logo
Loading...

[Day23] Q1. 訓練完沒有出現yolov3_training_last.weights是正常的嗎？ Q2. 無法辨識出圖片人物是誰, 準確率多少 - Cupoy

Q1-1) 我照著本章教材, 並使用教材提供的images.zip, 一步步在Colab上做trai...

[Day23] Q1. 訓練完沒有出現yolov3_training_last.weights是正常的嗎？ Q2. 無法辨識出圖片人物是誰, 準確率多少

2021/02/09 下午 11:41
在樹莓派上布署與使用 YOLOv3-tiny
Terry Huang
觀看數：70
回答數：3
收藏數：0

Q1-1) 我照著本章教材, 並使用教材提供的images.zip, 一步步在Colab上做training, 但training完沒有出現yolov3_training_last.weights只有yolov3_training_final.weights, 請問這是正常的嗎？ Q1-2) 我可以直接用yolov3_training_final.weights當作yolov3_training_last.weights嗎？ 實際操作如下： **!./darknet detector train data/obj.data cfg/yolov3_training.cfg yolov3-tiny.weights -dont_show** CUDA-version: 10010 (10010), cuDNN: 7.6.5, GPU count: 1 OpenCV version: 3.2.0 yolov3_training 0 : compute_capability = 750, cudnn_half = 0, GPU: Tesla T4 net.optimized_memory = 0 mini_batch = 4, batch = 64, time_steps = 1, train = 1 layer filters size/strd(dil) input output 0 conv 16 3 x 3/ 1 416 x 416 x 3 -> 416 x 416 x 16 0.150 BF 1 max 2x 2/ 2 416 x 416 x 16 -> 208 x 208 x 16 0.003 BF 2 conv 32 3 x 3/ 1 208 x 208 x 16 -> 208 x 208 x 32 0.399 BF 3 max 2x 2/ 2 208 x 208 x 32 -> 104 x 104 x 32 0.001 BF 4 conv 64 3 x 3/ 1 104 x 104 x 32 -> 104 x 104 x 64 0.399 BF 5 max 2x 2/ 2 104 x 104 x 64 -> 52 x 52 x 64 0.001 BF 6 conv 128 3 x 3/ 1 52 x 52 x 64 -> 52 x 52 x 128 0.399 BF 7 max 2x 2/ 2 52 x 52 x 128 -> 26 x 26 x 128 0.000 BF 8 conv 256 3 x 3/ 1 26 x 26 x 128 -> 26 x 26 x 256 0.399 BF 9 max 2x 2/ 2 26 x 26 x 256 -> 13 x 13 x 256 0.000 BF 10 conv 512 3 x 3/ 1 13 x 13 x 256 -> 13 x 13 x 512 0.399 BF 11 max 2x 2/ 1 13 x 13 x 512 -> 13 x 13 x 512 0.000 BF 12 conv 1024 3 x 3/ 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BF 13 conv 256 1 x 1/ 1 13 x 13 x1024 -> 13 x 13 x 256 0.089 BF 14 conv 512 3 x 3/ 1 13 x 13 x 256 -> 13 x 13 x 512 0.399 BF 15 conv 30 1 x 1/ 1 13 x 13 x 512 -> 13 x 13 x 30 0.005 BF 16 yolo [yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00 17 route 13 -> 13 x 13 x 256 18 conv 128 1 x 1/ 1 13 x 13 x 256 -> 13 x 13 x 128 0.011 BF 19 upsample 2x 13 x 13 x 128 -> 26 x 26 x 128 20 route 19 8 -> 26 x 26 x 384 21 conv 256 3 x 3/ 1 26 x 26 x 384 -> 26 x 26 x 256 1.196 BF 22 conv 30 1 x 1/ 1 26 x 26 x 256 -> 26 x 26 x 30 0.010 BF 23 yolo [yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00 Total BFLOPS 5.454 avg_outputs = 325691 Allocate additional workspace_size = 52.43 MB Loading weights from yolov3-tiny.weights... seen 64, trained: 32013 K-images (500 Kilo-batches_64) Done! Loaded 24 layers from weights-file Learning Rate: 0.001, Momentum: 0.9, Decay: 0.0005 Detection layer: 16 - type = 28 Detection layer: 23 - type = 28 **Saving weights to /mydrive/yolov3/yolov3_training_final.weights** Create 6 permanent cpu-threads If you want to train from the beginning, then use flag in the end of training command: -clear Q2) 承上, 最後Colab沒有show出圖片辨識結果是誰？準確率多少？ 請問這是什麼原因？ 註: 我在Raspberrry Pi 4B上跑, 也跟下面一樣, 還請高手指點迷津 **!./darknet detector test ./data/obj.data ./cfg/yolov3_training.cfg /content/gdrive/My\ Drive/yolov3/yolov3_training_final.weights ./test.jpg** CUDA-version: 10010 (10010), cuDNN: 7.6.5, GPU count: 1 OpenCV version: 3.2.0 0 : compute_capability = 750, cudnn_half = 0, GPU: Tesla T4 net.optimized_memory = 0 mini_batch = 1, batch = 16, time_steps = 1, train = 0 layer filters size/strd(dil) input output 0 conv 16 3 x 3/ 1 416 x 416 x 3 -> 416 x 416 x 16 0.150 BF 1 max 2x 2/ 2 416 x 416 x 16 -> 208 x 208 x 16 0.003 BF 2 conv 32 3 x 3/ 1 208 x 208 x 16 -> 208 x 208 x 32 0.399 BF 3 max 2x 2/ 2 208 x 208 x 32 -> 104 x 104 x 32 0.001 BF 4 conv 64 3 x 3/ 1 104 x 104 x 32 -> 104 x 104 x 64 0.399 BF 5 max 2x 2/ 2 104 x 104 x 64 -> 52 x 52 x 64 0.001 BF 6 conv 128 3 x 3/ 1 52 x 52 x 64 -> 52 x 52 x 128 0.399 BF 7 max 2x 2/ 2 52 x 52 x 128 -> 26 x 26 x 128 0.000 BF 8 conv 256 3 x 3/ 1 26 x 26 x 128 -> 26 x 26 x 256 0.399 BF 9 max 2x 2/ 2 26 x 26 x 256 -> 13 x 13 x 256 0.000 BF 10 conv 512 3 x 3/ 1 13 x 13 x 256 -> 13 x 13 x 512 0.399 BF 11 max 2x 2/ 1 13 x 13 x 512 -> 13 x 13 x 512 0.000 BF 12 conv 1024 3 x 3/ 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BF 13 conv 256 1 x 1/ 1 13 x 13 x1024 -> 13 x 13 x 256 0.089 BF 14 conv 512 3 x 3/ 1 13 x 13 x 256 -> 13 x 13 x 512 0.399 BF 15 conv 30 1 x 1/ 1 13 x 13 x 512 -> 13 x 13 x 30 0.005 BF 16 yolo [yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00 17 route 13 -> 13 x 13 x 256 18 conv 128 1 x 1/ 1 13 x 13 x 256 -> 13 x 13 x 128 0.011 BF 19 upsample 2x 13 x 13 x 128 -> 26 x 26 x 128 20 route 19 8 -> 26 x 26 x 384 21 conv 256 3 x 3/ 1 26 x 26 x 384 -> 26 x 26 x 256 1.196 BF 22 conv 30 1 x 1/ 1 26 x 26 x 256 -> 26 x 26 x 30 0.010 BF 23 yolo [yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00 Total BFLOPS 5.454 avg_outputs = 325691 Allocate additional workspace_size = 52.43 MB Loading weights from /content/gdrive/My Drive/yolov3/yolov3_training_final.weights... seen 64, trained: 32013 K-images (500 Kilo-batches_64) Done! Loaded 24 layers from weights-file Detection layer: 16 - type = 28 Detection layer: 23 - type = 28 **./test.jpg: Predicted in 5.046000 milli-seconds.** Unable to init server: Could not connect: Connection refused Q3) 承上, 我後來使用教材提供的yolov3_training_last.weights, 並在Raspberry Pi 4B上再跑一次, 可以辨識出 "Tug: 81%", 請問這是為什麼呢？ pi@raspberrypi:~/darknet $ ./darknet detector test ./data/obj.data ./cfg/yolov3_training.cfg ./cfg/yolov3_training_last.weights ~/Downloads/inference_config_file_tinyYolo/test.jpg GPU isn't used OpenCV isn't used - data augmentation will be slow mini_batch = 1, batch = 16, time_steps = 1, train = 0 layer filters size/strd(dil) input output 0 conv 16 3 x 3/ 1 416 x 416 x 3 -> 416 x 416 x 16 0.150 BF 1 max 2x 2/ 2 416 x 416 x 16 -> 208 x 208 x 16 0.003 BF 2 conv 32 3 x 3/ 1 208 x 208 x 16 -> 208 x 208 x 32 0.399 BF 3 max 2x 2/ 2 208 x 208 x 32 -> 104 x 104 x 32 0.001 BF 4 conv 64 3 x 3/ 1 104 x 104 x 32 -> 104 x 104 x 64 0.399 BF 5 max 2x 2/ 2 104 x 104 x 64 -> 52 x 52 x 64 0.001 BF 6 conv 128 3 x 3/ 1 52 x 52 x 64 -> 52 x 52 x 128 0.399 BF 7 max 2x 2/ 2 52 x 52 x 128 -> 26 x 26 x 128 0.000 BF 8 conv 256 3 x 3/ 1 26 x 26 x 128 -> 26 x 26 x 256 0.399 BF 9 max 2x 2/ 2 26 x 26 x 256 -> 13 x 13 x 256 0.000 BF 10 conv 512 3 x 3/ 1 13 x 13 x 256 -> 13 x 13 x 512 0.399 BF 11 max 2x 2/ 1 13 x 13 x 512 -> 13 x 13 x 512 0.000 BF 12 conv 1024 3 x 3/ 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BF 13 conv 256 1 x 1/ 1 13 x 13 x1024 -> 13 x 13 x 256 0.089 BF 14 conv 512 3 x 3/ 1 13 x 13 x 256 -> 13 x 13 x 512 0.399 BF 15 conv 30 1 x 1/ 1 13 x 13 x 512 -> 13 x 13 x 30 0.005 BF 16 yolo [yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00 17 route 13 -> 13 x 13 x 256 18 conv 128 1 x 1/ 1 13 x 13 x 256 -> 13 x 13 x 128 0.011 BF 19 upsample 2x 13 x 13 x 128 -> 26 x 26 x 128 20 route 19 8 -> 26 x 26 x 384 21 conv 256 3 x 3/ 1 26 x 26 x 384 -> 26 x 26 x 256 1.196 BF 22 conv 30 1 x 1/ 1 26 x 26 x 256 -> 26 x 26 x 30 0.010 BF 23 yolo [yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00 Total BFLOPS 5.454 avg_outputs = 325691 Loading weights from ./cfg/yolov3_training_last.weights... seen 64, trained: 96 K-images (1 Kilo-batches_64) Done! Loaded 24 layers from weights-file Detection layer: 16 - type = 28 Detection layer: 23 - type = 28 /home/pi/Downloads/inference_config_file_tinyYolo/test.jpg: Predicted in 6459.127000 milli-seconds. **Tug: 81%**

回答列表

  • 2021/02/10 下午 09:19
    Jeffrey
    贊同數：0
    不贊同數：0
    留言數：0

    Hello, 你好, 請教一下, 所有的路徑跟.cfg 設定檔都是一致的嗎? Colab 跟Raspberry Pi 4B上. Thanks

  • 2021/02/17 下午 04:48
    張維元 (WeiYuan)
    贊同數：0
    不贊同數：0
    留言數：0

    嗨，你好
    這個可能要元出題專家補充，他才知道正確的結果。

    嗨，你好，我是維元，持續在不同的平台發表對 #資料科學、 #網頁開發 或 #軟體職涯 相關的文章。如果對於內文有疑問都歡迎與我們進一步的交流，都可以追蹤我的 Facebook 或 技術部落格 ，也會不定時的舉辦分享活動，一起來玩玩吧 ヽ(●´∀`●)ﾉ 以下分享一些我近期發表跟資料科學有關的文章，歡迎大家持續追蹤： ■ 資料分析工具那麼多，該怎麼選？ 🛠️
    ■ 真．資料團隊與分工
    ■ 觀察資料的 N 件事 🔖
    ■ 資料前處理必須要做的事 - 資料清理與型態調整

  • 2021/02/24 上午 11:51
    王柏鈞
    贊同數：
    不贊同數：
    留言數：

    嗨 我是出題專家柏鈞。 我剛剛看了一下，程式碼中應該沒有進行訓練，**那個final.weights是不能當成last.weights來使用的，他沒有權重。** 這邊的資訊看不出來具體原因，但我用我手邊的資料和程式碼進行訓練是可以的 所以我重新上傳了程式碼和標註檔，你可以在cupoy平台上使用他們。 可能原因: 1. 沒有抓到資料或對應標註黨 2. 參數設定有誤(如果你是用課程程式碼應該沒問題 3. 資料夾定址錯誤(最有可能，可能不小心刪到某個文字，如果用更新的程式碼應該可以確保定址是正確的