YOLO_Google Cloud

INTRODUCTION

NOTE. Ce référentiel n'est plus activement maintenu par moi. Cependant, si d'autres souhaitaient apporter des modifications, veuillez présenter une demande de traction et je ferai de mon mieux pour fusionner les modifications dès que possible. Codage heureux! :)

Ce référentiel montre comment on peut faire la détection d'objets en temps réel à l'aide de GPU qui sont disponibles gratuitement sur Google Cloud en utilisant les crédits de 1 an de Google. Nous utilisons un que vous ne regardez qu'une fois archirictural pour la détection d'objets qui peut être visualisé dans un navigateur Web comme indiqué ci-dessous.

Pourquoi devrais-je utiliser ceci?

La détection d'objets est un problème difficile et coûteux en calcul et tout le monde n'a pas accès aux GPU pour faire la détection d'objets en temps réel. De plus, il existe des alternatives. Par exemple, TensorFlow propose des modèles de mobilenet légers (voir ici), mais ils ont le prix d'une précision réduite. La détection d'objets est également disponible sur iOS / Android, mais ils sont confrontés aux mêmes problèmes mentionnés précédemment.

Une solution intéressante a également été présentée sur Webbrtchacks. Je l'ai testé moi-même et cela fonctionne bien. Cependant, cette solution envoie une vidéo webcam comme une série d'images JPG codées résultant en une utilisation et une latence de bande passante significatives qui ne sont pas présentes dans cette solution.

Faire la détection d'objets sur le nuage élimine ces problèmes. De plus, puisque vous pouvez choisir le GPU que vous souhaitez utiliser, vous pouvez exécuter beaucoup de réseaux de neurones profonds "lourds" tout en atteignant une précision proche de la réalité.

L'inférence / test sur les modèles suivants a été vérifié, le tout avec une latence inférieure à 100 ms. La latence dépendra de l'emplacement du serveur Google Cloud et de l'endroit où vous vous trouvez (plus à ce sujet plus tard).

• SSD Inception v2 Coco
• Yolo Coco
• Yolo 9000

Dépendances

• Nous utilisons une liaison GPU Yolo Python. Voir le référentiel d'origine pour plus de détails
• Pour envoyer des flux vidéo en temps réel sur le navigateur, nous utilisons une implémentation asyncio de WebRTC appelé AIORTC. AIORTC doit être installé en fonction de leurs instructions et de leur travail avant que ce référentiel ne soit utilisable. Voici un résumé des étapes que j'ai compilées:

Installation

Installer des détentions

1. Créez une instance de la machine virtuelle en exécutant ce qui suit dans le shell Google Cloud. Remplacez YOUR_PROJECT_NAME par le nom de votre projet dans lequel la machine virtuelle doit être déployée.

   • gcloud beta compute --project=YOUR_PROJECT_NAME instances create instance-1 --zone=us-east1-b --machine-type=n1-standard-2 --subnet=default --network-tier=PREMIUM --maintenance-policy=TERMINATE --service-account=[e-mail] --scopes=https://www.googleapis.com/auth/devstorage.read_only,https://www.googleapis.com/auth/logging.write,https://www.googleapis.com/auth/monitoring.write,https://www.googleapis.com/auth/servicecontrol,https://www.googleapis.com/auth/service.management.readonly,https://www.googleapis.com/auth/trace.append --accelerator=type=nvidia-tesla-p100,count=1 --tags=http-server,https-server --image=c2-deeplearning-tf-1-12-cu100-20181120 --image-project=ml-images --boot-disk-size=60GB --boot-disk-type=pd-standard --boot-disk-device-name=instance-1

2. Ouvrez un terminal SSH de l'instance nouvellement créée comme indiqué ci-dessous. Notez également l' IP externe . Vous en aurez besoin pour plus tard.

3. Vous obtiendrez une invite pour installer des pilotes NVIDIA. Entrez y .

4. Installez FFMPEG et les packages supplémentaires.

   • sudo apt install ffmpeg
   • sudo apt install libavdevice-dev libavfilter-dev libopus-dev libvpx-dev pkg-config

5. Une fois l'installation terminée, clonez le référentiel GIT et installez les dépendances. Prenez une tasse de café. Cela prendra quelques minutes.

   • cd ~
   • git clone https://github.com/omarabid59/YOLO_Google-Cloud.git
   • cd ~/YOLO_Google-Cloud
   • pip3 install -r requirements.txt

Téléchargez le modèle YOLO.

1. Ensuite, téléchargez le fichier et les poids du modèle YOLO CFG en exécutant les commandes suivantes:
   • mkdir -p ~/YOLO_Google-Cloud/mlserver/model
   • cd ~/YOLO_Google-Cloud/mlserver/model
   • wget https://raw.githubusercontent.com/pjreddie/darknet/master/cfg/yolov3.cfg
   • wget https://pjreddie.com/media/files/yolov3.weights
   • wget https://raw.githubusercontent.com/pjreddie/darknet/master/data/coco.names

Démarrage rapide

1. Exécutez d'abord le serveur d'apprentissage automatique.
   • nohup python3 ~/YOLO_Google-Cloud/mlserver/mlserverclient.py &
2. Ensuite, exécutez le serveur HTTP. Si vous voyez la sortie de commande ci-dessous, cela signifie que vous êtes prêt à partir!
   • cd ~/YOLO_Google-Cloud/webserver/ && python3 httpserver.py
3. Maintenant, allez dans votre navigateur et saisissez ce qui suit. Où YOUR_IP_ADDRESS est celui que vous avez obtenu à l'étape 2.
   • https://YOUR_IP_ADDRESS:8889 c'est tout!

Note importante.

N'oubliez pas d'arrêter la machine virtuelle Google Cloud immédiatement après avoir fini d'expérimenter pour éviter d'utiliser vos crédits Google et d'être facturé (si vous dépassez vos crédits)