using libv4l2):
Driver name : tegra-video
Card type : vi-output, imx219 6-0010
Bus info : platform:54080000.vi:0
Driver version: 4.9.140
Capabilities : 0x84200001
Video Capture
Streaming
Extended Pix Format
Device Capabilities
Device Caps : 0x04200001
Video Capture
Streaming
Extended Pix Format
Priority: 2
Video input : 0 (Camera 0: no power)
Format Video Capture:
Width/Height : 640/480
Pixel Format : 'RG10'
Field : None
Bytes per Line : 1280
Size Image : 614400
Colorspace : sRGB
Transfer Function : Default (maps to sRGB)
YCbCr/HSV Encoding: Default (maps to ITU-R 601)
Quantization : Default (maps to Full Range)
Flags :
Camera Controls
group_hold 0x009a2003 (bool) : default=0 value=0 flags=execute-on-write
sensor_mode 0x009a2008 (int64) : min=0 max=0 step=0 default=0 value=0 flags=slider
gain 0x009a2009 (int64) : min=0 max=0 step=0 default=0 value=16 flags=slider
exposure 0x009a200a (int64) : min=0 max=0 step=0 default=0 value=13 flags=slider
frame_rate 0x009a200b (int64) : min=0 max=0 step=0 default=0 value=2000000 flags=slider
bypass_mode 0x009a2064 (intmenu): min=0 max=1 default=0 value=0
override_enable 0x009a2065 (intmenu): min=0 max=1 default=0 value=0
height_align 0x009a2066 (int) : min=1 max=16 step=1 default=1 value=1
size_align 0x009a2067 (intmenu): min=0 max=2 default=0 value=0
write_isp_format 0x009a2068 (bool) : default=0 value=0
sensor_signal_properties 0x009a2069 (u32) : min=0 max=0 step=0 default=0 flags=read-only, has-payload
sensor_image_properties 0x009a206a (u32) : min=0 max=0 step=0 default=0 flags=read-only, has-payload
sensor_control_properties 0x009a206b (u32) : min=0 max=0 step=0 default=0 flags=read-only, has-payload
sensor_dv_timings 0x009a206c (u32) : min=0 max=0 step=0 default=0 flags=read-only, has-payload
low_latency_mode 0x009a206d (bool) : default=0 value=0
sensor_modes 0x009a2082 (int) : min=0 max=30 step=1 default=30 value=5 flags=read-only
カメラ生きてるっぽいよね。
----------------------------------------
--------- 追追記 ----------------------------------------
Logicool HD c270なら動きました。
これの無地のやつ。
メモリ使い切って死ぬ寸でしたが・・・
スワップ作っといてよかった。
$ ./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
terminalの方見るとわかりますが、2FPSとかです。
実用には耐えません＾＾
----------------------------------------
--------- 追追追記 ----------------------------------------
tiny yolo v3なら、15FPS位出てラズパイで初めてLチカしたときくらいの満足感が得られました。
$ wget https://pjreddie.com/media/files/yolov3-tiny.weights $ ./darknet detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights
----------------------------------------
ということで、一応 Darknet 動かすところまでできました。
そもそもこの手の情報なにもない素人レベルでしたが、動かすだけなら割と簡単にできました。
お熱があるうちに、遅ればせながら機械学習のお勉強でも始めようかな。
登録:
投稿 (Atom)