基于Darknet 的容器化产品

模型训练工程化 darknet

  1. 训练前的数据准备
    • 工程目录结构 
       project/            # 工程根目录
 ├── cfg             # 配置目录
 │   └── voc.names   # 标签名
 ├── images          # 样本
 │   ├── ...
 │   └── ...
 ├── labels          # YOLO标注格式
 │   ├── ...
 │   └── ...
 └── test            # 训练完后用于测试（非必须）
 ├── ...
 └── ...
    • 举例：这里以platen-switch为例 
       platen-switch/
 ├── cfg
 │   └── voc.names
 ├── images
 │   ├── IMG_9255.JPG
 │   ├── IMG_9263.JPG
 │   ├── IMG_9266.JPG
 │   └── IMG_9280.JPG
 ├── labels
 │   ├── IMG_9255.txt
 │   ├── IMG_9263.txt
 │   ├── IMG_9266.txt
 │   └── IMG_9280.txt
 └── test
 ├── IMG_9256.JPG
 └── IMG_9271.JPG
  2. 运行darknet容器
    • 将工程目录作为挂载点绑定到容器 
       # 使用您的工程绝对路径设置变量 project_dir
 $ project_dir='/home/wjunjian/github/gouchicao/darknet/model-zoo/platen-switch'
 $ sudo docker run --runtime=nvidia -it --name=darknet \
  --volume=$project_dir:/darknet/project \
  gouchicao/darknet:latest-gpu
  3. 创建工程，用于模型训练
    • 创建工程，自动生成训练前需要的数据 
       $ python3 create_project.py
    • 创建后的目录结构 
       platen-switch/
 ├── backup                  # 存储模型训练时权重值
 ├── cfg
 │   ├── train.txt           # 存储用于训练的图像路径
 │   ├── valid.txt           # 存储用于验证的图像路径
 │   ├── voc.data            # 配置文件
 │   ├── voc.names
 │   └── yolov3.cfg          # YOLOv3神经网络文件
 ├── data
 │   └── labels              # 预测时，用来绘制标签名
 │       ├── 100_0.png
 │       ├── ...
 │       ├── 99_7.png
 │       └── make_labels.py
 ├── images
 │   ├── IMG_9255.JPG
 │   ├── IMG_9263.JPG
 │   ├── IMG_9266.JPG
 │   └── IMG_9280.JPG
 ├── labels
 │   ├── IMG_9255.txt
 │   ├── IMG_9263.txt
 │   ├── IMG_9266.txt
 │   └── IMG_9280.txt
 ├── predict                 # 用来保存预测的图片
 └── test
 ├── IMG_9256.JPG
 └── IMG_9271.JPG
  4. 配置超参数
    • 编辑YOLO神经网络文件：yolov3.cfg 
       20行：max_batches = 2000    # 训练的轮数
 603行：filters=21    # (classes + 5)*3  classes指cfg/voc.data中的值
 610行：classes=2
 689行：filters=21    # (classes + 5)*3
 696行：classes=2
 776行：filters=21    # (classes + 5)*3
 783行：classes=2
  5. 训练模型 
     $ cd /darknet/project/
 $ ../darknet detector train cfg/voc.data cfg/yolov3.cfg ../darknet53.conv.74

 # 使用多GPU训练
 $ ../darknet detector train cfg/voc.data cfg/yolov3.cfg ../darknet53.conv.74 -gpus 0,1,2,3
  6. 测试模型 
     $ ../darknet detector test cfg/voc.data cfg/yolov3.cfg backup/yolov3_final.weights test.jpg

模型部署服务器 darknet-serving

  1. 生成部署模型的数据 
     $ cd /darknet/
 $ python3 generate_model_deploy_data.py
  2. 生成模型数据的目录结构 
     platen-switch/
 └── model
    ├── voc.data
    ├── voc.names
    ├── yolov3.cfg
    └── yolov3_final.weights
  3. 运行模型预测服务 
     # 使用您本机的绝对路径设置model_dir
 $ model_dir=/home/wjunjian/github/gouchicao/darknet/model-zoo/platen-switch/model

 # 部署模型
 $ sudo docker run --runtime=nvidia -it --name=darknet-serving -p 7713:7713 \
     --volume=$model_dir:/model \
     gouchicao/darknet-serving:latest-gpu

压板开关预测效果

压板开关预测

参考资料