如何在 Colab 安裝 Darknet 框架訓練 YOLO v3 物件辨識並且最佳化 Colab 的訓練流程

Up Chen

Nov 1, 2019

本篇文章假設你已經有 Colab、YOLO3 的基礎知識。如果你還不是很瞭解，可以參考：

Colab 參考：https://www.bnext.com.tw/article/52618/recommand-to-programming-language-learner-python-google-colab
Yolo3 參考：https://mropengate.blogspot.com/2018/06/yolo-yolov3.html

這篇文章會教你：

利用 Colab 128G RAM GPU 來訓練你的 Yolo3 模型
將 Colab 設定成可以運用在實際專案的訓練環境
快速掛載本機電腦上的檔案到 Colab 環境中
事先編譯所有需要的檔案，每次開啟 Colab 後即可立刻進行訓練
將訓練好的 weight 檔案自動同步回本機電腦，避免檔案遺失

步驟 1：設定使用 Colab 12G-RAM GPU 環境

Colab 預設環境是使用 CPU 訓練，我們想要使用快速的 GPU！

步驟 2：連接你的 Google Drive

我們使用 Google Drive 來同步 Colab 雲端和本機的檔案。

安裝 Google Drive https://www.google.com/intl/zh-TW_ALL/drive/
在 Google Drive底層目錄中，建立 darknet 資料夾

步驟 3：將 Google Drive 掛載到 Colab 環境中

開啟步驟 1 建立的 Colab 專案，輸入

from google.colab import drive
drive.mount('/content/gdrive')

這一行會將整個 Google Drive 掛載到 content/gdrive 下。我們另外建立一個捷徑，這樣每次取用檔案的時候就不用打一場串的路徑。

!ln -fs /content/gdrive/My\ Drive /app

步驟 4：下載並編譯 Darknet（只需要執行一次）

首先需要先安裝 Darknet 需要的 cuDNN

下載 cuDNN v7.5.0.56 for CUDA v10.0 並放到 Google Drive darknet/cuDNN/ 目錄下

!tar -xzvf /app/cuDNN/cudnn-10.0-linux-x64-v7.5.0.56.tgz -C /usr/local/
!chmod a+r /usr/local/cuda/include/cudnn.h# 檢查是否安裝成功
!cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

2. 下載並編譯 darknet

%cd /content/
!git clone https://github.com/kriyeng/darknet/ darknet_source
%cd darknet_source# 修改 Darknet 設定，符合 Colab 環境
!sed -i "s/GPU=0/GPU=1/g" Makefile
!sed -i "s/CUDNN=0/CUDNN=1/g" Makefile
!sed -i "s/OPENCV=0/OPENCV=1/g" Makefile# 編譯
!make# 將編譯完成的執行檔複製回 Google Drive
!cp ./darknet /app/darknet
!cp ./darknet /content/darknet
%cd /content

步驟 4.1：之後執行時只要複製編譯好的檔案就能馬上開始訓練

上個步驟會將 darknet 編譯成可以執行的檔案，只有第一次需要做。第二次以後，只要從 Google Drive 將編譯好的檔案複製回 Colab 就可以馬上開始進行訓練了。

%cd /content
!cp /app/darknet ./
!chmod +x ./darknet

步驟 5：設定完成！

到這邊，你已經設定好 Darknet 的環境並可以開始執行了。設定好一次之後，第二次重新啟動 Colab 的時候，就不用重新上傳檔案和編譯，只要掛載 Google Drive 並把 darknet 檔案複製到 Colab 就可以開始訓練了。

如何測試 Darknet 是否正常安裝

我們利用 yolo 事先訓練好的模型來偵測圖片， data/person.jpg是要被偵測的圖片位置，你可以用自己的照片試試看。

%cd /content/darknet_source
!wget https://pjreddie.com/media/files/yolov3.weights
!/content/darknet detect cfg/yolov3.cfg yolov3.weights data/person.jpg -dont-show

預測的結果會存在 predictions.jpg 檔案中，我們利用下面的程式碼顯示出這張圖片

import cv2
from google.colab.patches import cv2_imshow
img = cv2.imread(‘predictions.jpg’, cv2.IMREAD_UNCHANGED)
cv2_imshow(img)

如果你能看到類似下圖的圖片，恭喜你，你的 Darknet Yolo3 已經正確安裝並且正確運作了。

你可以試試看把 data/person.jpg替換成 data/eagle.jpg 、data/horses.jpg 來試試看不同圖片的辨識結果。

完整範例程式碼請見 http://bit.ly/2C4QNQx

如果這篇文章有幫助到你，請幫我按個讚吧，我能藉此獲得鼓勵以及微小的收入，支持我繼續創作。請按下方綠色拍手的符號～