Jetson NanoでIntel RealSenseを試してみる(2)

以前から開発を進めているピープルカウンタ[1]で, 人物の検出にYOLOv3[2]を試してみたいと思い, Jetson Nanoを購入した.
前回は, Jetson NanoでD415を動作させるとこまで紹介したが, 今回はYOLOv3のセットアップについて紹介する.

関連記事：
・Jetson NanoでIntel RealSenseを試してみる(1)
・Jetson NanoでIntel RealSenseを試してみる(2)
・Jetson NanoでIntel RealSenseを試してみる(3)
・Jetson NanoでIntel RealSenseを試してみる(4)

Jetson NanoでYOLOv3を動かすには, darknetのソースコードからビルドする必要がある.
ネットで少し調べてみると,
① オリジナルのリポジトリ[3]
github.com
と,
② オリジナルをフォークしたリポジトリ[4][5]
github.com
をベースとするものがある.
検索上位を見た感じ, ②の方が多いようだ.

今回はせっかくなので, 両方を試してみた.

1. オリジナルのリポジトリ
1.1 ソース取得

$ git clone https://github.com/pjreddie/darknet
$ cd darknet

1.2 Makefile修正
Makefile内の以下を修正する.

< GPU=0
< CUDNN=0
< OPENCV=0
---
> GPU=1
> CUDNN=1
> OPENCV=1

1.3 環境変数設定
そのままビルドするとnvccでエラーするので, 環境変数を設定する.
.bashrcに以下を追加し, 環境変数を設定し直す.

export PATH=$PATH:/usr/local/cuda/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64

1.4 ビルド

$ make

1.5 動作確認
1.5.1 weightsファイル取得

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

1.5.2 configファイル確認
cfg/yolov3-tiny.cfgがTestingの設定になっているか確認する.

[net]
# Testing
batch=1
subdivisions=1
# Training
# batch=64
# subdivisions=2
  :

1.5.3 物体検出
デモ画像を使って, 物体検出を実行する.

$ ./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
layer     filters    size              input                output
    0 conv     16  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  16  0.150 BFLOPs
    1 max          2 x 2 / 2   416 x 416 x  16   ->   208 x 208 x  16

       :

   22 conv    255  1 x 1 / 1    26 x  26 x 256   ->    26 x  26 x 255  0.088 BFLOPs
   23 yolo
Loading weights from yolov3-tiny.weights...Done!
data/dog.jpg: Predicted in 0.199559 seconds.
dog: 56%
car: 52%
truck: 56%
car: 62%
bicycle: 58%
Gtk-Message: 09:56:52.331: Failed to load module "canberra-gtk-module"

[実行結果]
f:id:moonlight-aska:20190825103338p:plain:w500

2. オリジナルをフォークしたリポジトリ
2.1 ソース取得

$ git clone https://github.com/AlexeyAB/darknet
$ cd darknet

2.2 Makefile修正
Makefile内の以下を修正する.

< GPU=0
< CUDNN=0
---
> GPU=1
> CUDNN=1

< OPENCV=0
---
> OPENCV=1

< LIBSO=0
---
> LIBSO=1

< # ARCH= -gencode arch=compute_53,code=[sm_53, compute_53]
---
> ARCH= -gencode arch=compute_53,code=[sm_53, compute_53]

2.3 ビルド

$ make

2.4 動作確認
2.4.1 weightsファイル取得
1.5.1と同じ

2.4.2 configファイル確認
1.5.2と同じ

2.4.3 物体検出
デモ画像を使って, 物体検出を実行する.

$ ./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
   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               2 x 2/ 2    416 x 416 x  16 ->  208 x 208 x  16 0.003 BF

     :

  22 conv    255       1 x 1/ 1     26 x  26 x 256 ->   26 x  26 x 255 0.088 BF
  23 yolo
[yolo] params: iou loss: mse, iou_norm: 0.75, cls_norm: 1.00, scale_x_y: 1.00
Total BFLOPS 5.571 
 Allocate additional workspace_size = 52.43 MB 
Loading weights from yolov3-tiny.weights...
 seen 64 
Done!
data/dog.jpg: Predicted in 129.517000 milli-seconds.
dog: 81%
bicycle: 38%
car: 71%
truck: 41%
truck: 62%
car: 39%
Gtk-Message: 10:01:05.100: Failed to load module "canberra-gtk-module"

[実行結果]
f:id:moonlight-aska:20190825103726p:plain:w350