FC2カウンター FPGAの部屋 YOLOv2 をやってみた
FC2ブログ

FPGAやCPLDの話題やFPGA用のツールの話題などです。 マニアックです。 日記も書きます。

FPGAの部屋

FPGAの部屋の有用と思われるコンテンツのまとめサイトを作りました。Xilinx ISEの初心者の方には、FPGAリテラシーおよびチュートリアルのページをお勧めいたします。

YOLOv2 をやってみた

YOLOv3 をやってみた”に続いて、YOLOv2 をやってみたので、YOLOv3 との比較をしてみよう。

YOLOv3 のフレームワークを使って、YOLOv2 の .cfg と .weights ファイルだけを”YOLOv2のリアルタイム物体検出をTensorFlowとPythonで実装する方法”からもらってきた。
yolo.cfg と yolo.weights だ。
YOLOv3_28_180331.png

YOLOv3_29_180331.png

さて、この YOLOv2 の yolo.cfg と yolo.weights を使用して物体認識してみよう。
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg
YOLOv3_17_180330.png
YOLOv3_18_180330.png

dog: 82%
truck: 64%
bicycle: 85%


だった、YOLOv3 の時は、

dog: 99%
truck: 92%
bicycle: 99%

だったので、精度は下がっているようだ。
ログを示す。

layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   608 x 608 x   3   ->   608 x 608 x  32  0.639 BFLOPs
    1 max          2 x 2 / 2   608 x 608 x  32   ->   304 x 304 x  32
    2 conv     64  3 x 3 / 1   304 x 304 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    3 max          2 x 2 / 2   304 x 304 x  64   ->   152 x 152 x  64
    4 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    5 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
    6 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    7 max          2 x 2 / 2   152 x 152 x 128   ->    76 x  76 x 128
    8 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    9 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   10 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   11 max          2 x 2 / 2    76 x  76 x 256   ->    38 x  38 x 256
   12 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   13 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   14 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   15 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   16 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   17 max          2 x 2 / 2    38 x  38 x 512   ->    19 x  19 x 512
   18 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   19 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   20 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   21 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   22 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   23 conv   1024  3 x 3 / 1    19 x  19 x1024   ->    19 x  19 x1024  6.814 BFLOPs
   24 conv   1024  3 x 3 / 1    19 x  19 x1024   ->    19 x  19 x1024  6.814 BFLOPs
   25 route  16
   26 conv     64  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x  64  0.095 BFLOPs
   27 reorg              / 2    38 x  38 x  64   ->    19 x  19 x 256
   28 route  27 24
   29 conv   1024  3 x 3 / 1    19 x  19 x1280   ->    19 x  19 x1024  8.517 BFLOPs
   30 conv    425  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 425  0.314 BFLOPs
   31 detection
mask_scale: Using default '1.000000'
Loading weights from yolo.weights...Done!
data/dog.jpg: Predicted in 23.070361 seconds.
dog: 82%
truck: 64%
bicycle: 85%


31層のようだ。

検出結果の predictions.png を示す。
YOLOv3_19_180330.jpg

次に馬の写真でやってみた。
./darknet detect cfg/yolo.cfg yolo.weights data/horses.jpg
YOLOv3_20_180330.png

馬の検出は 3 頭だった。YOLOv3 では 4 頭だったので、やはり検出精度が下がっているのか?
YOLOv3_21_180330.jpg

お次は、イーグルの写真だ。
./darknet detect cfg/yolo.cfg yolo.weights data/eagle.jpg
YOLOv3_22_180330.png

YOLOv3_23_180330.jpg

カイトの写真。
./darknet detect cfg/yolo.cfg yolo.weights data/kite.jpg
YOLOv3_24_180330.png

カイトは 2 個認識されていた。YOLOv3 では 7 個認識されていたので、精度は下がっている。
人は、 2 人で、YOLOv3 では、 8 人認識されていた。YOLOv3 凄い。
YOLOv3_25_180330.jpg 

犬と人と馬の写真。
./darknet detect cfg/yolo.cfg yolo.weights data/kite.jpg
YOLOv3_26_180330.png

YOLOv3_27_180330.jpg

  1. 2018年03月31日 05:11 |
  2. DNN
  3. | トラックバック:0
  4. | コメント:0

コメント

コメントの投稿


管理者にだけ表示を許可する

トラックバック URL
https://marsee101.blog.fc2.com/tb.php/4122-c92d58a9
この記事にトラックバックする(FC2ブログユーザー)