YOLO模型训练=》OPENVINO部署

简单整理了冲模型训练到openvino部署的相关内容。

YOLO模型的训练

1.下载darknet，进行编译。安装cuda、opencv、cudnn。

git地址：https://gitcode.net/mirrors/alexeyab/darknet

2.lable标注工具下载：

git地址：https://github.com/tzutalin/labelImg

3.训练数据准备

git地址：https://gitee.com/qiaokuankuan/object_detection.git

4.预训练模型参数下载，yolov3

git地址：https://pjreddie.com/media/files/darknet53.conv.74

5.训练模型

• 标注训练数据的lable

• 确认训练数据的类别：classes.txt

• 获取训练数据的文件列表：trainlist.txt

• 修改配置文件：voc.data

• 修改配置模型cfg文件：yolov3-voc.cfg

• 模型训练：

  ./darknet detector train /home/bhc/darknet-master/qkk/16/train/voc.data /home/bhc/darknet-master/qkk/16/train/yolov3-voc.cfg darknet53.conv.74

6.模型转换，yolo->pb

git地址：https://gitcode.net/mirrors/mystic123/tensorflow-yolo-v3

python3 ./convert_weights_pb.py --class_names /home/bhc/darknet-master/qkk/16/train/classes.txt --data_format NHWC --weights_file /home/bhc/darknet-master/backup1/16/16.weights 

7.模型转换，PB->IR

python3 /opt/intel/openvino_2021/deployment_tools/model_optimizer/mo_tf.py \
--input_model frozen_darknet_yolov3_model.pb \
--transformations_config yolo_v3.json \
--batch 1 \
--reverse_input_channels

8.openvino模型部署

git地址：https://gitcode.net/mirrors/PINTO0309/OpenVINO-YoloV3

9.gstreamer部署

#!/bin/bash

set -eu

videofile="video/D16_operator/D16_20211025135235.mp4"
process_width=1920
process_height=1080
shrink_rate=1  # 1920/1920
frame_rate=29
yolo_threshold=0.9

paramjson=$(cat << EOS
{
    \"shrink_rate\": ${shrink_rate},
    \"frame_rate\": ${frame_rate}
}
EOS
)

gst-launch-1.0 filesrc location=${videofile} \
    ! decodebin \
    ! videoconvert \
    ! videoscale \
    ! capsfilter caps="video/x-raw,width=${process_width},height=${process_height},frame_rate=${frame_rate/1},format=BGRx" \
    ! queue \
    ! gvadetect model=/home/bhc/darknet-master/backup1/16/16.xml model-proc=model/D16_operator/procd16_yolo-v3.json threshold=${yolo_threshold} inference-interval=10 \
    ! queue \
    ! gvatrack tracking-type=short-term \
    ! queue \
    ! gvawatermark \
    ! videoconvert \
    ! xvimagesink sync=false