YOLO V3学习（3）——基于darknet ros的目标检测 基于gpu版本

于 2024-02-29 16:55:29 发布
阅读量811 收藏 12
点赞数 12
文章标签： YOLO 学习 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lzy6041/article/details/136370075
版权

本机已经安装GPU显卡，并下载了Cuda、Cudnn。GPU配置为1660Ti

1.darknet编译
下载darknet：
git clone https://github.com/AlexeyAB/darknet.git
修改相应的makefile文件
主要的修改部分：

GPU=1
CUDNN=1
CUDNN_HALF=0
OPENCV=1
AVX=0
OPENMP=0
LIBSO=0
ZED_CAMERA=0
ZED_CAMERA_v2_8=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, Ampere, Ada and higher
# set AVX=1 and OPENMP=1 to speedup on CPU (if error occurs then set AVX=0)
# set ZED_CAMERA=1 to enable ZED SDK 3.0 and above
# set ZED_CAMERA_v2_8=1 to enable ZED SDK 2.X

USE_CPP=0
DEBUG=0

#ARCH= -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]

OS := $(shell uname)

# Naming confusion with recent RTX cards.
# "NVIDIA Quadro RTX x000" and T1000/Tx00 are Turing Architecture Family with Compute Capability of 7.5
# "NVIDIA RTX Ax000" are Ampere Architecture Family with Compute Capability of 8.6
# NVIDIA "RTX x000 Ada" are Ada Lovelace Architecture Family with Compute Capability of 8.9
# Source https://developer.nvidia.com/cuda-gpus

# KEPLER, GeForce GTX 770, GTX 760, GT 740
# ARCH= -gencode arch=compute_30,code=sm_30

# MAXWELL, GeForce GTX 950, 960, 970, 980, 980 Ti, "GTX" Titan X
# ARCH= -gencode arch=compute_52,code=sm_52

# Jetson TX1, Tegra X1, DRIVE CX, DRIVE PX, Jetson Nano (2GB, 4GB)
# ARCH= -gencode arch=compute_53,code=[sm_53,compute_53]

# GP100/Tesla P100 - DGX-1
# ARCH= -gencode arch=compute_60,code=sm_60

# PASCAL, GTX 10x0, GTX 10x0 Ti, Titan Xp, Tesla P40, Tesla P4
ARCH= -gencode arch=compute_61,code=[sm_61,compute_61]

# For Jetson TX2, Jetson Nano TX2 or Drive-PX2 uncomment:
# ARCH= -gencode arch=compute_62,code=[sm_62,compute_62]

# Tesla V100
# ARCH= -gencode arch=compute_70,code=[sm_70,compute_70]

# Jetson XAVIER, XAVIER NX
# ARCH= -gencode arch=compute_72,code=[sm_72,compute_72]

# GeForce Titan RTX, RTX 20x0, RTX 20x0 Ti, Quadro RTX x000, Tesla T4, XNOR Tensor Cores
# ARCH= -gencode arch=compute_75,code=[sm_75,compute_75]

# Tesla A100 (GA100), DGX-A100, A30, A100, RTX 3080
# ARCH= -gencode arch=compute_80,code=[sm_80,compute_80]

# GeForce RTX 30x0, 30x0 Ti, Tesla GA10x, RTX Axxxx, A2, A10, A16, A40
# ARCH= -gencode arch=compute_86,code=[sm_86,compute_86]

# NOT TESTED, THEORETICAL
# Jetson ORIN, ORIN NX, ORIN NANO
# ARCH= -gencode arch=compute_87,code=[sm_87,compute_87]

# NOT TESTED, THEORETICAL
# GeForce RTX 4070 Ti, 4080, 4090, L4, L40
# ARCH= -gencode arch=compute_89,code=[sm_89,compute_89]

# NOT TESTED, THEORETICAL
# Nvidia H100
# ARCH= -gencode arch=compute_90,code=[sm_90,compute_90]

VPATH=./src/
EXEC=darknet
OBJDIR=./obj/

cd darknet
make
测试：

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

请添加图片描述

请添加图片描述

2.darknet_ros 编译
下载darknet_ros包和darknet包
darknet_ros:包
cd src
git clone https://github.com/leggedrobotics/darknet_ros
darknet包，这里darknet_ros包里有三个文件夹，直接替换其中的darknet或者删除这个文件夹：
git clone https://github.com/AlexeyAB/darknet
问题一：darknet_ros 会开始下载yolov2-tiny.weights、yolov3.weights和yolov2.weights，但国内下载太慢，可以直接去CMakelists.txt里注释掉。
解决如下：

# Download yolov2-tiny.weights
set(PATH "${CMAKE_CURRENT_SOURCE_DIR}/yolo_network_config/weights")
set(FILE "${PATH}/yolov2-tiny.weights")
message(STATUS "Checking and downloading yolov2-tiny.weights if needed ...")
if (NOT EXISTS "${FILE}")
  message(STATUS "... file does not exist. Downloading now ...")
#  execute_process(COMMAND wget -q https://github.com/leggedrobotics/darknet_ros/releases/download/1.1.4/yolov2-tiny.weights -P ${PATH})
endif()

# Download yolov3.weights
set(FILE "${PATH}/yolov3.weights")
message(STATUS "Checking and downloading yolov3.weights if needed ...")
if (NOT EXISTS "${FILE}")
  message(STATUS "... file does not exist. Downloading now ...")
#  execute_process(COMMAND wget -q https://github.com/leggedrobotics/darknet_ros/releases/download/1.1.4/yolov3.weights -P ${PATH})
endif()

#############
## Testing ##
#############

if(CATKIN_ENABLE_TESTING)
  # Download yolov2.weights
  set(PATH "${CMAKE_CURRENT_SOURCE_DIR}/yolo_network_config/weights")
  set(FILE "${PATH}/yolov2.weights")
  message(STATUS "Checking and downloading yolov2.weights if needed ...")
  if (NOT EXISTS "${FILE}")
    message(STATUS "... file does not exist. Downloading now ...")
#    execute_process(COMMAND wget -q https://github.com/leggedrobotics/darknet_ros/releases/download/1.1.4/yolov2.weights -P ${PATH})
  endif()

  find_package(rostest REQUIRED)

问题二：需要更改相应的gencode,具体可以参考darknet中各种显卡对应。我这里是1660Ti.

#ARCH= -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]

OS := $(shell uname)

# Naming confusion with recent RTX cards.
# "NVIDIA Quadro RTX x000" and T1000/Tx00 are Turing Architecture Family with Compute Capability of 7.5
# "NVIDIA RTX Ax000" are Ampere Architecture Family with Compute Capability of 8.6
# NVIDIA "RTX x000 Ada" are Ada Lovelace Architecture Family with Compute Capability of 8.9
# Source https://developer.nvidia.com/cuda-gpus

# KEPLER, GeForce GTX 770, GTX 760, GT 740
# ARCH= -gencode arch=compute_30,code=sm_30

# MAXWELL, GeForce GTX 950, 960, 970, 980, 980 Ti, "GTX" Titan X
# ARCH= -gencode arch=compute_52,code=sm_52

# Jetson TX1, Tegra X1, DRIVE CX, DRIVE PX, Jetson Nano (2GB, 4GB)
# ARCH= -gencode arch=compute_53,code=[sm_53,compute_53]

# GP100/Tesla P100 - DGX-1
# ARCH= -gencode arch=compute_60,code=sm_60

# PASCAL, GTX 10x0, GTX 10x0 Ti, Titan Xp, Tesla P40, Tesla P4
ARCH= -gencode arch=compute_61,code=[sm_61,compute_61]

# For Jetson TX2, Jetson Nano TX2 or Drive-PX2 uncomment:
# ARCH= -gencode arch=compute_62,code=[sm_62,compute_62]

# Tesla V100
# ARCH= -gencode arch=compute_70,code=[sm_70,compute_70]

# Jetson XAVIER, XAVIER NX
# ARCH= -gencode arch=compute_72,code=[sm_72,compute_72]

# GeForce Titan RTX, RTX 20x0, RTX 20x0 Ti, Quadro RTX x000, Tesla T4, XNOR Tensor Cores
# ARCH= -gencode arch=compute_75,code=[sm_75,compute_75]

# Tesla A100 (GA100), DGX-A100, A30, A100, RTX 3080
# ARCH= -gencode arch=compute_80,code=[sm_80,compute_80]

# GeForce RTX 30x0, 30x0 Ti, Tesla GA10x, RTX Axxxx, A2, A10, A16, A40
# ARCH= -gencode arch=compute_86,code=[sm_86,compute_86]

# NOT TESTED, THEORETICAL
# Jetson ORIN, ORIN NX, ORIN NANO
# ARCH= -gencode arch=compute_87,code=[sm_87,compute_87]

# NOT TESTED, THEORETICAL
# GeForce RTX 4070 Ti, 4080, 4090, L4, L40
# ARCH= -gencode arch=compute_89,code=[sm_89,compute_89]

# NOT TESTED, THEORETICAL
# Nvidia H100
# ARCH= -gencode arch=compute_90,code=[sm_90,compute_90]


# Find CUDA
find_package(CUDA QUIET)
if (CUDA_FOUND)
  find_package(CUDA REQUIRED)
  message(STATUS "CUDA Version: ${CUDA_VERSION_STRINGS}")
  message(STATUS "CUDA Libararies: ${CUDA_LIBRARIES}")
  set(
    CUDA_NVCC_FLAGS
    ${CUDA_NVCC_FLAGS};
    -O3
    -gencode arch=compute_61,code=[sm_61,compute_61]
  )
  add_definitions(-DGPU)
else()
  list(APPEND LIBRARIES "m")
endif()

这里使用kitti数据集：

<?xml version="1.0" encoding="utf-8"?>

<launch>
  <!-- Console launch prefix -->
  <arg name="launch_prefix" default=""/>
  <arg name="image" default="/kitti/camera_color_left/image_raw" />

  <!-- Config and weights folder. -->
  <arg name="yolo_weights_path"          default="$(find darknet_ros)/yolo_network_config/weights"/>
  <arg name="yolo_config_path"           default="$(find darknet_ros)/yolo_network_config/cfg"/>

  <!-- ROS and network parameter files -->
  <arg name="ros_param_file"             default="$(find darknet_ros)/config/ros.yaml"/>
  <arg name="network_param_file"         default="$(find darknet_ros)/config/yolov3.yaml"/>

  <!-- Load parameters -->
  <rosparam command="load" ns="darknet_ros" file="$(arg ros_param_file)"/>
  <rosparam command="load" ns="darknet_ros" file="$(arg network_param_file)"/>

  <!-- Start darknet and ros wrapper -->
  <node pkg="darknet_ros" type="darknet_ros" name="darknet_ros" output="screen" launch-prefix="$(arg launch_prefix)">
    <param name="weights_path"          value="$(arg yolo_weights_path)" />
    <param name="config_path"           value="$(arg yolo_config_path)" />
    <remap from="camera/rgb/image_raw"  to="$(arg image)" />
  </node>

 <!--<node name="republish" type="republish" pkg="image_transport" output="screen" 	args="compressed in:=/front_camera/image_raw raw out:=/camera/image_raw" /> -->
</launch>

请添加图片描述
请添加图片描述
另外需要说明一点的是从如下链接下载文件放入/darknet_ros/darknet_ros/yolo_network_config/weights文件中

https://pjreddie.com/media/files/yolov2.weights
https://pjreddie.com/media/files/yolov2-tiny.weights
https://pjreddie.com/media/files/yolov3.weights
https://pjreddie.com/media/files/yolov3-tiny.weights

下一节会学习数据集的标注。

什么都会一点儿的自动驾驶工程狮
关注
  • 12
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
探索AI边缘计算：Darknet_ros - 简单、高效且实时的计算机视觉框架
gitblog_00087的博客
03-24 344
探索AI边缘计算：Darknet_ros - 简单、高效且实时的计算机视觉框架 darknet_rosYOLO ROS: Real-Time Object Detection for ROS项目地址:https://gitcode.com/gh_mirrors/da/darknet_ros 在这个数字化时代，计算机视觉已经成为人工智能领域的一个重要分支。而开源项目 Darknet_ros 正是将...
YOLO v3基于ROS应用记录
I-am-Unique
01-05 7190
“有时候，就要敢于背上超出自己预料的包袱，真的努力后，你会发现自己要比想象的优秀很多。”   하루하루가 지나간다 ２０１９．０１ 愿在别人眼里算不上梦想的梦想　成真～   言归正传，记录下之前在ROS下跑yolov3的历程吧： 感觉现在视觉感知领域用yolo的比faster-RCNN多很多了，毕竟在无人驾驶圈子，感知从不能仅靠一个视觉传感器来实现了，所以在实用方面，单一的视觉算法精...
ubuntu20.04环境下将yolov3部署到ros中，并实现cuda加速
Chinglung_的博客
04-28 833
1,先查看是否安装有cuda,我这里是cuda10.1，若没有，直接sudo apt-get下载就行。在darknet_ros.launch修改话题名，与摄像头节点发布的一致。6，报错gcc版本应该小于8，解决方法如下：先安装旧版本的，再修改试用版本。8，至此功能包的编译已经基本完成了，接下来调用电脑摄像头测试一下。3，进入src目录下，下载darknet_ros包，链接如下。2，官网下载对应版本的cudnn，需要注册。配置opencv，yolo，cuda等。9，最后一步，开始检测！
ros实现darknet检测
12-11
ros实现darknet检测，git下clone的源码，由于git下载速度过慢，时常出错，希望对下载不下来的同学有帮助
Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（二）——训练自己的权重文件
weixin_46187561的博客
08-24 4780
文章目录 前言 一、安装darknet包和编译 工程包下载 编译 下载预训练模型并简单测试 二、制作自己的训练集并训练 准备数据集 数据标注 生成训练集和测试集 修改必要的文件 开始训练 总结 前言 经过之前的准备，基本已经具备了darknet运行的环境条件了，接下来是安装和编译darknet包和简单测试，准备自己的数据集训练自己的权重文件。 一、安装darknet包和编译 （一）代码下载： 可以直接参考github主页：https://gith
yolov3的训练（七）使用darknet_ros框架进行识别与模型导入
Xiong2840的博客
11-19 1181
yolov3的训练（七）使用darknet_ros框架进行识别与模型导入
【ROS学习笔记】darknet_ros包
qq_68489743的博客
07-24 926
根据命令行参数来调用不同的分类器函数，实现不同的功能// 如果命令行参数小于4个，则输出提示信息，返回return;// 调用find_char_arg函数查找命令行参数中的-gpus选项，返回一个字符串指针gpu_list// 定义一个整型变量ngpus和一个整型指针gpus，调用read_intlist函数将gpu_list转换为整型数组，并将ngpus赋值为数组长度，gpus赋值为数组的首地址int ngpus;
nVidia TX2上基于ros进行yolo多版本的物体识别
zhuyonggan的博客
10-12 1228
在TX2板载进行darknet源码编译还是较为方便，但是要结合ros 分布式系统进行操作，就需要在ros本身的框架内先进性catkin make 然后发布相关识别信息，供内部判断和使用。 1 、编译准备 首先切换到工作空间src中 cd catkin_workspace/src 具体名称根据自己的命名修改。 这里给出两份git链接先： git clone https://github.com/l...
Ubuntu下配置、训练YOLO的全过程——无人机检测小系统
weixin_44971445的博客
07-08 1728
搞毕设做的在TX2上识别检测旋翼无人机，现在把环境配置和制作训练集的整个过程分享如下，也借鉴了网上很多教程网站一并附在本文最后。 本文主要阐述Ubuntu下配置、训练YOLO的全过程。 1 安装ubuntu16.4 1.1 安装ubuntu16.4 Ubuntu 16.04 安装基础入门教程 https://jingyan.baidu.com/article/3c48dd348bc005e10be...
YOLO(1)--------------NO GPU模式下配置、使用yolo v3
阳光非宅男的博客
05-30 3277
环境 win7 + vs2015 + opencv3.2 + yolov3 + cpu vs2015是官方指定的平台，建议使用，vs2010没有测试过。opencv3.2也是指定平台，据说3.0以上版本均可。 配置过程 一、下载YOLO V3代码： Github链接：https://github.com/AlexeyAB/darknet 解压文件夹，在如下路径用...
darknet_ros.zip
07-05
ROS下实现yolo检测物体的包。主要通过修改ros.yaml中订阅的话题来进行检测，可以实现ros智能车上摄像头的物体检测。文件有点大
darknet_ros部署及测试
weixin_49305813的博客
03-19 6185
一、darknet_ros部署 1、创建ROS工作空间 mkdir -p ~/catkin_ws/src cd ~/catkin_ws/src #　初始化文件 catkin_init_workspace # 编译工作空间 cd ~/catkin_ws/ catkin_make # 设置环境变量，避免每次开终端都要source echo "source ~/catkin_ws/devel/setup.bash" >> ~/.bashrc source ~/.bashrc 2、将
ROS下实现darknet_ros(YOLO V3)检测
热门推荐
qq_42145185的博客
04-24 4万+
一. 代码下载 代码Github主页：darknet_ros_github 下载命令： mkdir -p catkin_workspace/src cd catkin_workspace/src git clone --recursive git@github.com:leggedrobotics/darknet_ros.git cd ../ 下载时间可能比较长，请耐心等待… 二. 编译 ...
darknet_ros配置及训练自己数据集 学习笔记
最新发布
2301_76165902的博客
09-02 1169
先安装依赖进入工作空间安装成功提供包链接:提取码: HHHH。
机器视觉：目标检测之yolov3学习笔记（一）
weixin_45776027的博客
01-19 1360
yolov3学习笔记 文章目录yolov3学习笔记1. Darknet-53网络2. YOLOV3结构3. 前向过程4. 反向过程（训练策略）5. 损失函数6. 网络模型结构 1. Darknet-53网络 Yolov3采用的darknet-53网络模型，此结构主要由75个卷积层构成，卷积层对于分析物体特征最为有效。由于没有使用全连接层，该网络可以通过strides实现对应任意大小的输入图像。结构如下：假设输入图像shape(416,416,3) backbone部分由Yolov2时期的Darknet-
Darknet+ros(ubuntu16.04)
weixin_43760045的博客
03-14 4485
一、下载Darknet_ros mkidr -p catkin_ws/src cd catkin_ws/src git clone --recursive https://github.com/leggedrobotics/darknet_ros.git cd .. catkin_make -DCMAKE_BUILD_TYPE=Release github进不去，使用镜像： git clone --recursive https://gitclone.com/github.com/legge.
无人机目标检测 Darknet-ROS 学习（一）
Hugh_LAJ的博客
05-21 1411
在无人机上实现目标检测，使用的设备是`阿木实验室P200`，飞控是`PX4`，板载计算机是`TX2`，目的是在无人机有限的计算资源上实现快速准确的目标检测，并且可以将目标检测结果传输给无人机，帮助无人机进行感知融合，智能避障以及路径规划等扩展任务。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值