Skip to content

Prometheus目标检测Yolov5 TensorTR多目标跟踪

Jump to bottom
Ren Jin edited this page Jul 17, 2021 · 1 revision

Prometheus目标检测Yolov5-TensorTR多目标跟踪

注意，运行Yolov5-TensorRT需要安装CUDA、TensorRT，如果没有安装，请参考附录1

1. 下载编译prometheus-yolov5-tensorrt子模块

首先安装2个依赖项：

# 安装Opencv
sudo apt-get install libopencv-dev
# 安装pycuda
pip3 install pycuda

在Prometheus目录下，输入：

chmod +x ./Scripts/install_detection_yolov5tensorrt.sh
./Scripts/install_detection_yolov5tensorrt.sh

或者输入以下命令：

git clone https://gitee.com/jario-jin/prometheus-yolov5-tensorrt.git Modules/object_detection_yolov5tensorrt
cd Modules/object_detection_yolov5tensorrt
pip3 install -r requirements.txt

下载训练好的权重文件，以官方权重yolov5s.pt为例，用如下代码生成yolov5s.wts文件

cd <path-to-prometheus>/Modules/object_detection_yolov5tensorrt
python3 gen_wts.py

编译tensorrtx-yolov5：

cd <path-to-prometheus>/Modules/object_detection_yolov5tensorrt
mkdir build
cd build
cmake ..
make
sudo ./yolov5 -s # 生成yolov5s.engine文件

2. 运行yolov5-tensorrt

启动yolov5-tensorrt服务端（负责读取摄像头，检测目标）

chmod +x ./Scripts/start_yolov5tensorrt_server_multiobject_tracking.sh
./Scripts/start_yolov5tensorrt_server_multiobject_tracking.sh

启动yolov5-tensorrt客户端（负责从服务端读取检测结果，并发布ros消息）

roslaunch prometheus_detection yolov5_nvidia_multiobject_tracking.launch

附录1

1. 安装CUDA

以CUDA10.0为例，进入CUDA下载官网https://developer.nvidia.com/cuda-10.0-download-archive，选择Linux→x86_64→Ubuntu→18.04→deb(local)下载.deb格式安装包，然后运行以下指令：

cd Downloads
sudo dpkg -i cuda-repo-ubuntu1804-10-0-local-10.0.130-410.48_1.0-1_amd64.deb
sudo apt-key add /var/cuda-repo-10-0-local-10.0.130-410.48/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda

如果遇到依赖错误，可采用aptitude安装：

sudo apt-get install aptitude
sudo aptitude install cuda
2. 安装TensorRT

以Tensorrt7.0.0为例，进入Tensorrt下载官网https://developer.nvidia.com/nvidia-tensorrt-7x-download，选择Tensorrt 7.0.0.11 for Ubuntu 1804 and CUDA 10.0 DEB local repo packages下载.deb格式安装包，然后运行以下指令：

sudo dpkg -i nv-tensorrt-repo-ubuntu1804-cuda10.0-trt7.0.0.11-ga-20191216_1-1_amd64.deb
sudo apt-get update
sudo apt-get install tensorrt

附录2

ROS-Launch参数解析

以<path-to-Prometheus>/Modules/object_detection/launch/yolov5_nvidia_tensorrt.launch为例：

<launch>
    <node pkg="prometheus_detection" type="yolov5_tensorrt_client.py" name="yolov5_tensorrt_client" output="screen">
        <param name="output_topic" value="/prometheus/object_detection/yolov5_tensorrt_det"/>
        <param name="camera_parameters" type="string" value="$(find prometheus_detection)/shell/calib_webcam_640x480.yaml" />
        <param name="object_names_txt" value="coco"/>
    </node>
</launch>

其中：

  • output_topic：检测结果输出话题（消息类型：MultiDetectionInfo.msg）
  • camera_parameters：相机参数文件（为了估计视线角误差、目标位置）
  • object_names_txt：目标类别描述txt问题（具体见：<path-to-Prometheus>/Modules/object_detection/py_nodes/yolov5_tensorrt_client/class_desc/coco.txt）

输出ROS话题解析

默认输出话题，消息类型：

##`MultiDetectionInfo.msg`
Header header
## 检测到的目标数量
int32 num_objs
## 每个目标的检测结果
DetectionInfo[] detection_infos
##`DetectionInfo.msg`
## 是否检测到目标
bool detected
## 目标类别名称
string object_name
## 类别ID
int32 category
## 0表示相机坐标系, 1表示机体坐标系, 2表示惯性坐标系
int32 frame
## 目标位置[相机系下：右方x为正，下方y为正，前方z为正]
float32[3] position
## 目标姿态-欧拉角-(z,y,x)
float32[3] attitude
## 目标姿态-四元数-(qx,qy,qz,qw)
float32[4] attitude_q
## 视线角度[相机系下：右方x角度为正，下方y角度为正]
float32[2] sight_angle
## 偏航角误差
float32 yaw_error

注意：默认情况下每个目标仅有detected, object_name, category, frame, sight_angle的输出。

如果想输出position，需要在类别描述文件（如<path-to-Prometheus>/Modules/object_detection/py_nodes/yolov5_tensorrt_client/class_desc/coco.txt）中填写目标的高度与宽度（单位：m）。

image-20210403231019265

如上图，以人（person）为例，设置宽度0.5m，高度1.8m

然后，需要修改源代码，这里以高度估计人距离摄像机的距离，并以此估计position。

源代码位置：<path-to-Prometheus>/Modules/object_detection/py_nodes/yolov5_tensorrt_client/yolov5_tensorrt_client.py，（112-114行）

image-20210403231510904

cls==0用来判断是否为类别—person，cls_hs[cls]用来读取目标高度（读到的数就是我们写在coco.txt里的1.8m），camera_matrix[1][1]为垂直方向像素焦距（由相机标定参数文件决定），h物体的像素高度（为实时检测结果，并被归一化到0-1）

附：目标位置测量原理

image-20210404002310773

附录3

1. 数据标注

下载数据集标注工具，下载地址： Spire Web或者百度网盘 (密码: l9e7) ，数据集管理软件SpireImageTools：gitee地址或者github地址。

  • 解压，打开标注软件 SpireImageTools_x.x.x.exe

首先点击Tools->Setting...，填写一个 save path (所有的标注文件都会存储在这个文件夹中)

  • 将拍摄的视频转为图像 (如果采集的是图像，则跳过这一步骤)，点击 Input->Video， 选择要标注的视频。

然后，点击Tools->Video to Image

点击OK 后，等待完成，结果会存储在：

  • 打开需要标注的图像，点击菜单Input->Image Dir， 找到需要标注的图像所在文件夹 ，按Ctrl+A，全选，打开所有图像：

  • 点击菜单：Tools->Annotate Image->Box Label，开始标注图像

image-20210404154814396

在label中填写待标注目标名称，然后将对话框拖到一边。

  • 开始标注，在主窗口中开始标注，鼠标滚轮放大缩小图像，按住左键移动可视图像区域不断点击左键将目标框包围，使用Yolo训练时，点击2个点即可：

image-20210404155716652

标注时，如果点错，按鼠标右键可以取消。标注完成后，如果不满意，可以点击绿色边框(边框会变红，如下图所示)，按Delete删除

image-20210404160443123

  • 继续标注行人类别：

image-20210404161102231

  • 全部标注完成后，将标注输出为Yolo格式，准备训练——在标注完成之后，按下Ctrl+o

image-20210404161654460

点击OK即可，需要等待转换。

  • 注意，如下两个文件夹是我们训练Yolov5需要的

image-20210404162131412

2. 开始训练Yolov5

在准备好scaled_images和Yolo_labels两个文件夹之后，我们就可以训练Yolov5了。首先，创建一个car_person.yaml，将其放到<path-to-Prometheus>/Modules/object_detection_yolov5tensorrt/data/文件夹下。car_person.yaml的具体内容如下：

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: data/car_person/images/train/
val: data/car_person/images/train/

# number of classes
nc: 2

# class names
names: ['car', 'person']

注意1：car_person是自定义名称，我们这次标注的数据集仅有这2个类别。 注意2：names: ['car', 'person']这里的类别顺序需要跟Yolo_categories.names里的类别顺序一致。

  • 将训练图像与标注拷贝到对应位置

首先，在<path-to-Prometheus>/Modules/object_detection_yolov5tensorrt/data/下新建一个文件夹car_person。然后，在car_person下再新建2个文件夹images和labels。最后，将准备好的scaled_images拷贝到images下，并重命名为train；将准备好的Yolo_labels拷贝到labels下，并重命名为train。

结合car_person.yaml里的内容，我想你应该明白上面目录结构的含义啦。

  • 开始训练
cd <path-to-Prometheus>/Modules/object_detection_yolov5tensorrt/
python3 train.py --img 640 --batch 16 --epochs 5 --data data/car_person.yaml --weights weights/yolov5s.pt

image-20210404171722755

显示以上内容说明训练成功！可以增加训练期数（--epochs 5）提升效果。

  • 部署训练好的模型

刚刚训练好的模型会保存在<path-to-Prometheus>/Modules/object_detection_yolov5tensorrt/runs/exp?/weights/best.pt，?需根据自己的情况而定（最新训练的模型?为最大的数字），将best.pt重命名为yolov5s.pt，拷贝到<path-to-Prometheus>/Modules/object_detection_yolov5tensorrt/下，然后执行：

cd <path-to-prometheus>/Modules/object_detection_yolov5tensorrt
python3 gen_wts.py

感谢使用Prometheus自主无人机软件平台！

Clone this wiki locally