'프로그램 사용'에 해당되는 글 1736건

  1. 2021.01.16 Blaze Video / FM 듣기
  2. 2021.01.11 git error: RPC failed; curl ... remote end hung up
  3. 2021.01.11 darknet detect
  4. 2021.01.10 CNN convolution과 maxpool
  5. 2021.01.09 CNN과 RNN
  6. 2021.01.09 darknet과 darknetab
  7. 2021.01.08 darknet openmp 빌드
  8. 2021.01.08 darknet on rpi3
  9. 2021.01.08 yolo lite
  10. 2021.01.08 SSDnnn (Single Shot Detector)
프로그램 사용/rtl-sdr2021. 1. 16. 16:57

아는 분에게 USB DVD/CD-ROM 빌려서 드라이버랑 프로그램 CD에서 추출해서 설치하니

되긴 한데 안된다고 해야하나...?

 

아무튼 안테나도 거의 3M 이상 길게 해야지 겨우 2채널 잡혔는데

프로그램 쓰는법을 몰라서 수동으로 채널을 잡는법을 모르겠다.

 

시작 스플래시 이미지

 

TV 버튼을 누르면 DVB-T / DAB / FM이 뜬다.

처음에는 TV만 되는줄 알고 헉 했네..

스캔 1차 시도 -_-

 

안테나 연장해서 다시 하니 겨우 2개 잡힌다.

잡힌 2개 채널 89.1MHz 랑

 

89.7MHz 두개 인듯.

 

채널을 편집할수가 없네..

RTL-SDR 보다는 확실히 CPU를 조금 먹는것 같긴한데

RTL-SDR을 설치하면 윈도우에서 또 돌리기 귀찮으니 고민중..

 

해당 어플리케이션은 G4600 에서 1.4% 정도 먹는데

RTL-SDR도 대충 10% 는 먹었던것 같은데 Gain 건드릴 수 있으면 좀 더 나아지려나?

 

+

안테나 선길이가 점점 길어지는구나 ㅋㅋㅋ

대충 재보니 380cm ㅋㅋㅋㅋ 회로에 쓰는 얇은 선으로 안테나 처럼 만들었는데 고작 5개라니 ㅠㅠㅠ

gqrx에서 확인해보니

89.1 -9 dBFS

89.7 -14 dBFS

98.1 -7 dBFS

93.1 -11 dBFS

93.6 -12 dBFS(삐~ 소리, 대남방송 재밍)

95.1 -13 dBFS

---

91.9 -16 dBFS

93.9 -18 dBFS

 

dBFS가 무슨 단위인지 모르겠지만 RTL-SDR이 잡음이 생겨도 들을순 있다면

RTL Driver를 이용한 FM은 노이즈가 안들릴정도로 깔끔해야만 잡힌다.

'프로그램 사용 > rtl-sdr' 카테고리의 다른 글

Blaze Video / FM 듣기  (0) 2021.01.16
rtl sdr driver libusb  (0) 2021.01.05
sdr# PAL tv plugin  (0) 2021.01.05
blazeVideo HDTV Player (DVB-T)  (0) 2021.01.04
RTL-SDR 튜너 분해(FC0012)  (0) 2020.09.07
SDR# 샘플 레이트와 대역  (0) 2020.09.06
Posted by 구차니

댓글을 달아 주세요

depth 문제라면.. 설마 압축하다 서버 뻗는건가?

 

[링크 : https://dukeyang.tistory.com/16]

[링크 : https://stackoverflow.com/questions/38618885]

 

에러가 한글로 나오면서 "early EOF"가 "너무 빨리 파일이 끝남" 로 나와서 좀 헤맸네

fatal: read error: Invalid argument, 255.05 MiB | 1.35 MiB/s
fatal: early EOF
fatal: index-pack failed

 

결론은.. 서버쪽 문제가 맞나보네

[링크 : https://www.lesstif.com/gitbook/git-clone-fatal-early-eof-fatal-index-pack-failed-95879326.html]

[링크 : https://pakss328.medium.com/git-early-eof-index-pack-failed-에러-처리-1d9d0357124b]

 

 

Posted by 구차니

댓글을 달아 주세요

프로그램 사용/yolo2021. 1. 11. 11:37

외부에서 획득한 cfg와 weight 로 실행을 하려고 하니 엉뚱하게 bicycle,person,car가 나오고 있어서 급 멘붕 -_-

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

 

 

그래서 코드를 뜯어보니 detect 로 실행 할 경우

test_detector를 실행하게 하고 cfg/coco.data 라는걸 자동으로 사용하게 한다.

    if (0 == strcmp(argv[1], "average")){
        average(argc, argv);
    } else if (0 == strcmp(argv[1], "yolo")){
        run_yolo(argc, argv);
    } else if (0 == strcmp(argv[1], "voxel")){
        run_voxel(argc, argv);
    } else if (0 == strcmp(argv[1], "super")){
        run_super(argc, argv);
    } else if (0 == strcmp(argv[1], "detector")){
        run_detector(argc, argv);
    } else if (0 == strcmp(argv[1], "detect")){
        float thresh = find_float_arg(argc, argv, "-thresh", .24);
		int ext_output = find_arg(argc, argv, "-ext_output");
        char *filename = (argc > 4) ? argv[4]: 0;
        test_detector("cfg/coco.data", argv[2], argv[3], filename, thresh, 0.5, 0, ext_output, 0, NULL, 0, 0);
    }

 

 coco.data에는 별 건 없는것 같은데 가장 중요한(?)건 names 인 것 같고

$ cat cfg/coco.data
classes= 80
train  = /home/pjreddie/data/coco/trainvalno5k.txt
valid  = coco_testdev
#valid = data/coco_val_5k.list
names = data/coco.names
backup = /home/pjreddie/backup/
eval=coco

 

coco.names 에는 항목별 이름이 존재하는 것을 확인할 수 있었다.

$ cat data/coco.names
person
bicycle
car
motorbike
aeroplane
bus
train
truck
boat
traffic light
fire hydrant
stop sign
parking meter
bench
bird
cat
dog
horse
sheep
cow
elephant
bear
zebra
giraffe
backpack
umbrella
handbag
tie
suitcase
frisbee
skis
snowboard
sports ball
kite
baseball bat
baseball glove
skateboard
surfboard
tennis racket
bottle
wine glass
cup
fork
knife
spoon
bowl
banana
apple
sandwich
orange
broccoli
carrot
hot dog
pizza
donut
cake
chair
sofa
pottedplant
bed
diningtable
toilet
tvmonitor
laptop
mouse
remote
keyboard
cell phone
microwave
oven
toaster
sink
refrigerator
book
clock
vase
scissors
teddy bear
hair drier
toothbrush

 

그러니까..

결국에는 최소 5개의 파일이 필요한건가?

cfg, weight, data, name 그리고 테스트 이미지

'프로그램 사용 > yolo' 카테고리의 다른 글

darknet detect  (0) 2021.01.11
CNN convolution과 maxpool  (0) 2021.01.10
CNN과 RNN  (0) 2021.01.09
darknet과 darknetab  (0) 2021.01.09
darknet openmp 빌드  (0) 2021.01.08
darknet on rpi3  (0) 2021.01.08
Posted by 구차니

댓글을 달아 주세요

프로그램 사용/yolo2021. 1. 10. 11:37

pooling  - overfitting 방지

[링크 : https://hobinjeong.medium.com/cnn에서-pooling이란-c4e01aa83c83]

[링크 : http://hobinjeong.medium.com/cnn-convolutional-neural-network-9f600dd3b66395]

 

정리 잘된 동영상이 있어서 링크

 

convolution은 특정 신호에 반응하고 이미지 어디에 있는지를 확인하고

pooling은 위치나 각도에 둔감해지도록 인식율을 올리는 효과를 지니는 연산(?)

[링크 : https://www.youtube.com/watch?v=u0eT7VZAgRw]

'프로그램 사용 > yolo' 카테고리의 다른 글

darknet detect  (0) 2021.01.11
CNN convolution과 maxpool  (0) 2021.01.10
CNN과 RNN  (0) 2021.01.09
darknet과 darknetab  (0) 2021.01.09
darknet openmp 빌드  (0) 2021.01.08
darknet on rpi3  (0) 2021.01.08
Posted by 구차니

댓글을 달아 주세요

프로그램 사용/yolo2021. 1. 9. 17:31

RNN(Recurrent Neural Network)

 

CNN(Convolution Neural Network)

합성곱신경망, convolution과 pooling

 

[링크 : http://ebbnflow.tistory.com/119]

[링크 : http://dbrang.tistory.com/1537]

 

'프로그램 사용 > yolo' 카테고리의 다른 글

darknet detect  (0) 2021.01.11
CNN convolution과 maxpool  (0) 2021.01.10
CNN과 RNN  (0) 2021.01.09
darknet과 darknetab  (0) 2021.01.09
darknet openmp 빌드  (0) 2021.01.08
darknet on rpi3  (0) 2021.01.08
Posted by 구차니

댓글을 달아 주세요

프로그램 사용/yolo2021. 1. 9. 16:46

원본 darknet은 성능에 영향을 줄게 3개 밖에 없는데

GPU=0
CUDNN=0
OPENCV=0
OPENMP=0

 

alexeyAB의 darknet은 gpu, cudnn, avx, openmp 4가지 이다.

GPU=0
CUDNN=0
CUDNN_HALF=0
OPENCV=0
AVX=0
OPENMP=0
LIBSO=0
ZED_CAMERA=0
ZED_CAMERA_v2_8=0

[링크 : https://github.com/AlexeyAB/darknet]

 

심심해서(?) i5-2세대도 있나 보는데 어라..? 있네?

[링크 : https://ark.intel.com/.../intel-core-i5-2500-processor-6m-cache-up-to-3-70-ghz.html]

[링크 : https://ark.intel.com/../intel-core-i5-2520m-processor-3m-cache-up-to-3-20-ghz.html]

 

근데 빌드해서 돌려보니 내꺼는 AVX일뿐이라 돌아가지 않는다 ㅠㅠ

AVX2는 하스웰 이후부터 지원한다고 하니.. 집에있는 내 실험용 컴퓨터로는 무리겠구나..

$ ./darknet detect cfg/yolov3.cfg ../yolov3.weights data/dog.jpg
 GPU isn't used 
 Used AVX 
 Not used FMA & AVX2 
 OpenCV isn't used - data augmentation will be slow 
명령어가 잘못됨 (core dumped)

 

alexeyAB 버전을 싱글 코어 / openmp 설정으로 돌리니 반정도 줄었다.

data/dog.jpg: Predicted in 11175.292000 milli-seconds.
data/dog.jpg: Predicted in 5974.575000 milli-seconds.

'프로그램 사용 > yolo' 카테고리의 다른 글

CNN convolution과 maxpool  (0) 2021.01.10
CNN과 RNN  (0) 2021.01.09
darknet과 darknetab  (0) 2021.01.09
darknet openmp 빌드  (0) 2021.01.08
darknet on rpi3  (0) 2021.01.08
yolo lite  (0) 2021.01.08
Posted by 구차니

댓글을 달아 주세요

프로그램 사용/yolo2021. 1. 8. 18:01

위는 오리지널 darknet을 아무런 옵션없이 라즈베리에서 빌드한 결과

$ ldd darknet
        linux-vdso.so.1 (0x7efe1000)
        /usr/lib/arm-linux-gnueabihf/libarmmem-${PLATFORM}.so => /usr/lib/arm-linux-gnueabihf/libarmmem-v7l.so (0x76f54000)
        libm.so.6 => /lib/arm-linux-gnueabihf/libm.so.6 (0x76eb6000)
        libpthread.so.0 => /lib/arm-linux-gnueabihf/libpthread.so.0 (0x76e8c000)
        libc.so.6 => /lib/arm-linux-gnueabihf/libc.so.6 (0x76d3e000)
        /lib/ld-linux-armhf.so.3 (0x76f69000)

 

아래는 darknet AlexeyAB 버전을 neon과 openmp 설정해서 빌드한 결과

$ ldd darknet
        linux-vdso.so.1 (0x7eefc000)
        /usr/lib/arm-linux-gnueabihf/libarmmem-${PLATFORM}.so => /usr/lib/arm-linux-gnueabihf/libarmmem-v7l.so (0x76f79000)
        libgomp.so.1 => /lib/arm-linux-gnueabihf/libgomp.so.1 (0x76f25000)
        libstdc++.so.6 => /lib/arm-linux-gnueabihf/libstdc++.so.6 (0x76dde000)
        libm.so.6 => /lib/arm-linux-gnueabihf/libm.so.6 (0x76d5c000)
        libgcc_s.so.1 => /lib/arm-linux-gnueabihf/libgcc_s.so.1 (0x76d2f000)
        libpthread.so.0 => /lib/arm-linux-gnueabihf/libpthread.so.0 (0x76d05000)
        libc.so.6 => /lib/arm-linux-gnueabihf/libc.so.6 (0x76bb7000)
        libdl.so.2 => /lib/arm-linux-gnueabihf/libdl.so.2 (0x76ba4000)
        /lib/ld-linux-armhf.so.3 (0x76f8e000)

 

 

+

cpu only = 30.13sec

$ ./tiny.sh
 GPU isn't used
 OpenCV isn't used - data augmentation will be slow
mini_batch = 1, batch = 1, time_steps = 1, train = 0
   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                2x 2/ 2    416 x 416 x  16 ->  208 x 208 x  16 0.003 BF
   2 conv     32       3 x 3/ 1    208 x 208 x  16 ->  208 x 208 x  32 0.399 BF
   3 max                2x 2/ 2    208 x 208 x  32 ->  104 x 104 x  32 0.001 BF
   4 conv     64       3 x 3/ 1    104 x 104 x  32 ->  104 x 104 x  64 0.399 BF
   5 max                2x 2/ 2    104 x 104 x  64 ->   52 x  52 x  64 0.001 BF
   6 conv    128       3 x 3/ 1     52 x  52 x  64 ->   52 x  52 x 128 0.399 BF
   7 max                2x 2/ 2     52 x  52 x 128 ->   26 x  26 x 128 0.000 BF
   8 conv    256       3 x 3/ 1     26 x  26 x 128 ->   26 x  26 x 256 0.399 BF
   9 max                2x 2/ 2     26 x  26 x 256 ->   13 x  13 x 256 0.000 BF
  10 conv    512       3 x 3/ 1     13 x  13 x 256 ->   13 x  13 x 512 0.399 BF
  11 max                2x 2/ 1     13 x  13 x 512 ->   13 x  13 x 512 0.000 BF
  12 conv   1024       3 x 3/ 1     13 x  13 x 512 ->   13 x  13 x1024 1.595 BF
  13 conv    256       1 x 1/ 1     13 x  13 x1024 ->   13 x  13 x 256 0.089 BF
  14 conv    512       3 x 3/ 1     13 x  13 x 256 ->   13 x  13 x 512 0.399 BF
  15 conv    255       1 x 1/ 1     13 x  13 x 512 ->   13 x  13 x 255 0.044 BF
  16 yolo
[yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00
  17 route  13                                     ->   13 x  13 x 256
  18 conv    128       1 x 1/ 1     13 x  13 x 256 ->   13 x  13 x 128 0.011 BF
  19 upsample                 2x    13 x  13 x 128 ->   26 x  26 x 128
  20 route  19 8                                   ->   26 x  26 x 384
  21 conv    256       3 x 3/ 1     26 x  26 x 384 ->   26 x  26 x 256 1.196 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 (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00
Total BFLOPS 5.571
avg_outputs = 341534
Loading weights from ../yolov3-tiny.weights...
 seen 64, trained: 32013 K-images (500 Kilo-batches_64)
Done! Loaded 24 layers from weights-file
 Detection layer: 16 - type = 28
 Detection layer: 23 - type = 28
data/dog.jpg: Predicted in 30133.750000 milli-seconds.
dog: 81%
bicycle: 38%
car: 71%
truck: 42%
truck: 62%
car: 40%
Not compiled with OpenCV, saving to predictions.png instead

 

neon = 10.718 sec

$ ./tiny.sh
 GPU isn't used
 OpenCV isn't used - data augmentation will be slow
mini_batch = 1, batch = 1, time_steps = 1, train = 0
   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                2x 2/ 2    416 x 416 x  16 ->  208 x 208 x  16 0.003 BF
   2 conv     32       3 x 3/ 1    208 x 208 x  16 ->  208 x 208 x  32 0.399 BF
   3 max                2x 2/ 2    208 x 208 x  32 ->  104 x 104 x  32 0.001 BF
   4 conv     64       3 x 3/ 1    104 x 104 x  32 ->  104 x 104 x  64 0.399 BF
   5 max                2x 2/ 2    104 x 104 x  64 ->   52 x  52 x  64 0.001 BF
   6 conv    128       3 x 3/ 1     52 x  52 x  64 ->   52 x  52 x 128 0.399 BF
   7 max                2x 2/ 2     52 x  52 x 128 ->   26 x  26 x 128 0.000 BF
   8 conv    256       3 x 3/ 1     26 x  26 x 128 ->   26 x  26 x 256 0.399 BF
   9 max                2x 2/ 2     26 x  26 x 256 ->   13 x  13 x 256 0.000 BF
  10 conv    512       3 x 3/ 1     13 x  13 x 256 ->   13 x  13 x 512 0.399 BF
  11 max                2x 2/ 1     13 x  13 x 512 ->   13 x  13 x 512 0.000 BF
  12 conv   1024       3 x 3/ 1     13 x  13 x 512 ->   13 x  13 x1024 1.595 BF
  13 conv    256       1 x 1/ 1     13 x  13 x1024 ->   13 x  13 x 256 0.089 BF
  14 conv    512       3 x 3/ 1     13 x  13 x 256 ->   13 x  13 x 512 0.399 BF
  15 conv    255       1 x 1/ 1     13 x  13 x 512 ->   13 x  13 x 255 0.044 BF
  16 yolo
[yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00
  17 route  13                                     ->   13 x  13 x 256
  18 conv    128       1 x 1/ 1     13 x  13 x 256 ->   13 x  13 x 128 0.011 BF
  19 upsample                 2x    13 x  13 x 128 ->   26 x  26 x 128
  20 route  19 8                                   ->   26 x  26 x 384
  21 conv    256       3 x 3/ 1     26 x  26 x 384 ->   26 x  26 x 256 1.196 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 (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00
Total BFLOPS 5.571
avg_outputs = 341534
Loading weights from ../yolov3-tiny.weights...
 seen 64, trained: 32013 K-images (500 Kilo-batches_64)
Done! Loaded 24 layers from weights-file
 Detection layer: 16 - type = 28
 Detection layer: 23 - type = 28
data/dog.jpg: Predicted in 10718.416000 milli-seconds.
dog: 81%
bicycle: 38%
car: 71%
truck: 42%
truck: 62%
car: 40%
Not compiled with OpenCV, saving to predictions.png instead

 

openmp = 8.686 sec

$ ./tiny.sh
 GPU isn't used
 OpenCV isn't used - data augmentation will be slow
mini_batch = 1, batch = 1, time_steps = 1, train = 0
   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                2x 2/ 2    416 x 416 x  16 ->  208 x 208 x  16 0.003 BF
   2 conv     32       3 x 3/ 1    208 x 208 x  16 ->  208 x 208 x  32 0.399 BF
   3 max                2x 2/ 2    208 x 208 x  32 ->  104 x 104 x  32 0.001 BF
   4 conv     64       3 x 3/ 1    104 x 104 x  32 ->  104 x 104 x  64 0.399 BF
   5 max                2x 2/ 2    104 x 104 x  64 ->   52 x  52 x  64 0.001 BF
   6 conv    128       3 x 3/ 1     52 x  52 x  64 ->   52 x  52 x 128 0.399 BF
   7 max                2x 2/ 2     52 x  52 x 128 ->   26 x  26 x 128 0.000 BF
   8 conv    256       3 x 3/ 1     26 x  26 x 128 ->   26 x  26 x 256 0.399 BF
   9 max                2x 2/ 2     26 x  26 x 256 ->   13 x  13 x 256 0.000 BF
  10 conv    512       3 x 3/ 1     13 x  13 x 256 ->   13 x  13 x 512 0.399 BF
  11 max                2x 2/ 1     13 x  13 x 512 ->   13 x  13 x 512 0.000 BF
  12 conv   1024       3 x 3/ 1     13 x  13 x 512 ->   13 x  13 x1024 1.595 BF
  13 conv    256       1 x 1/ 1     13 x  13 x1024 ->   13 x  13 x 256 0.089 BF
  14 conv    512       3 x 3/ 1     13 x  13 x 256 ->   13 x  13 x 512 0.399 BF
  15 conv    255       1 x 1/ 1     13 x  13 x 512 ->   13 x  13 x 255 0.044 BF
  16 yolo
[yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00
  17 route  13                                     ->   13 x  13 x 256
  18 conv    128       1 x 1/ 1     13 x  13 x 256 ->   13 x  13 x 128 0.011 BF
  19 upsample                 2x    13 x  13 x 128 ->   26 x  26 x 128
  20 route  19 8                                   ->   26 x  26 x 384
  21 conv    256       3 x 3/ 1     26 x  26 x 384 ->   26 x  26 x 256 1.196 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 (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00
Total BFLOPS 5.571
avg_outputs = 341534
Loading weights from ../yolov3-tiny.weights...
 seen 64, trained: 32013 K-images (500 Kilo-batches_64)
Done! Loaded 24 layers from weights-file
 Detection layer: 16 - type = 28
 Detection layer: 23 - type = 28
data/dog.jpg: Predicted in 8686.237000 milli-seconds.
dog: 81%
bicycle: 38%
car: 71%
truck: 42%
truck: 62%
car: 40%
Not compiled with OpenCV, saving to predictions.png instead

 

 

openmp + neon = 4.449 sec

$ ./tiny.sh
 GPU isn't used
 OpenCV isn't used - data augmentation will be slow
mini_batch = 1, batch = 1, time_steps = 1, train = 0
   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                2x 2/ 2    416 x 416 x  16 ->  208 x 208 x  16 0.003 BF
   2 conv     32       3 x 3/ 1    208 x 208 x  16 ->  208 x 208 x  32 0.399 BF
   3 max                2x 2/ 2    208 x 208 x  32 ->  104 x 104 x  32 0.001 BF
   4 conv     64       3 x 3/ 1    104 x 104 x  32 ->  104 x 104 x  64 0.399 BF
   5 max                2x 2/ 2    104 x 104 x  64 ->   52 x  52 x  64 0.001 BF
   6 conv    128       3 x 3/ 1     52 x  52 x  64 ->   52 x  52 x 128 0.399 BF
   7 max                2x 2/ 2     52 x  52 x 128 ->   26 x  26 x 128 0.000 BF
   8 conv    256       3 x 3/ 1     26 x  26 x 128 ->   26 x  26 x 256 0.399 BF
   9 max                2x 2/ 2     26 x  26 x 256 ->   13 x  13 x 256 0.000 BF
  10 conv    512       3 x 3/ 1     13 x  13 x 256 ->   13 x  13 x 512 0.399 BF
  11 max                2x 2/ 1     13 x  13 x 512 ->   13 x  13 x 512 0.000 BF
  12 conv   1024       3 x 3/ 1     13 x  13 x 512 ->   13 x  13 x1024 1.595 BF
  13 conv    256       1 x 1/ 1     13 x  13 x1024 ->   13 x  13 x 256 0.089 BF
  14 conv    512       3 x 3/ 1     13 x  13 x 256 ->   13 x  13 x 512 0.399 BF
  15 conv    255       1 x 1/ 1     13 x  13 x 512 ->   13 x  13 x 255 0.044 BF
  16 yolo
[yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00
  17 route  13                                     ->   13 x  13 x 256
  18 conv    128       1 x 1/ 1     13 x  13 x 256 ->   13 x  13 x 128 0.011 BF
  19 upsample                 2x    13 x  13 x 128 ->   26 x  26 x 128
  20 route  19 8                                   ->   26 x  26 x 384
  21 conv    256       3 x 3/ 1     26 x  26 x 384 ->   26 x  26 x 256 1.196 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 (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00
Total BFLOPS 5.571
avg_outputs = 341534
Loading weights from ../yolov3-tiny.weights...
 seen 64, trained: 32013 K-images (500 Kilo-batches_64)
Done! Loaded 24 layers from weights-file
 Detection layer: 16 - type = 28
 Detection layer: 23 - type = 28
data/dog.jpg: Predicted in 4449.888000 milli-seconds.
dog: 81%
bicycle: 38%
car: 71%
truck: 42%
truck: 62%
car: 40%
Not compiled with OpenCV, saving to predictions.png instead

 

'프로그램 사용 > yolo' 카테고리의 다른 글

CNN과 RNN  (0) 2021.01.09
darknet과 darknetab  (0) 2021.01.09
darknet openmp 빌드  (0) 2021.01.08
darknet on rpi3  (0) 2021.01.08
yolo lite  (0) 2021.01.08
SSDnnn (Single Shot Detector)  (0) 2021.01.08
Posted by 구차니

댓글을 달아 주세요

프로그램 사용/yolo2021. 1. 8. 16:39

원인 불명으로 BUS error나 Segmentation fault가 떠서 찾아보니

소스를 수정한 버전이 있다고 한다.

돌아는 가는데.... (이하 생략)

 

[링크 : https://j-remind.tistory.com/53]

[링크 : https://github.com/AlexeyAB/darknet]

 

설마 endian 문제?

[링크 : https://github.com/pjreddie/darknet/issues/823]

'프로그램 사용 > yolo' 카테고리의 다른 글

darknet과 darknetab  (0) 2021.01.09
darknet openmp 빌드  (0) 2021.01.08
darknet on rpi3  (0) 2021.01.08
yolo lite  (0) 2021.01.08
SSDnnn (Single Shot Detector)  (0) 2021.01.08
CNN - YOLO  (0) 2021.01.07
Posted by 구차니

댓글을 달아 주세요

프로그램 사용/yolo2021. 1. 8. 16:05

YOLOv2-tiny 의 web implementation 이라는데 웹 implementation이 머지?

 

[링크 : https://reu2018dl.github.io/]

[링크 : https://github.com/reu2018DL/YOLO-LITE]

[링크 : https://arxiv.org/pdf/1811.05588.pdf]

 

 

+

MS COCO 2014 and PASCAL VOC 2007 + 2012

 

pascal voc(Visual Object Classes)

[링크 : http://host.robots.ox.ac.uk/pascal/VOC/]

[링크 : https://ndb796.tistory.com/500]

 

MS COCO

COCO랑은 다른가?

[링크 : https://arxiv.org/pdf/1405.0312.pdf]

[링크 : https://chacha95.github.io/2020-02-27-Object-Detection4/]

[링크 : https://cocodataset.org/#home]

 

AP - Average Precision

mAP (mean AP)

[링크 : https://mezzaninex.tistory.com/entry/AI-COCO-Dataset-mAPmean-Average-Precision]

'프로그램 사용 > yolo' 카테고리의 다른 글

darknet openmp 빌드  (0) 2021.01.08
darknet on rpi3  (0) 2021.01.08
yolo lite  (0) 2021.01.08
SSDnnn (Single Shot Detector)  (0) 2021.01.08
CNN - YOLO  (0) 2021.01.07
yolo BFLOPs  (0) 2020.10.21
Posted by 구차니

댓글을 달아 주세요

프로그램 사용/yolo2021. 1. 8. 16:01

SSD 도 모델이군..

 

[링크 : https://pjreddie.com/darknet/yolo/]

[링크 : https://junjiwon1031.github.io/2017/09/08/Single-Shot-Multibox-Detector.html]

'프로그램 사용 > yolo' 카테고리의 다른 글

darknet on rpi3  (0) 2021.01.08
yolo lite  (0) 2021.01.08
SSDnnn (Single Shot Detector)  (0) 2021.01.08
CNN - YOLO  (0) 2021.01.07
yolo BFLOPs  (0) 2020.10.21
yolo3 on ubuntu 18.04  (0) 2020.10.20
Posted by 구차니

댓글을 달아 주세요