安裝教學

前置作業

*使用 Anaconda Navigater 來作終端機安裝及啟用。
開啟 Anaconda Prompt 後，使用conda 建立虛擬環境來作使用

1.進入虛擬環境, 安裝 Pytorch

(base) C:\Users\ming1>conda create --name pytorch python=3.7

(base) C:\Users\ming1>conda activate pytorch

(pytorch) C:\Users\ming1>conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

(pytorch) C:\Users\ming1>conda deactivate

(base) C:\Users\ming1>


2.Joseph Redmon 網站下載 YOLOv2 權重檔，搜尋網址 https://pjreddie.com/media/files/yolov2.weights
在Linux或是Mac os的終端機執行以下指令

wget https://pjreddie.com/media/files/yolov2.weights

YOLOv2 Visualization

特徵圖產生

*用 Pytorch 網路框架，必須安裝 Nvidia CUDA 讓顯卡整合。
基於顯卡型號不同，安裝的過程所遇到狀況也不一。
目前為 Nvidia CUDA 已經安裝

1.開啟 Anaconda Prompt 後，使用conda建立虛擬環境來作使用

(base) C:\Users\ming1>conda activate pytorch

$ (pytorch) C:\Users\ming1>


2.至 https://github.com/Kagu82104/thesissystem下載


3.解壓縮


4.位置移至 convolution visualizer 資料夾

(pytorch) C:\Users\ming1>cd “C:\Users\ming1\Downloads\thesissystem-master\system\convolution visualizer”

(pytorch) C:\Users\ming1\Downloads\thesissystem-master\system\convolution visualizer>


5.將已下載 yolov2.weights 及圖片，放置 convolution visualizer 資料夾


6.執行指令，產生特徵圖
(pytorch) C:\Users\ming1\Downloads\thesissystem-master\system\convolution visualizer>

python detect.py ./cfg/yolo.cfg ./yolov2.weights ./dog.jpg


7. 打開 data，包含 img、yolo_v2_generated、input.jpg 及 predictions.jpg


8.打開 img 資料夾，查閱特徵圖


權重圖產生

*用 Pytorch 網路框架，必須安裝 Nvidia CUDA 讓顯卡整合。基於顯卡型號不同，安裝的過程所遇到狀況也不一。目前為 Nvidia CUDA 已經安裝
1.開啟 Anaconda Prompt 後，使用conda建立虛擬環境來作使用

(base) C:\Users\ming1>conda activate pytorch

$ (pytorch) C:\Users\ming1>


2.至 https://github.com/jysh1214/yolov2-visualization下載


3.解壓縮 zip 檔案


4.下載 weights 檔至 yolov2-visualization-master 資料夾


5.位置移至 convolution visualizer 資料夾

(pytorch) C:\Users\ming1>cd “C:\Users\ming1\Downloads\yolov2-visualiztion-master”

$ (pytorch) C:\Users\ming1\Downloads\yolov2-visualiztion-master>


6.執行指令，產生權重圖
(pytorch) C:\Users\ming1\Downloads\thesissystem-master\system\convolution visualizer>

python vis.py ./cfg/yolov2-voc.cfg yolo-voc.weights


7.打開 img 資料夾，查閱權重圖


YOLOv2框架

1.至 https://github.com/yjfu95103/yolov2framework下載


2.開啟 Anaconda Prompt 後，使用conda建立虛擬環境來作使用

(base) C:\Users\ming1>conda activate pytorch

$ (pytorch) C:\Users\ming1>


3.解壓縮
4.進入visualization/convolution visualizer資料夾

(pytorch) C:\Users\ming1>cd "C:\Users\ming1\Downloads\yolov2framework\visualization/convolution visualizer"

$ (pytorch) C:\Users\ming1\Downloads\yolov2framework\visualization/convolution visualizer>


5.將yolov2.weights放進此目錄
6.執行指令
(pytorch) C:\Users\ming1\Downloads\yolov2framework\visualization\convolution visualizer>

python detect.py ./cfg/yolo.cfg ./yolov2.weights ./dog.jpg


7.開啟index.html

卷積動畫

1.至 https://github.com/yjfu95103/convanimation下載


2.解壓縮
3.開啟index.html

錨框產生

使用到libdarknet.so檔案，必須於Linux 或MacOs系統下操作
1.至 https://github.com/yjfu95103/anchorbox下載


2.解壓縮
3.將yolov2.weights放進此目錄
4.開啟終端機，移至當前位置，再執行Make指令

(base) C:\Users\ming1>cd anchorbox

$ (base) C:\Users\ming1\anchorbox>


5.執行指令 python3 darknet.py cfg/coco.data cfg/yolo.cfg yolov2.weights ./data/dog.jpg > anchor.txt
獲取anchor box資料
(base) C:\Users\ming1\anchorbox>

python3 darknet.py cfg/coco.data cfg/yolo.cfg yolov2.weights ./data/dog.jpg > anchor.txt

$ (base) C:\Users\ming1\anchorbox>


6.執行指令 ./darknet detect cfg/yolo.cfg yolov2.weights data/dog_temp.jpg -thresh 0.0
獲取thresh 0.0的辨識結果
(base) C:\Users\ming1\anchorbox>

./darknet detect cfg/yolo.cfg yolov2.weights data/dog_temp.jpg -thresh 0.0

$ (base) C:\Users\ming1\anchorbox>


7.執行指令 ./darknet detect cfg/yolo.cfg yolov2.weights data/dog_temp.jpg -thresh 0.6
獲取thresh 0.6的辨識結果
(base) C:\Users\ming1\anchorbox>

./darknet detect cfg/yolo.cfg yolov2.weights data/dog_temp.jpg -thresh 0.6

$ (base) C:\Users\ming1\anchorbox>


8.將anchor.txt的資料複製貼至anchorbox/cube_m3.js中，alldata裡面
9.將兩張predictions.jpg複製到anchorbox資料夾中，修改名稱為dog_pre.jpg和dog_pre_0.jpg
10.將input.jpg複製到anchorbox資料夾中
3.開啟index.html