프로그램 사용/yolo_tensorflow2020. 10. 21. 11:51

yolo BFLOPs

BFLOPs (Billion FLOPs)

[링크 : https://arxiv.org/pdf/1910.03159.pdf]

저작자표시 (새창열림)

'프로그램 사용 > yolo_tensorflow' 카테고리의 다른 글

yolo lite  (0) 2021.01.08
SSDnnn (Single Shot Detector)  (0) 2021.01.08
CNN - YOLO  (0) 2021.01.07
yolo3 on ubuntu 18.04  (0) 2020.10.20
yolo on rpi?  (0) 2020.10.06
Posted by 구차니
Linux API/linux2020. 10. 21. 11:50

linux USB bulk 통신

 

 

[링크 : https://stackoverflow.com/questions/15308770/read-usb-bulk-message-on-linux]

저작자표시 (새창열림)

'Linux API > linux' 카테고리의 다른 글

실행파일 not fount, FATAL: kernel too old  (0) 2021.04.05
spi 통신 예제(linux)  (0) 2021.01.28
linux open() 과 8진법  (0) 2020.09.28
open with O_CREAT or O_TMPFILE in second argument needs 3 arguments  (0) 2020.09.28
open() read() write() close()를 이용한 cp 예제  (0) 2020.09.28
Posted by 구차니
프로그램 사용/yolo_tensorflow2020. 10. 20. 19:26

yolo3 on ubuntu 18.04

weight 받는데 한참 걸린다(100kbps 정도 뜨는 느낌...)

weight를 받지 않고 실행하면 한참 먼가 계산하고 나서 weight가 없다고 에러나면서 종료된다.

 

git clone https://github.com/pjreddie/darknet
cd darknet
make
wget https://pjreddie.com/media/files/yolov3.weights
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

 

결과물은 prediction.jpg로 박스쳐져서 나온다.(옵션을 주면 상자 위치로 나오려나?)

 

 

아무튼 weight 를 받아서 돌려보는데 예상외로 무겁다?

개인 노트북이 i5-2520m 이긴한데 최대 클럭 + 부스트 하도록 설정하고 했는데도 30초 가량 걸린다.

$ time ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
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 conv     64  3 x 3 / 2   608 x 608 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    2 conv     32  1 x 1 / 1   304 x 304 x  64   ->   304 x 304 x  32  0.379 BFLOPs
    3 conv     64  3 x 3 / 1   304 x 304 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    4 res    1                 304 x 304 x  64   ->   304 x 304 x  64
    5 conv    128  3 x 3 / 2   304 x 304 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    6 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
    7 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    8 res    5                 152 x 152 x 128   ->   152 x 152 x 128
    9 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
   10 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
   11 res    8                 152 x 152 x 128   ->   152 x 152 x 128
   12 conv    256  3 x 3 / 2   152 x 152 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   13 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   14 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   15 res   12                  76 x  76 x 256   ->    76 x  76 x 256
   16 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   17 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   18 res   15                  76 x  76 x 256   ->    76 x  76 x 256
   19 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   20 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   21 res   18                  76 x  76 x 256   ->    76 x  76 x 256
   22 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   23 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   24 res   21                  76 x  76 x 256   ->    76 x  76 x 256
   25 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   26 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   27 res   24                  76 x  76 x 256   ->    76 x  76 x 256
   28 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   29 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   30 res   27                  76 x  76 x 256   ->    76 x  76 x 256
   31 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   32 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   33 res   30                  76 x  76 x 256   ->    76 x  76 x 256
   34 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
   35 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
   36 res   33                  76 x  76 x 256   ->    76 x  76 x 256
   37 conv    512  3 x 3 / 2    76 x  76 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   38 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   39 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   40 res   37                  38 x  38 x 512   ->    38 x  38 x 512
   41 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   42 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   43 res   40                  38 x  38 x 512   ->    38 x  38 x 512
   44 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   45 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   46 res   43                  38 x  38 x 512   ->    38 x  38 x 512
   47 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   48 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   49 res   46                  38 x  38 x 512   ->    38 x  38 x 512
   50 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   51 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   52 res   49                  38 x  38 x 512   ->    38 x  38 x 512
   53 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   54 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   55 res   52                  38 x  38 x 512   ->    38 x  38 x 512
   56 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   57 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   58 res   55                  38 x  38 x 512   ->    38 x  38 x 512
   59 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   60 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   61 res   58                  38 x  38 x 512   ->    38 x  38 x 512
   62 conv   1024  3 x 3 / 2    38 x  38 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   63 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   64 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   65 res   62                  19 x  19 x1024   ->    19 x  19 x1024
   66 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   67 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   68 res   65                  19 x  19 x1024   ->    19 x  19 x1024
   69 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   70 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   71 res   68                  19 x  19 x1024   ->    19 x  19 x1024
   72 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   73 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   74 res   71                  19 x  19 x1024   ->    19 x  19 x1024
   75 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   76 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   77 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   78 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   79 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
   80 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
   81 conv    255  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 255  0.189 BFLOPs
   82 yolo
   83 route  79
   84 conv    256  1 x 1 / 1    19 x  19 x 512   ->    19 x  19 x 256  0.095 BFLOPs
   85 upsample            2x    19 x  19 x 256   ->    38 x  38 x 256
   86 route  85 61
   87 conv    256  1 x 1 / 1    38 x  38 x 768   ->    38 x  38 x 256  0.568 BFLOPs
   88 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   89 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   90 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   91 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
   92 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
   93 conv    255  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 255  0.377 BFLOPs
   94 yolo
   95 route  91
   96 conv    128  1 x 1 / 1    38 x  38 x 256   ->    38 x  38 x 128  0.095 BFLOPs
   97 upsample            2x    38 x  38 x 128   ->    76 x  76 x 128
   98 route  97 36
   99 conv    128  1 x 1 / 1    76 x  76 x 384   ->    76 x  76 x 128  0.568 BFLOPs
  100 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  101 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  102 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  103 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  104 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  105 conv    255  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 255  0.754 BFLOPs
  106 yolo
Loading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 29.416936 seconds.
dog: 100%
truck: 92%
bicycle: 99%

real	0m33.904s
user	0m32.813s
sys	0m0.600s

 

tiny가 표준에 비해서 1/30 정도로 가볍긴 하지만, 그렇다고 해서 i5-2520m에서 이정도인데

임베디드 보드에서 실시간은 많이 무리일지도?

$ time ./darknet detect cfg/yolov3-tiny.cfg yolov3.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
    2 conv     32  3 x 3 / 1   208 x 208 x  16   ->   208 x 208 x  32  0.399 BFLOPs
    3 max          2 x 2 / 2   208 x 208 x  32   ->   104 x 104 x  32
    4 conv     64  3 x 3 / 1   104 x 104 x  32   ->   104 x 104 x  64  0.399 BFLOPs
    5 max          2 x 2 / 2   104 x 104 x  64   ->    52 x  52 x  64
    6 conv    128  3 x 3 / 1    52 x  52 x  64   ->    52 x  52 x 128  0.399 BFLOPs
    7 max          2 x 2 / 2    52 x  52 x 128   ->    26 x  26 x 128
    8 conv    256  3 x 3 / 1    26 x  26 x 128   ->    26 x  26 x 256  0.399 BFLOPs
    9 max          2 x 2 / 2    26 x  26 x 256   ->    13 x  13 x 256
   10 conv    512  3 x 3 / 1    13 x  13 x 256   ->    13 x  13 x 512  0.399 BFLOPs
   11 max          2 x 2 / 1    13 x  13 x 512   ->    13 x  13 x 512
   12 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   13 conv    256  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 256  0.089 BFLOPs
   14 conv    512  3 x 3 / 1    13 x  13 x 256   ->    13 x  13 x 512  0.399 BFLOPs
   15 conv    255  1 x 1 / 1    13 x  13 x 512   ->    13 x  13 x 255  0.044 BFLOPs
   16 yolo
   17 route  13
   18 conv    128  1 x 1 / 1    13 x  13 x 256   ->    13 x  13 x 128  0.011 BFLOPs
   19 upsample            2x    13 x  13 x 128   ->    26 x  26 x 128
   20 route  19 8
   21 conv    256  3 x 3 / 1    26 x  26 x 384   ->    26 x  26 x 256  1.196 BFLOPs
   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.weights...Done!
data/dog.jpg: Predicted in 1.197222 seconds.

real	0m1.811s
user	0m1.750s
sys	0m0.060s

 

결과가 안나와서 다른 사람들에게 물어보니 tiny용 weight가 따로 있다고 -_ㅠ

wget https://pjreddie.com/media/files/yolov3-tiny.weights
./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg

 

인식은 되는데 시간이 달라지진 않네..

$ time ./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
    2 conv     32  3 x 3 / 1   208 x 208 x  16   ->   208 x 208 x  32  0.399 BFLOPs
    3 max          2 x 2 / 2   208 x 208 x  32   ->   104 x 104 x  32
    4 conv     64  3 x 3 / 1   104 x 104 x  32   ->   104 x 104 x  64  0.399 BFLOPs
    5 max          2 x 2 / 2   104 x 104 x  64   ->    52 x  52 x  64
    6 conv    128  3 x 3 / 1    52 x  52 x  64   ->    52 x  52 x 128  0.399 BFLOPs
    7 max          2 x 2 / 2    52 x  52 x 128   ->    26 x  26 x 128
    8 conv    256  3 x 3 / 1    26 x  26 x 128   ->    26 x  26 x 256  0.399 BFLOPs
    9 max          2 x 2 / 2    26 x  26 x 256   ->    13 x  13 x 256
   10 conv    512  3 x 3 / 1    13 x  13 x 256   ->    13 x  13 x 512  0.399 BFLOPs
   11 max          2 x 2 / 1    13 x  13 x 512   ->    13 x  13 x 512
   12 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
   13 conv    256  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 256  0.089 BFLOPs
   14 conv    512  3 x 3 / 1    13 x  13 x 256   ->    13 x  13 x 512  0.399 BFLOPs
   15 conv    255  1 x 1 / 1    13 x  13 x 512   ->    13 x  13 x 255  0.044 BFLOPs
   16 yolo
   17 route  13
   18 conv    128  1 x 1 / 1    13 x  13 x 256   ->    13 x  13 x 128  0.011 BFLOPs
   19 upsample            2x    13 x  13 x 128   ->    26 x  26 x 128
   20 route  19 8
   21 conv    256  3 x 3 / 1    26 x  26 x 384   ->    26 x  26 x 256  1.196 BFLOPs
   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 1.208611 seconds.
dog: 57%
car: 52%
truck: 56%
car: 62%
bicycle: 59%

real	0m1.822s
user	0m1.770s
sys	0m0.052s

 

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

 

[링크 : https://blog.insightdatascience.com/how-to-train-your-own-yolov3-detector-from-scratch-224d10e55de2?gi=87339b7b98d4]

 

+

2020.10.21

[링크 : https://github.com/guichristmann/edge-tpu-tiny-yolo] TPU로 가속은 가능한듯?

 

+

결과 파일 추가! tiny는 쓸 수 있을까?

 

yolov3 / kite.jpg

 

yolov3-tiny / kite.jpg

 

yolov3 / dog.jpg

 

yolov3-tiny / dog.jpg

 

 

저작자표시 (새창열림)

'프로그램 사용 > yolo_tensorflow' 카테고리의 다른 글

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
yolo on rpi?  (0) 2020.10.06
Posted by 구차니
프로그램 사용/google coral2020. 10. 20. 18:56

google coral, ubuntu 18.04

구글 코랄 TPU USB를 한번 사용해 봄

일단은 설치된 python의 버전을 확인해야 하는데 버전에 맞지 않는 런타임을 설치할 경우

아래와 같이 not a supported wheel on this platform 이라는 에러가 발생한다.

$ pip3 install https://dl.google.com/coral/python/tflite_runtime-2.1.0.post1-cp38-cp38-linux_x86_64.whl
tflite_runtime-2.1.0.post1-cp38-cp38-linux_x86_64.whl is not a supported wheel on this platform.
$ python3 --version
Python 3.6.9

[링크 : https://coral.ai/docs/accelerator/get-started/]

 

dmesg로 확인해보니.. 다음과 같이 나온다.

[  957.819504] usb 2-1.2: new high-speed USB device number 4 using ehci-pci
[  957.928960] usb 2-1.2: New USB device found, idVendor=1a6e, idProduct=089a, bcdDevice= 1.00
[  957.928968] usb 2-1.2: New USB device strings: Mfr=0, Product=0, SerialNumber=0

 

lsusb로는 아래와 같이

Bus 002 Device 004: ID 04f2:b242 Chicony Electronics Co., Ltd 
Bus 002 Device 009: ID 1a6e:089a Global Unichip Corp. 
Bus 002 Device 008: ID 04e8:6860 Samsung Electronics Co., Ltd Galaxy (MTP)
Bus 002 Device 002: ID 8087:0024 Intel Corp. Integrated Rate Matching Hub
Bus 002 Device 001: ID 1d6b:0002 Linux Foundation 2.0 root hub
Bus 001 Device 004: ID 04b4:6560 Cypress Semiconductor Corp. CY7C65640 USB-2.0 "TetraHub"
Bus 001 Device 002: ID 8087:0024 Intel Corp. Integrated Rate Matching Hub
Bus 001 Device 001: ID 1d6b:0002 Linux Foundation 2.0 root hub

 

lshw로 확인해보면 아래와 같이 UNCLAIMED 라고 뜬다.

Global Unichip corp를 검색해보니 asic 설계 서비스 회사, Fabless 회사라고 나오네.

              *-usb
                   description: USB hub
                   product: Integrated Rate Matching Hub
                   vendor: Intel Corp.
                   physical id: 1
                   bus info: usb@2:1
                   version: 0.00
                   capabilities: usb-2.00
                   configuration: driver=hub slots=8 speed=480Mbit/s
                 *-usb:0 UNCLAIMED
                      description: Generic USB device
                      vendor: Global Unichip Corp.
                      physical id: 2
                      bus info: usb@2:1.2
                      version: 1.00
                      capabilities: usb-2.10
                      configuration: maxpower=498mA speed=480Mbit/s

 

아래는 할 것 다하고 USB 가속기를 설치하지 않았을 경우 발생하는 에러

장치를 발견하지 못했다고 뜨지 않고 Failed to load delegate from libedgetpu.so.1 이라고 뜬다.

$ python3 classify_image.py --model models/mobilenet_v2_1.0_224_inat_bird_quant_edgetpu.tflite --labels models/inat_bird_labels.txt --input images/parrot.jpg
Traceback (most recent call last):
  File "/home/minimonk/.local/lib/python3.6/site-packages/tflite_runtime/interpreter.py", line 161, in load_delegate
    delegate = Delegate(library, options)
  File "/home/minimonk/.local/lib/python3.6/site-packages/tflite_runtime/interpreter.py", line 120, in __init__
    raise ValueError(capture.message)
ValueError

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "classify_image.py", line 122, in <module>
    main()
  File "classify_image.py", line 99, in main
    interpreter = make_interpreter(args.model)
  File "classify_image.py", line 73, in make_interpreter
    {'device': device[0]} if device else {})
  File "/home/minimonk/.local/lib/python3.6/site-packages/tflite_runtime/interpreter.py", line 164, in load_delegate
    library, str(e)))
ValueError: Failed to load delegate from libedgetpu.so.1

 

아무튼 USB 꼽고 하니 먼가 결과는 나오는데

맞나? 싶을 정도로 단순하게 문자열로 나온다.

그리고 USB2.0으로 해서 그런가 초기 속도가 상당히 느리게 나온다.

(홈페이지에서는 10ms 미만이었던 것 같은데)

$ python3 classify_image.py --model models/mobilenet_v2_1.0_224_inat_bird_quant_edgetpu.tflite --labels models/inat_bird_labels.txt --input images/parrot.jpg
----INFERENCE TIME----
Note: The first inference on Edge TPU is slow because it includes loading the model into Edge TPU memory.
103.2ms
10.7ms
10.6ms
10.4ms
10.3ms
-------RESULTS--------
Ara macao (Scarlet Macaw): 0.77734

 

혹시나 해서 찾아본 라이브러리 경로.

$ sudo find / -name libedgetpu.so*
/usr/lib/x86_64-linux-gnu/libedgetpu.so.1
/usr/lib/x86_64-linux-gnu/libedgetpu.so.1.0

 

 

+

회사에서 알게된 장비인데 중고로 구매할까 구매대행으로 할까하고 찾아보니

12만원 넘어서 그냥 한번 써보는걸로 만족하려는 중

 

 

+ 2020.10.21

웹캠으로 받아서 TPU로 90가지 객체가 인식 가능한지 한번 해봐? ㅋㅋㅋ

[링크 : https://ultrakid.tistory.com/6]

    [링크 : https://github.com/google-coral/edgetpu/blob/master/examples/object_detection.py]

저작자표시 (새창열림)

'프로그램 사용 > google coral' 카테고리의 다른 글

edgetpu_c.h 파일 내용 분석  (0) 2022.02.07
tensorflow brace-enclosed initializer list  (4) 2022.02.07
google coral, tpu yolo  (0) 2022.01.27
coral tpu delegate example  (0) 2022.01.25
google coral  (0) 2020.10.06
Posted by 구차니
개소리 왈왈/컴퓨터2020. 10. 20. 10:43

lg gram 드라이버 프로그램 자동 실행 막기

시작 프로그램에서 이상한게 있어서 막았는데도 부팅 마다 계속 실행되서

이것저것 뒤져보니 DNALauncherSVC 라는 녀석으로 등록되어 있다. -_-

 

저작자표시 (새창열림)

'개소리 왈왈 > 컴퓨터' 카테고리의 다른 글

ADATA SSD 또 날아가려고 그러니? ㅜㅜ  (0) 2020.10.30
아아 SD가 죽었습니다 ㅠㅠ  (0) 2020.10.22
USB 사운드 카드 도착!  (0) 2020.10.19
해외 배송은 갑작스럽다  (0) 2020.10.17
컴퓨터 득템?  (0) 2020.10.14
Posted by 구차니
embeded2020. 10. 19. 15:05

i.mx6 solo 비디오 성능 문제?

uboot에서 cpu id 확인하는 부분을 수정하는 것 같은데 머가 원인이었을까?

 

[링크 : https://community.nxp.com/.../Poor-framerates-on-iMX6-Solo-when-decoding-H264/...]

[링크 : https://community.nxp.com/.../Error-in-opening-firmware-binary-file-for-i-mx6-solo-wandboard/...]

저작자표시 (새창열림)

'embeded' 카테고리의 다른 글

i.mx6quad용 gcc 옵션  (0) 2021.01.08
orange pi r1+  (0) 2021.01.08
간만에 부품 지름  (2) 2020.03.04
solidrun CuBox-i2w  (0) 2019.03.10
udoo 보드  (0) 2018.11.29
Posted by 구차니
Programming/c# & winform2020. 10. 19. 14:02

c# print 하기

 

[링크 : https://stackoverflow.com/questions/6103705/]

[링크 : https://www.nuget.org/packages/PdfiumViewer/] apache 2.0 license

[링크 : https://www.nuget.org/packages/PdfiumViewer.Native.x86_64.v8-xfa/] apache 2.0 license

 

+

[링크 : https://stackoverflow.com/questions/48740924]

 

[링크 : https://stackoverflow.com/questions/57415902]

  [링크 : https://www.nuget.org/packages/HtmlConvert]

  [링크 : https://www.nuget.org/packages/DynamicPDF/]

    [링크 : www.dynamicpdf.com/Merge-PDF-.NET.aspx]

  [링크 : https://www.codeproject.com/Articles/28283/Simple-NET-PDF-Merger] ??

저작자표시 (새창열림)

'Programming > c# & winform' 카테고리의 다른 글

itext7  (0) 2020.10.22
c# pdf itextsharp -> itext7  (0) 2020.10.22
c# printer 사용하기 - printer enumeration  (0) 2020.10.19
c# dialog dual screen  (0) 2020.10.15
c# dialog 전체화면  (0) 2020.10.15
Posted by 구차니
Microsoft/Windows2020. 10. 19. 12:46

파워셸로 파일 출력하기

html 파일을 렌더링 해서 출력하려면 어떻게 해야 하나..

아래의 명령으로는 txt 로 출력된다.

Get-Content -Path *.html | Out-Printer

 

Out-Printer (출력하기)

[링크 : https://docs.microsoft.com/en-us/powershell/module/microsoft.powershell.utility/out-printer]

 

Get-Printer (프린터 목록)

[링크 : https://docs.microsoft.com/en-us/powershell/module/printmanagement/get-printer]

 

ie로 보내서 출력.. (여러개 파일은?)

[링크 : https://stackoverflow.com/questions/7189299/print-automatically-html-file-with-powershell]

저작자표시 (새창열림)

'Microsoft > Windows' 카테고리의 다른 글

원격 데스크탑 멀티 모니터  (0) 2020.11.13
원격 데스크톱 바로가기 만들기  (0) 2020.11.10
윈도우 단축키 할당하기  (0) 2019.03.26
win10 에서 hiberfil.sys 없애기  (0) 2019.03.26
UWP - Universal Windows Platform  (0) 2019.03.26
Posted by 구차니
Programming/c# & winform2020. 10. 19. 12:36

c# printer 사용하기 - printer enumeration

일단은 프린터 나열부터 시작

        private void button1_Click(object sender, EventArgs e)
        {
            PrintQueue printQueue = null;
            LocalPrintServer localPrintServer = new LocalPrintServer();
            PrintQueueCollection localPrinterCollection = localPrintServer.GetPrintQueues();

            //Console.WriteLine("These are your shared, local print queues:\n\n");

            foreach (PrintQueue printer in localPrinterCollection)
            {
                //Console.WriteLine("\tThe shared printer " + printer.Name + " is located at " + printer.Location + "\n");
                textBox1.Text += printer.Name + "@" + printer.Location + "\r\n";
            }
            //Console.WriteLine("Press enter to continue.");
            //Console.ReadLine();
            //System.Collections.IEnumerator localPrinterEnumerator = localPrinterCollection.GetEnumerator();

        }

 

[링크 : https://docs.microsoft.com/ko-kr/dotnet/desktop/wpf/advanced/how-to-enumerate-a-subset-of-print-queues?view=netframeworkdesktop-4.8]

저작자표시 (새창열림)

'Programming > c# & winform' 카테고리의 다른 글

c# pdf itextsharp -> itext7  (0) 2020.10.22
c# print 하기  (0) 2020.10.19
c# dialog dual screen  (0) 2020.10.15
c# dialog 전체화면  (0) 2020.10.15
c# winform / 버튼클릭 이벤트 호출하기  (2) 2020.10.15
Posted by 구차니
개소리 왈왈/컴퓨터2020. 10. 19. 10:10

USB 사운드 카드 도착!

win10에서 자동 인식을 한다!

7.1로 잡힌것 같긴한데..

스피커 구성으로 해보니 5.1은 소리가 나오는데 7.1에서 RL/ RR은 나오지 않는것 봐서는 5.1이 최대인 것 같다.

 

내 노트북의 ubuntu 18.04 에서는 잡히는 것도 좀 이상하고

5.1 채널 설정해서 소리 테스트 하면 소리가 안나기도 하고.. 영 이상하네.. 안되는건 아니겠지? ㅠㅠ

 

[   27.335580] usb 2-1.2: new full-speed USB device number 4 using ehci-pci
[   27.446190] usb 2-1.2: New USB device found, idVendor=0d8c, idProduct=0102, bcdDevice= 0.10
[   27.446201] usb 2-1.2: New USB device strings: Mfr=0, Product=2, SerialNumber=0
[   27.446207] usb 2-1.2: Product: USB Sound Device        
[   27.478308] hidraw: raw HID events driver (C) Jiri Kosina
[   27.484227] usb 2-1.2: current rate 30464 is different from the runtime rate 96000
[   27.485858] usb 2-1.2: Warning! Unlikely big volume range (=8065), cval->res is probably wrong.
[   27.485861] usb 2-1.2: [9] FU [Mic Playback Volume] ch = 2, val = -6144/1921/1
[   27.486982] usb 2-1.2: Warning! Unlikely big volume range (=8065), cval->res is probably wrong.
[   27.486986] usb 2-1.2: [11] FU [Line Playback Volume] ch = 2, val = -6144/1921/1
[   27.493851] usb 2-1.2: Warning! Unlikely big volume range (=6928), cval->res is probably wrong.
[   27.493853] usb 2-1.2: [8] FU [Mic Capture Volume] ch = 2, val = -4096/2832/1
[   27.494989] usb 2-1.2: Warning! Unlikely big volume range (=6928), cval->res is probably wrong.
[   27.494991] usb 2-1.2: [15] FU [Line Capture Volume] ch = 2, val = -4096/2832/1
[   27.496850] usb 2-1.2: Warning! Unlikely big volume range (=6928), cval->res is probably wrong.
[   27.496852] usb 2-1.2: [2] FU [PCM Capture Volume] ch = 2, val = -4096/2832/1
[   27.497286] usbcore: registered new interface driver snd-usb-audio
[   27.498922] usbcore: registered new interface driver usbhid
[   27.498924] usbhid: USB HID core driver
[   27.513414] input: USB Sound Device         as /devices/pci0000:00/0000:00:1d.0/usb2/2-1/2-1.2/2-1.2:1.3/0003:0D8C:0102.0001/input/input23
[   27.576116] hid-generic 0003:0D8C:0102.0001: input,hidraw0: USB HID v1.00 Device [USB Sound Device        ] on usb-0000:00:1d.0-1.2/input3

 

 

        *-multimedia
             description: Audio device
             product: 6 Series/C200 Series Chipset Family High Definition Audio Controller
             vendor: Intel Corporation
             physical id: 1b
             bus info: pci@0000:00:1b.0
             version: 04
             width: 64 bits
             clock: 33MHz
             capabilities: bus_master cap_list
             configuration: driver=snd_hda_intel latency=0
             resources: irq:32 memory:d0720000-d0723fff

 

+

집에와서 odroid xu4 에 물려서 해보니 잘 된다(ubuntu mate)

 

다만 전방에 소리가 몰려있어서 후방으로 많이 밀어주어야 했는데 동영상 틀어봐야 확실하게 알 듯..

 

front left~ rear left~ 잘들린다!

그런데 front center와  LFE는 노이즈 처럼 작게 들리네..

 

희한하게 kodi 에서 4채널까진 괜찮은데 4.1 5.0 5.1 이런식으로 설정하면 소리가 확 작아진다.

정확하게는 center 채널이 분리되면서 다른쪽으로는 음성이 제거되는 느낌이라고 해야하나?

 

+

downmix 시 center 채널 mixing에 대한 부분이 켜지지 않을 경우 그렇다고 하는데

테스트 하기에는 너무 시간이.. ㅠㅠ

 

[링크 : https://forum.kodi.tv/showthread.php?tid=334664]

[링크 : https://kodi.wiki/view/Settings/System/Audio#Maintain_original_volume_on_downmix]

저작자표시 (새창열림)

'개소리 왈왈 > 컴퓨터' 카테고리의 다른 글

아아 SD가 죽었습니다 ㅠㅠ  (0) 2020.10.22
lg gram 드라이버 프로그램 자동 실행 막기  (0) 2020.10.20
해외 배송은 갑작스럽다  (0) 2020.10.17
컴퓨터 득템?  (0) 2020.10.14
어쩌다 보니 득템?  (0) 2020.10.11
Posted by 구차니

티스토리툴바