手机

iphone11大小尺寸是多少？苹果iPhone11和iPhone13的区别是什么？

警方通报辅警执法直播中被撞飞：犯罪嫌疑人已投案

天天即时看！Ubuntu-深度学习环境搭建（yolov3）

2023-02-27 13:08:42 来源：博客园

layout:     posttitle:      深度学习环境搭建subtitle:   深度学习环境搭建date:       2021-04-25author:     Yinheader-img: img/post-bg-cook.jpgcatalog: truetags:    - 深度学习

一、PC机训练环境搭建

（一）、Ubuntu安装

1、准备工作

1）下载ubuntu镜像

到官网下载Ubuntu18.04LTS版本。{width="5.833333333333333in"height="3.948611111111111in"}

2）制作U盘启动盘

1）安装制作工具：UltraISO（点我下载），下载完成后安装2）插入用来做启动盘的U盘（最好是usb3.0接口，16GB或以上），并清空里面的文件3）打开安装好的UltraISO，点击继续试用按钮工作界面4）进入工作界面后，点击菜单栏文件(F)，在弹出的选项卡里点击打开

{width="5.833333333333333in"height="3.459722222222222in"}

【资料图】

5）在弹出的文件选择对话框中找到下载好的 Ubuntu18.04.1 LTS镜像文件，打开后如下图所示：

{width="5.833333333333333in"height="3.6194444444444445in"}

6）点击菜单栏上的启动，在弹出的选项卡里点击写入硬盘映像

{width="5.833333333333333in"height="3.50625in"}

7）在弹出的新窗口中，硬盘驱动器：选择刚刚插入的U盘写入方式：设置为USB-HDD+其余需要勾选的不管，采用默认的设置就行然后可以格式化一下最后点击最下面一栏的写入按钮

{width="4.852083333333334in"height="4.5368055555555555in"}

8）写入过程大概会持续4～5分钟，完成后界面如下图所示，接着点击返回按钮。

{width="4.852083333333334in"height="4.5368055555555555in"}

至此，启动盘制作完成。

3、系统安装

# 1）设置启动项

关闭要安装 Ubuntu18.04 的目标主机，然后插入启动盘，接着开机，迅速的按住F12直到进入 bios 设置界面（不同的电脑进入 bios 的按键不同，一般为F12 或者 Delete 键），通过方向键选择Boot Menu，然后回车

进入Boot Manager后，选择 EFI USB作为启动项，回车

{width="5.833333333333333in"height="3.134027777777778in"}

选择 Install Ubuntu，回车直接安装

2）正式安装

选者中文简体

{width="5.833333333333333in"height="3.4993055555555554in"}

键盘布局

{width="5.833333333333333in"height="4.129166666666666in"}

不要无线联网（否则安装会很慢）

{width="5.833333333333333in"height="4.227777777777778in"}

更新选项最小安装即可{width="5.833333333333333in"height="3.682638888888889in"}

选择安装类型，选择清楚整个磁盘并安装

{width="5.833333333333333in"height="3.734027777777778in"}

选择时区、上海

{width="5.833333333333333in"height="4.21875in"}

创建用户名和密码

{width="5.833333333333333in"height="4.249305555555556in"}

安装完成后弹出下面的对话框，拔掉U盘重启

{width="5.833333333333333in"height="2.422222222222222in"}

在这里插入图片描述

3）安装完系统后要做的事情

1、更换国内软件源，推荐阿里云

打开LivePatch，选择阿里云

{width="5.833333333333333in"height="3.9069444444444446in"}

2、ctrl+T打开终端执行

sudo apt update

sudo apt upgrade

root密码为安装系统设置的密码

（二）、深度学习环境搭建

1、NVIDIA驱动安装cuda，cudnn安装

1）安装NVIDIA独立显卡驱动

sudo ubuntu-drivers install

2）安装cuda

wgethttps://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.runsudo

sh cuda_11.3.0_465.19.01_linux.run

3）官网下载cudnn库文件

cd到下载目录

解压缩将

Include下的文件复制到/usr/local/cuda-11.0/include下

Lib64下的文件复制到/usr/local/cuda-11.0/下

配置环境变量：

将下面文字写入profile文件

export LD_LIBRARY_PATH=/usr/local/cuda-11.2/lib64

验证是否安装完毕：

终端输入：

nvcc -v

2、python安装

1）为了方便包的安装与管理、我们选择安装annconda最新版本，选择国内镜像源下载速度会比较快。以清华源为例,下载Anaconda3-2020.11-Linux-x86_64.sh这个版本。下载完成后进入下载目录

1、赋予可执行权限sudo chmod +x ./Anaconda3-2020.11-Linux-x86_64.sh 2、安装sh ./Anaconda3-2020.11-Linux-x86_64.sh

安装过程比较简单，一直选择默认就好。2）安装完成后将Anaconda写如环境变量PATH

sudo vim /etc/profile

{width="5.833333333333333in"height="0.7645833333333333in"}

写好后保存退出执行 sudo source /etc/profile

在终端执行conda`` -``V查看版本{width="5.833333333333333in"height="0.41458333333333336in"}

3、opencv编译安装

01.安装构建工具和所有的依赖软件包：

sudo apt install build-essential cmake git pkg-config libgtk-3-dev \    libavcodec-dev libavformat-dev libswscale-dev libv4l-dev \    libxvidcore-dev libx264-dev libjpeg-dev libpng-dev libtiff-dev \    gfortran openexr libatlas-base-dev python3-dev python3-numpy \    libtbb2 libtbb-dev libdc1394-22-dev libopenexr-dev \    libgstreamer-plugins-base1.0-dev libgstreamer1.0-dev

02.克隆所有的OpenCV 和 OpenCV contrib 源：

mkdir ~/opencv_build && cd ~/opencv_buildgit clone https://github.com/opencv/opencv.gitgit clone https://github.com/opencv/opencv_contrib.git

03.一旦下载完成，创建一个临时构建目录，并且切换到这个目录：

cd ~/opencv_build/opencvmkdir -p build && cd build

使用 CMake 命令配置 OpenCV 构建：

cmake -D CMAKE_BUILD_TYPE=RELEASE \    -D CMAKE_INSTALL_PREFIX=/usr/local \    -D INSTALL_C_EXAMPLES=ON \    -D INSTALL_PYTHON_EXAMPLES=ON \    -D OPENCV_GENERATE_PKGCONFIG=ON \    -D OPENCV_EXTRA_MODULES_PATH=~/opencv_build/opencv_contrib/modules \    -D BUILD_EXAMPLES=ON ..

输出将会如下：

-- Configuring done-- Generating done-- Build files have been written to: /home/vagrant/opencv_build/opencv/build

04.开始编译过程：

make -j8

根据处理器核心修改-f值。

编译将会花费几分钟，或者更多，这依赖于你的系统配置。

05.安装 OpenCV:

sudo make install

06.验证安装结果，输入下面的命令，那你将会看到 OpenCV 版本：

C++ bindings:

pkg-config --modversion opencv4

输出：

4.3.0

Python bindings:

python3 -c "import cv2; print(cv2.__version__)"

输出：

4.3.0-dev

到这里opencv安装完成 ### 4、Darknet编译使用

1、克隆仓库darknet到本地如果没有安装git、先安装git git安装命令：

sudo apt install git

克隆仓库

git clone git@github.com:AlexeyAB/darknet.git

2、根据需要自该Makefile 文件将这里GPU,CUDNN,OPENCV的值都改为1（1表示启用这个）{width="5.833333333333333in"height="1.988888888888889in"} 3、编译在darknet目录下执行编译命令

make -j8

编译时间根据根据硬件情况有所不同，编译完成在目录下会生成一个darknet的二进制文件。

测试

①图像检测

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

{width="6.040972222222222in"height="2.3534722222222224in"}

②视频检测

使用本地视频进行检测

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weightstest.mp4

调用摄像头实时检测

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights

（三）、Darknet框架、yolo v3介绍

Darknet框架：

1、框架介绍

Darknet深度学习框架是由JosephRedmon提出的一个用C和CUDA编写的开源神经网络框架。支持CPU和GPU(CUDA/cuDNN)计算。且支持opencv(可选，用于图像和视频的显示)和openmp(可选，用于支持for语句的并行处理，可以加快cpu的并行处理速度并大幅提高框架的检测效率)。

2、框架特点：

内含多个已经训练完成的神经网络模型、库，可进行简单的物体识别。它安装速度快，易于安装部署。

3、框架测试

1）视频实时识别

可以调用CSI摄像头，并对CSI拍摄的图像进行实时检测

处理速度：fps=2.0-2.5

{width="6.219444444444444in"height="3.4993055555555554in"}

{width="6.085416666666666in"height="3.423611111111111in"}

2）图片识别

能对于特定的图像内物体进行识别

识别对比：

图片1：3840*3072（大小：13.0m）格式：PNG

平均识别时间：2800ms

{width="4.353472222222222in"height="3.4833333333333334in"}

图片2；3840*1600（大小：7.1m）格式：PNG

平均识别时间：2700ms

{width="4.654166666666667in"height="1.9395833333333334in"}

图片3：1920*1440（大小：4.2m）格式：PNG

平均识别时间：2700ms

{width="4.669444444444444in"height="3.5027777777777778in"}

图片4：3840*3072（大小：1.3m）格式：JPG

平均识别时间：2880ms

{width="3.7465277777777777in"height="2.997916666666667in"}

图片5：1920*1080（大小：367.8k）格式：JPG

平均识别时间：2830ms

{width="4.551388888888889in"height="2.560416666666667in"}

图片6：640*424（大小：113.9k）格式：JPG

平均识别时间：2700ms

{width="4.548611111111111in"height="3.013888888888889in"}

YOLO算法：

YOLO(You Only Look Once)是JosephRedmon针对darknet框架提出的核心目标检测算法,作者在算法中把物体检测问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测boundingbox和类别概率。

YOLO是基于深度学习的端到端的实时目标检测系统。与大部分目标检测与识别方法（比如FastR-CNN）将目标识别任务分类目标区域预测和类别预测等多个流程不同，YOLO将目标区域预测和目标类别预测整合于单个神经网络模型中，实现在准确率较高的情况下快速目标检测与识别，更加适合现场应用环境。

经过版本的更新换代、目前yolo已经发展第五个版本，yolov5。在本项目中，我们选择使用yolov3。YOLOv3相比前两个版本，是速度和精度最均衡的目标检测网络。通过多种先进方法的融合，将YOLO系列的短板（速度很快，不擅长检测小物体等）全部补齐。达到了令人惊艳的效果和拔群的速度。它具有一下特性：

多标签分类预测

在YOLO9000之后，我们的系统使用维度聚类（dimension clusters ）作为anchorboxes来预测边界框，网络为每个边界框预测4个坐标，

在YOLOv3中使用逻辑回归预测每个边界框（bounding box）的对象分数。如果先前的边界框比之前的任何其他边界框重叠groundtruth对象，则该值应该为1。如果以前的边界框不是最好的，但是确实将groundtruth对象重叠了一定的阈值以上，我们会忽略这个预测，按照进行。我们使用阈值0.5。与YOLOv2不同，我们的系统只为每个groundtruth对象分配一个边界框。如果先前的边界框未分配给groundingbox对象，则不会对坐标或类别预测造成损失。

在YOLOv3中，每个框使用多标签分类来预测边界框可能包含的类。该算法不使用softmax，因为它对于高性能没有必要，因此YOLOv3使用独立的逻辑分类器。在训练过程中，我们使用二元交叉熵损失来进行类别预测。对于重叠的标签，多标签方法可以更好地模拟数据。

跨尺度预测

YOLOv3采用多个尺度融合的方式做预测。原来的YOLO v2有一个层叫：passthroughlayer，假设最后提取的featuremap的size是13*13，那么这个层的作用就是将前面一层的26*26的featuremap和本层的13*13的featuremap进行连接，有点像ResNet。这样的操作也是为了加强YOLO算法对小目标检测的精确度。这个思想在YOLOv3中得到了进一步加强，在YOLOv3中采用类似FPN的上采样（upsample）和融合做法（最后融合了3个scale，其他两个scale的大小分别是26*26和52*52），在多个scale的featuremap上做检测，对于小目标的检测效果提升还是比较明显的。虽然在YOLOv3中每个网格预测3个边界框，看起来比YOLO v2中每个gridcell预测5个边界框要少，但因为YOLOv3采用了多个尺度的特征融合，所以边界框的数量要比之前多很多。

网络结构改变

YOLOv3使用新的网络来实现特征提取。在Darknet-19中添加残差网络的混合方式，使用连续的3×3和1×1卷积层，但现在也有一些shortcut连接，YOLOv3将其扩充为53层并称之为Darknet-53。

二、Jetson Nano环境搭建上与测试

1、Jetson Nano软件环境配置

首先需要对于JetsonNano软件环境进行配置，使用TF卡，将Nano镜像文件烧录至开发板中，并需要对于系统进行配置，完成Nano的开机。

开机后还需要对于Ubuntu18.04系统进行初始化设置，配置镜像源、语言输入法等，可以实现使用电脑远程桌面控制JetsonNano主机。

{width="5.638194444444444in"height="3.1694444444444443in"}

图2-1-1 Jetson Nano系统配置

在完成系统配置后，还需要进行神经网络环境的搭建，安装TensorFlow-GPU、Keras、YOLOV3、Cuda等必要图像识别的工具、包，构建Java、Python等开发语言环境，实现在JetsonNano中运行检测模型。

{width="1.6618055555555555in"height="3.222916666666667in"}{width="2.4541666666666666in"height="3.2152777777777777in"}

图2-1-2 Jetson Nano软件配置

2、Jetson Nano外围硬件开发

安装无线模块，使得Jetson Nano能够接入Wifi网络，连接蓝牙设备。将网卡Intel8265AC模块嵌入开发板中，安装天线，开机后对于网卡模块进行配置后即可正常使用。

安装风扇模块，使得开发板在运行过程中能更好的扇热，提升识别性能。需要编写风扇开机驱动脚本，Nano开机自动开启风扇，还可实现风扇的调速功能。

按键安装，实现Nano按键开机、按键重置功能。需要根据开发板针脚原理图，对于开发板针脚进行连线，完成按键的安装。

{width="3.584722222222222in"height="2.692361111111111in"}

图2-2-1 Jetson Nano外围硬件组装

JetsonNano摄像头安装及调试。为Nano安装CSI摄像头，通过CSI接口将Nano与IMX219红外夜视摄像头相连。开机后在Nano上编写调用摄像头的脚本，测试摄像头。

{width="4.1618055555555555in"height="3.122916666666667in"}

图2-2-2 Jetson Nano整机

3、Jetson Nano硬件调试

①网卡模块的测试

可以完成WIFI连接及蓝牙鼠标、键盘的连接

{width="4.538194444444445in"height="0.33055555555555555in"}

图2-3-1 WIFI、蓝牙连接情况

②风扇模块测试

编写风扇驱动脚本，实现开机自动运行风扇，也可以使用Jtop通过终端控制台控制风扇转速。

{width="4.022916666666666in"height="2.5770833333333334in"}

图2-3-2 Jtop界面控制风扇

③摄像头测试

在CSI摄像头连接完成后，使用命令行指令调用摄像头，并对摄像头进行画质的调整。

4、Jetson Nano运行识别模型

使用Darknet框架，搭配YoloV3训练的模型、coco数据集进行测试，测试有以下两种检测模式：

①视频实时识别

可以调用CSI摄像头，并对CSI拍摄的图像进行实时检测

处理速度：fps=2.0-2.5

{width="5.654166666666667in"height="3.0458333333333334in"}

图2-4-1 CSI摄像头实时检测

{width="5.6618055555555555in"height="2.984722222222222in"}

图2-4-2 摄像头检测结果

②图片识别

能对于特定的图像内物体进行识别

图片1：3840*3072（大小：13.0m）格式：PNG

平均识别时间：2800ms

{width="4.115277777777778in"height="3.292361111111111in"}

图2-4-3 静态图像检测效果

4、Jetson Nano GUI界面设计、

制作GUI界面，实现检测系统在多种检测模式的切换，实现与用户间的交互。

{width="2.692361111111111in"height="1.5694444444444444in"}

图2-5-1 GUI系统登陆界面

{width="2.845833333333333in"height="2.484722222222222in"}{width="2.8229166666666665in"height="2.4770833333333333in"}

图2-5-2 GUI系统操作界面

三、系统运行测试

把pc机上训练好的模型下载到nano系统上，对视频进行检测和分析。

视频实时检测，识别率
检测速度

关键词：目标检测神经网络系统配置