Installation de bibliothèques de détection d'objet

Vous installez une bibliothèque de détection d'objet pour pouvoir exécuter le modèle de détection d'objet sur un serveur de périphérie.

Pourquoi et quand exécuter cette tâche

IBM® Maximo PQI SaaS Visual Insights prend en charge les bibliothèques de détection d'objet suivantes : YOLO (You Only Look Once), Faster R-CNN et SSD (Single Shot MultiBox Detector).

Procédure

  1. Installez les packs Python liés avec les commandes suivantes :
    sudo apt-get install python-numpy
    sudo apt-get install python-scipy
    sudo pip install cython
    sudo pip install easydict
    sudo pip install uuid
    sudo pip install multiprocessing
  2. Installez toutes les bibliothèques suivantes :
    Bibliothèque Instructions d'installation
    Bibliothèque YOLO version 2
    1. Exécutez les commandes suivantes pour obtenir le code source YOLO :
      git clone --recursive https://github.com/pjreddie/darknet.git
      cd darknet
      git checkout 691debd
    2. Editez le fichier makefile en activant le paramètre GPU, et sélectionnez le paramètre GPU ARCH correct en fonction de la configuration de votre machine :
      vi Makefile
      GPU=1
    3. Exécutez la commande suivante pour compiler YOLO :
      make
    Bibliothèque Python Faster R-CNN
    1. Exécutez la commande suivante pour obtenir le code source de Faster R-CNN :

      git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git
    2. Dans le répertoire py-faster-rcnn, dans le dossier lib, exécutez la commande suivante pour compiler Cython :
      make
    3. Placez-vous dans le répertoire caffe-fast-rcnn sous le répertoire py-faster-rcnn et effectuez une copie du fichier de configuration make avec les commandes suivantes :
      cd caffe-fast-rcnn
      cp Makefile.config.example Makefile.config
    4. Ajoutez les variables suivantes dans le fichier Makefile.config :
      USE_CUDNN := 1
CUDA_DIR := /usr/local/cuda
PYTHON_INCLUDE := /usr/include/python2.7 \
/usr/lib/python2.7/dist-packages/numpy/core/include
PYTHON_LIB :=
/usr/lib/x86_64-linux-gnu
WITH_PYTHON_LAYER := 1
INCLUDE_DIRS :=
$(PYTHON_INCLUDE) /usr/local/include \
/usr/include/hdf5/serial
LIBRARY_DIRS
:= $(PYTHON_LIB) /usr/local/lib /usr/lib \
/usr/lib/x86_64-linux-gnu
/usr/lib/x86_64-linux-gnu/hdf5/serial
    5. Exécutez la commande suivante pour compiler Caffe :
      make
    6. Exécutez la commande suivante pour compiler pycaffe à l'aide de la couche Python :
      make pycaffe
    Bibliothèque SSD
    1. Exécutez la commande suivante pour obtenir le code source de SSD :
      git clone --recursive https://github.com/weiliu89/caffe.git ~/ssd-caffe
      cd ~/ssd-caffe
      git checkout ssd
    2. Effectuez une copie du fichier de configuration makefile avec la commande suivante :
      cp Makefile.config.example Makefile.config
    3. Editez le fichier de configuration makefile et changez les paramètres CUDA_ARCH, BLAS et PYTHON_INCLUDE en fonction de la configuration de votre machine.
    4. Exécutez la commande suivante sur une seule ligne :
      find . -type f -exec sed -i -e 's^"hdf5.h"^"hdf5/serial/hdf5.h"^g' -e 's^"hdf5_hl.h"^"hdf5/serial/hdf5_hl.h"^g' '{}' \;
    5. Compilez le code avec la commande suivante :
      make -j8
    6. Compilez la couche Python avec la commande suivante :
      make py
    7. Compilez le test avec la commande suivante :
      make test -j8
  3. Ajoutez les variables d'environnement suivantes au fichier ~/.bashrc : YOLO_HOME, FRCNN_HOME et SSD_HOME. Voici un exemple d'ajout de variables d'environnement : YOLO_HOME=~/darknet/ FRCNN_HOME=~/py-faster-rcnn/ SSD_HOME=~/ssd-caffe/.