No description, website, or topics provided.
Clone or download

README.md

dac-hdc-2018-object-detection-in-Jetson-TX2

采用了darknet平台上的yolov2对多张图片进行目标检测,采用voc2007格式的训练集进行训练,然后对多张图片集进行测试,在tx2上检测速度能达到23帧左右,识别准确率能达到67%左右。同时还可以用摄像头进行实时检测。

测试过程

可以选择对一定数量的图片集进行测试,也可以选择用摄像头拍摄实时识别。(测试过程,我们在图片预处理和network_predict过程开了3个线程,这部分代码在examples/det.c文件中,可以对其进行修改来调整线程数。涉及到的文件有:det.c,pydarknet.c,pydarknet.h,darknet.h,network.c)

对图片集进行测试

1.将图片放在test/images文件夹下,同时,该文件夹下包含一个images.txt,内容为所有图片的绝对路径。(也可以放在其他文件夹,修改3中的路径即可)

2.interface-DAC-SDC为接口文件夹,修改procfunc_ex.py文件中的cfg和weights文件的路径和名称,并将你自己的cfg和weights权重文件放到interface-DAC-SDC/yolov2中。这里我们给出相匹配的cfg和weights文件:dac_May26.cfg和dac_May26.weights。

3.修改main_ex.py中DAC的路径为存放测试图片的images文件夹的路径,这里默认为test文件夹。

4.执行main_ex.py。这里默认测试1000张图片,在TX2上开超频大概1分钟左右,运行结果生成的xml文件路径为test/result/xml/SDU-LEGEND/。 运行时间帧数存放在test/result/time/alltime.txt。 图片测试的准确率运行validation.py可以获得:

    python validation.py <测试图片生成的xml文件路径> <文件原始的xml文件路径>

用摄像头拍摄识别

对cfg和weights文件的修改见上述第2步。

1.PC上通过摄像头获取视频,修改sender_1_client.py中的MyIP为图片接收方IP,执行命令:

    python sender_1_client.py

2.在tx2板子上进入interface-DAC-SDU文件夹下,修改display_buf.py中的MyIP为图片发送方IP执行:

    python display_buf.py