कैट घोनिम: घर पर लॉन पर बिल्लियों को खुद को राहत देने के लिए कैसे नहीं?

कैलिफोर्निया के एक 65 वर्षीय प्रोग्रामर रॉबर्ट बॉन्ड थे। और उनके पास एक बागवानी पत्नी थी जो अपने स्वच्छ लॉन से बहुत प्यार करती थी। लेकिन यह कैलिफ़ोर्निया है, बिल्ली संरक्षण प्रणाली के साथ दो-मीटर बाड़ नहीं हैं। पड़ोसी बिल्लियां लॉन पर चलती हैं और बकवास करती हैं!



समस्या को हल करना पड़ा। रॉबर्ट ने इसे कैसे तय किया? उन्होंने अपने कंप्यूटर से कुछ लोहा खरीदा, लॉन के ऊपर एक बाहरी निगरानी कैमरे को जोड़ा, और फिर कुछ असामान्य बात की, उन्होंने एक मुफ्त उपलब्ध ओपन सोर्स सॉफ्टवेयर डाउनलोड किया - एक तंत्रिका नेटवर्क, और उसे कैमरे की छवि में बिल्लियों को पहचानने के लिए प्रशिक्षित करना शुरू किया। और शुरुआत में कार्य तुच्छ लगता है, क्योंकि यदि आप कुछ सीखते हैं और यह आसान है, तो यह बिल्लियों के लिए है, क्योंकि बिल्लियाँ इंटरनेट से अटी पड़ी हैं, उनमें से लाखों हैं। यदि सब कुछ इतना सरल था, लेकिन चीजें बदतर हैं, तो वास्तविक जीवन में बिल्लियां ज्यादातर रात में बकवास करने के लिए जाती हैं। इंटरनेट पर लॉन पर पेशाब करते हुए रात की बिल्लियों की कोई तस्वीर नहीं है। और कुछ बिल्लियाँ काम के दौरान सिंचाई प्रणाली से पीने का प्रबंधन भी करती हैं, लेकिन फिर भी इसे डंप करती हैं।



नीचे हम लेखक से परियोजना का विवरण प्रदान करते हैं, अंग्रेजी संस्करण यहां पाया जा सकता है ।

यह परियोजना दो चीजों से प्रेरित थी: तंत्रिका नेटवर्क सॉफ़्टवेयर के बारे में अधिक जानने की इच्छा और मेरे लॉन के अलावा कहीं और बाहर घूमने के लिए पड़ोसी बिल्लियों को प्रोत्साहित करने की इच्छा।

इस परियोजना में केवल तीन हार्डवेयर घटक शामिल हैं: एनवीडिया जेटसन TX1 बोर्ड, फोस्कैम FI9800P आईपी ​​कैमरा और रिले से जुड़ा कण फोटॉन । कैमरे को लॉन की तरफ से घर की तरफ लगाया जाता है। वह WI-FI पहुंच बिंदु से संपर्क करता है, उसके बाद जेटसन। कण फोटॉन और रिले मेरी सिंचाई प्रणाली की नियंत्रण इकाई में स्थापित किए गए हैं और रसोई में एक WI-FI पहुंच बिंदु से जुड़े हैं।

प्रक्रिया में, यार्ड में परिवर्तनों की निगरानी के लिए कैमरा कॉन्फ़िगर किया गया है। जब कुछ बदलता है, तो कैमरा जेटसन के प्रति 7 छवियों के एक सेट को प्रति सेकंड प्रसारित करता है। जेटसन-संचालित सेवा आने वाली छवियों को ट्रैक करती है, उन्हें कैफ के गहन प्रशिक्षण तंत्रिका नेटवर्क में स्थानांतरित करती है। यदि नेटवर्क एक बिल्ली का पता लगाता है, तो जेटसन क्लाउड में कण फोटॉन सर्वर को संकेत देता है, जो फोटॉन को एक संदेश भेजता है। फोटॉन दो मिनट के लिए स्प्रिंकलर को चालू करके प्रतिक्रिया करता है।

यहाँ बिल्ली फ्रेम में गई, कैमरा चालू किया:



कुछ सेकंड के बाद, बिल्ली यार्ड के बीच में आ गई, फिर से कैमरा चालू किया और सिंचाई प्रणाली के स्प्रिंकलर सक्रिय किए:

कैमरा स्थापना

कैमरा लगाने के बारे में कुछ भी असामान्य नहीं था। एकमात्र स्थायी कनेक्शन 12-वोल्ट वायर्ड कनेक्शन है जो कि कगार के नीचे एक छोटे से छेद से गुजरता है। मैंने एक लॉन के साथ सामने के यार्ड को पकड़ने के लिए एक लकड़ी के बक्से पर कैमरा लगाया। तारों का एक गुच्छा कैमरे से जुड़ा होता है, जिसे मैं एक बॉक्स में छिपाता था।

इसे जेटसन के एपी (नीचे देखें) के साथ जोड़ने के लिए फ़ोकसम के निर्देशों का पालन करें। मेरे सेटअप में, जेटसन 10.42.0.1 पर है। मैंने कैमरे को 10.42.0.11 का एक निश्चित आईपी पता सौंपा, ताकि इसे ढूंढना आसान हो। यह हो जाने के बाद, विंडोज लैपटॉप को कैमरे से कनेक्ट करें और परिवर्तन को सक्रिय करने के लिए "चेतावनी" पैरामीटर कॉन्फ़िगर करें। चेतावनी (चेतावनी) द्वारा FTP के माध्यम से 7 छवियों के अपलोड को सेट करें। फिर इसे Jetson पर यूजर आईडी और पासवर्ड दें। मेरा कैमरा एफ़टीपी के माध्यम से ६४० x १०६ चित्र अपने घर निर्देशिका में भेजता है।

नीचे आप उन मापदंडों को देख सकते हैं जो कैमरा कॉन्फ़िगरेशन के लिए चुने गए थे।

कण फोटॉन की स्थापना

फोटॉन को स्थापित करना आसान था। मैंने इसे सिंचाई नियंत्रण इकाई में रखा।



नीली एलईडी के साथ बाईं ओर ब्लैक बॉक्स ईबे पर खरीदा गया 24 वी एसी (5 वी) से 5 वी डीसी कनवर्टर है। आप रिले बोर्ड पर सफेद रिले और सामने की तरफ नीला कनेक्टर देख सकते हैं। फोटॉन ही सही पर है। दोनों को एक साथ रखने के लिए कार्डबोर्ड के एक टुकड़े से चिपके हुए हैं।

कनवर्टर से 5 वी आउटपुट पार्टिकल फोटॉन वीआईएन कनेक्टर से जुड़ा है। रिले बोर्ड ज्यादातर एनालॉग है: इसमें एक खुला कलेक्टर एनपीएन ट्रांजिस्टर है जिसमें नाममात्र 3.3 V इनपुट के साथ ट्रांजिस्टर बेस और 3 वी रिले है। फोटॉन नियंत्रक रिले को नियंत्रित करने के लिए पर्याप्त वर्तमान की आपूर्ति नहीं कर सका, इसलिए मैंने ट्रांजिस्टर इनपुट के कलेक्टर को 15 ओम के प्रतिरोध और 1/2 डब्ल्यू की शक्ति के साथ एक प्रतिरोधक के माध्यम से 5 वी से जोड़ा, वर्तमान को सीमित किया। रिले संपर्क सामान्य नियंत्रण सर्किट के साथ समानांतर में पानी के पंखे से जुड़े होते हैं।

यहाँ कनेक्शन आरेख है:

24VAC कनवर्टर 24VAC <---> नियंत्रण बॉक्स 24VAC OUT
24VAC कनवर्टर + 5V <---> फोटॉन VIN, रिले बोर्ड + 3.3V के लिए प्रतिरोधी
24VAC कनवर्टर जीएनडी <---> फोटॉन जीएनडी, रिले जीएनडी
फोटॉन D0 <---> रिले बोर्ड सिग्नल इनपुट
रिले COM <---> नियंत्रण बॉक्स 24VAC OUT
रिले नं <---> फ्रंट यार्ड वॉटर वाल्व

जेटसन स्थापित करें

जेटसन में जोड़े गए एकमात्र हार्डवेयर घटक एक एसएटीए एसएसडी और एक छोटा बेल्किन यूएसबी हब है। हब में दो वायरलेस कुंजियां हैं जो कीबोर्ड और माउस को जोड़ती हैं।

एसएसडी समस्या के बिना आया था। मैंने इसे EXT4 में सुधार किया और इसे / caffe के रूप में स्थापित किया। मैं जेट्सन आंतरिक एसडी कार्ड से आपके सभी प्रोजेक्ट कोड, गिट रिपॉजिटरी और एप्लिकेशन डेटा को हटाने की अत्यधिक सलाह देता हूं, क्योंकि जेटपैक अपग्रेड के दौरान सिस्टम को मिटा देना अक्सर आसान होता है।



यदि आप इस गाइड का अनुसरण करते हैं तो वायरलेस एक्सेस प्वाइंट सेट करना बहुत सरल (सत्य!) था। संकेत के रूप में केवल उबंटू मेनू का उपयोग करें, और इस कॉन्फ़िगरेशन पैरामीटर को जोड़ना सुनिश्चित करें।

मैंने vsftpd को एफ़टीपी सर्वर के रूप में स्थापित किया। विन्यास काफी हद तक स्टॉक है। मैंने अनाम एफ़टीपी को सक्षम नहीं किया। मैंने कैमरे को एक उपयोगकर्ता नाम और पासवर्ड दिया जो अब किसी भी चीज़ के लिए उपयोग नहीं किया जाता है।

मैंने जेटसनहॉक्स नुस्खा का उपयोग करके कैफ स्थापित किया। मेरा मानना ​​है कि वर्तमान रिलीज़ में LMDB_MAP_SIZE समस्या नहीं है, इसलिए कोई भी परिवर्तन करने से पहले इसे बनाने का प्रयास करें। आपको JetsonHacks शेल स्क्रिप्ट में उल्लिखित परीक्षण और समय डेमो चलाने में सक्षम होना चाहिए। मैं वर्तमान में क्यूडा 7.0 का उपयोग कर रहा हूं, लेकिन मुझे यकीन नहीं है कि यह इस स्तर पर महत्वपूर्ण है। CDNN का उपयोग करें, यह इन छोटी प्रणालियों में महत्वपूर्ण मात्रा में मेमोरी बचाता है। एक बार यह बन जाने के बाद, बिल्ड डायरेक्टरी को PATH वैरिएबल में जोड़ें ताकि स्क्रिप्ट Caffe को खोज सकें। साथ ही अपने PYTHONPATH में Caffe Python lib निर्देशिका जोड़ें।

~ $ echo $PATH /home/rgb/bin:/caffe/drive_rc/src:/caffe/drive_rc/std_caffe/caffe/build/tools:/usr/local/cuda-7.0/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin ~ $ echo $PYTHONPATH /caffe/drive_rc/std_caffe/caffe/python: ~ $ echo $LD_LIBRARY_PATH /usr/local/cuda-7.0/lib:/usr/local/lib 

मैं सिमेंटिक सेगमेंटेशन (FCN) विकल्प के लिए फुली कन्व्यूशनल नेटवर्क का उपयोग कर रहा हूं। बर्कले मॉडल ज़ू , गीथूब देखें।

मैंने कई अन्य नेटवर्क की कोशिश की और आखिरकार एफसीएन पर बस गया। अगले लेख में चयन प्रक्रिया के बारे में और पढ़ें। Fcn32s TX1 पर अच्छी तरह से काम करता है - यह 1 जीबी से अधिक मेमोरी लेता है, लगभग 10 सेकंड में चलता है और एक दूसरे के लगभग एक तिहाई में 640x360 छवि को विभाजित करता है। वर्तमान जीथब रिपॉजिटरी में स्क्रिप्ट का एक अच्छा सेट है, और सेटिंग छवि के आकार से स्वतंत्र है - यह नेटवर्क का आकार बदलने के लिए फिट बैठता है जिसे आप इसमें फेंकते हैं।

इसे आज़माने के लिए, आपको पहले से प्रशिक्षित कैफ़ मॉडल को तैनात करना होगा। इसमें कुछ मिनट लगते हैं: फ़ाइल का आकार fcn32s-Heavy-pascal.caffemodel 500 एमबी से अधिक है।

 $ cd voc-fcn32s $ wget `cat caffemodel-url` 

Image.open () कमांड में इसी .jpg में रास्ता बदलकर infer.py संपादित करें। लाइन "नेट" को बदलें ताकि यह सिर्फ लोड किए गए मॉडल को इंगित करे:

  -net = caffe.Net('fcn8s/deploy.prototxt', 'fcn8s/fcn8s-heavy-40k.caffemodel', caffe.TEST) +net = caffe.Net('voc-fcn32s/deploy.prototxt', 'voc-fcn32s/fcn32s-heavy-pascal.caffemodel', caffe.TEST) 

आपको vc-fcn32s / तैनाती.प्रोटॉटेक्स फ़ाइल की आवश्यकता होगी। यह आसानी से vc-fcn32s / train.prototxt से उत्पन्न होता है। यह कैसे करें, यह देखने के लिए vc-fcn8s / train.prototxt और voc-fcn8s / तैनात.prototxt के बीच के बदलावों को देखें, या आप इसे गथब पर मेरे पीछा करने वाली बिल्लियों के भंडार से प्राप्त कर सकते हैं। अब आपको दौड़ने में सक्षम होना चाहिए।

  $ python infer.py 

मेरी रिपॉजिटरी में कई सारे संस्करण शामिल हैं, जिसमें कई Python यूटिलिटीज हैं जो खंडित फ़ाइलों, फोटॉन कोड और प्रबंधन स्क्रिप्ट और ऑपरेटिंग स्क्रिप्ट के बारे में जानते हैं जो मैं सिस्टम को शुरू करने और मॉनिटर करने के लिए उपयोग करता हूं। नीचे दिए गए सॉफ़्टवेयर के बारे में और पढ़ें।

नेटवर्क का चयन

छवि पहचान के लिए तंत्रिका नेटवर्क को आमतौर पर वस्तुओं के एक सेट को पहचानने के लिए प्रशिक्षित किया जाता है। मान लीजिए कि हम प्रत्येक वस्तु को एक से n तक एक इंडेक्स देते हैं। वर्गीकरण नेटवर्क प्रश्न का उत्तर देता है "इस छवि में क्या वस्तुएं?" एक सरणी को शून्य से n-1 पर वापस करना, जहां प्रत्येक सरणी प्रविष्टि में शून्य से एक तक का मान है। शून्य का अर्थ है कि वस्तु छवि में नहीं है। एक नॉनजरो मूल्य का मतलब है कि यह बढ़ती संभावना के साथ हो सकता है जब मूल्य एकता के करीब पहुंचता है। यहाँ 5 तत्वों की एक सरणी में एक बिल्ली और एक आदमी है:



एक खंडित नेटवर्क खंड उन क्षेत्रों के छवि पिक्सेल होते हैं जिन पर हमारी सूची की वस्तुओं का कब्जा होता है। वह छवि में प्रत्येक पिक्सेल के अनुरूप रिकॉर्ड के साथ एक सरणी देकर प्रश्न का उत्तर देता है। प्रत्येक रिकॉर्ड में शून्य का मान होता है यदि यह एक पृष्ठभूमि पिक्सेल है, या एक से एन के लिए अलग-अलग वस्तुओं के लिए एक मूल्य है जिसे वह पहचान सकता है। यह काल्पनिक उदाहरण किसी व्यक्ति का पैर हो सकता है:



यह परियोजना कंप्यूटर का उपयोग करके रेडियो नियंत्रित कार को नियंत्रित करने के उद्देश्य से एक बड़ी परियोजना का हिस्सा है। नेविगेशन कमांडों को इसे प्रेषित करने के लिए एक कार की स्थिति (वैश्विक तीन आयामी स्थिति और अभिविन्यास) का निर्धारण करने के लिए एक तंत्रिका नेटवर्क का उपयोग करने का विचार है। कैमरा तय हो गया है, और लॉन ज्यादातर सपाट है। मैं 3 डी स्थिति को बदलने के लिए ट्रिगर को थोड़ा उपयोग कर सकता हूं ताकि तंत्रिका नेटवर्क स्क्रीन पिक्सल और अभिविन्यास पा सके। इस सब में बिल्ली की भूमिका "इच्छित उद्देश्य" है।

मैंने मुख्य रूप से कार के बारे में सोचना शुरू कर दिया, क्योंकि मुझे नहीं पता था कि यह कैसे निकलेगा, यह मानते हुए कि एक पूर्व-प्रशिक्षित नेटवर्क के साथ एक बिल्ली को पहचानना तुच्छ होगा। बहुत सारे काम के बाद, जिसका मैं इस लेख में विस्तार से वर्णन नहीं करूंगा, मैंने फैसला किया कि आप काफी उच्च विश्वसनीयता के साथ कार के उन्मुखीकरण का निर्धारण कर सकते हैं। यहाँ 292.5 डिग्री के कोण पर एक प्रशिक्षण शॉट दिया गया है:



इस काम का अधिकांश वर्गीकरण नेटवर्क, कैफ मॉडल bvlc_reference_caffenet के साथ किया गया है। इसलिए, मैंने विभाजन नेटवर्क कार्य को स्क्रीन पर मशीन की स्थिति निर्धारित करने दिया।

मेरे द्वारा उपयोग किया गया पहला नेटवर्क फास्टर आर-सीएनएन [1] है। यह छवि में ऑब्जेक्ट्स के लिए बाउंडिंग बॉक्स देता है, पिक्सेल नहीं। लेकिन जेटसन पर नेटवर्क इस एप्लिकेशन के लिए बहुत धीमा था। एक बाउंडिंग बॉक्स का विचार बहुत आकर्षक था, इसलिए मैंने ड्राइविंग-उन्मुख नेटवर्क [2] को भी देखा। वो भी बहुत धीमी थी। एफसीएन [3] सबसे तेज़ विभाजन नेटवर्क था जिसकी मैंने कोशिश की थी। "FCN" का अर्थ है "पूरी तरह से दृढ़ नेटवर्क", पूरी तरह से दृढ़ नेटवर्क, क्योंकि इसमें अब किसी विशेष छवि के आकार की आवश्यकता नहीं होती है और इसमें केवल संकल्प / पूलिंग होते हैं। केवल कंटेस्टोनियल लेयर्स पर स्विच करने से महत्वपूर्ण त्वरण होता है, मेरी छवियों को जेटसन पर लगभग 1/3 सेकंड तक वर्गीकृत करता है। FCN में प्रशिक्षण और आसान तैनाती के लिए पायथन लिपियों का एक अच्छा सेट शामिल है। पायथन स्क्रिप्ट्स नेटवर्क को आने वाली छवि के किसी भी आकार को फिट करने के लिए आकार देती हैं, जिससे मुख्य छवि को संसाधित करना आसान हो जाता है। मेरे पास एक विजेता था!

FCN GitHub रिलीज़ के कई विकल्प हैं। पहले मैंने vc-fn32s की कोशिश की। इसने पूरी तरह से काम किया। Voc-fcn32s को 20 मानक वोक-कक्षाओं में पूर्व-प्रशिक्षित किया गया था। चूंकि यह बहुत आसान है, मैंने pascalcontext-fcn32s की कोशिश की। उन्हें 59 वर्गों में प्रशिक्षित किया गया, जिसमें घास और पेड़ भी शामिल थे, इसलिए मुझे लगा कि यह बेहतर होना चाहिए। लेकिन यह पता चला कि हमेशा नहीं - आउटपुट छवियों में पिक्सल के बहुत अधिक सेट होते थे, और बिल्लियों और लोगों का विभाजन घास और झाड़ियों पर लगाया जाता था जो इतना सटीक नहीं था। Siftflow से विभाजन और भी अधिक जटिल था, इसलिए मैं जल्दी से वोक विकल्पों में लौट आया।

वोक नेटवर्क का चयन करने का मतलब अभी भी तीन चीजों पर विचार करना है: वोक-एफएन 32, वोक-एफएन 16 और वोक-एफएन 8। वे आउटपुट विभाजन के "चरण" में भिन्न होते हैं। चरण 32 नेटवर्क का मुख्य चरण है: 640x360 की छवि 20x11 नेटवर्क तक कम हो जाती है जब तक कि दोषपूर्ण परतें पूरी नहीं हो जाती हैं। इस क्रूड सेगमेंटेशन के बाद "deconvolves" 640x360 पर वापस चला जाता है, जैसा कि [3] में वर्णित है। बेहतर विभाजन के लिए नेटवर्क में अधिक तर्क जोड़कर चरण 16 और चरण 8 प्राप्त किए जाते हैं। मैंने यह भी कोशिश नहीं की - 32-खंड विभाजन पहला ऐसा प्रयास है जिसे मैंने कोशिश की थी और यह आया था, और मैं इसके लिए अटक गया क्योंकि विभाजन इस परियोजना के लिए काफी अच्छा लगता है, और प्रशिक्षण, जैसा कि वर्णित है, अन्य दो नेटवर्क के लिए अधिक जटिल लगता है।

ट्रेनिंग

जब मैंने चालू किया और सिस्टम को शुरू किया तो पहली बात यह थी कि केवल 30% बिल्लियों को नेटवर्क द्वारा मान्यता दी गई थी। मुझे इसके दो कारण मिले। सबसे पहले, बिल्लियां अक्सर रात में आती हैं, इसलिए कैमरा उन्हें अवरक्त प्रकाश में देखता है। यह आसानी से तय किया जा सकता है - बस प्रशिक्षण के लिए बिल्लियों के कुछ खंडित अवरक्त चित्र जोड़ें। दूसरी समस्या जो मुझे प्रशिक्षण किट से बिल्लियों की कई सौ तस्वीरों की समीक्षा करने के बाद पता चली है कि कई तस्वीरें "मेरी प्यारी किटी को देखो" किस्म की हैं। ये बिल्ली की आंख के स्तर पर एक बिल्ली के ललाट चित्र हैं। या तो बिल्ली अपनी पीठ पर झूठ बोलती है या अपने मालिक की गोद में रहती है। वे बिल्लियों की तरह मेरे यार्ड में घूमते नहीं दिखते। फिर, यह आसानी से कुछ खंडित दिन छवियों के साथ तय किया जा सकता है।



प्रशिक्षण छवि में किसी वस्तु को कैसे विभाजित किया जाए? मेरा दृष्टिकोण पृष्ठभूमि छवि को घटाना है और फिर ऑब्जेक्ट को ट्रैक करने के लिए इंगित करने के लिए अग्रभूमि पिक्सल को संसाधित करना है। व्यवहार में, यह बहुत अच्छा काम करता है, क्योंकि कैमरे से मेरे संग्रह में आमतौर पर एक छवि होती है जिसे खंडित छवि से कुछ सेकंड पहले लिया गया था। लेकिन ऐसी कलाकृतियां हैं जिन्हें साफ करने की आवश्यकता है, और विभाजन को अक्सर स्पष्टीकरण की आवश्यकता होती है, इसलिए मैंने छवि खंडों को संपादित करने के लिए एक रफ तैयारी उपयोगिता लिखी, src / extract_fg.cpp। उपयोग के लिए स्रोत फ़ाइल के शीर्ष पर नोट देखें। यह थोड़ा अनाड़ी है और इसमें सत्यापन की छोटी-छोटी त्रुटियां हैं और इसे कुछ सुधारने की जरूरत है, लेकिन यह कार्य के लिए पर्याप्त है।

अब जब हमारे पास प्रशिक्षण के लिए कुछ छवियां हैं, तो आइए देखें कि यह कैसे करना है। मैंने rgb_voc_fcn32s निर्देशिका में vc-fcn32s क्लोन किया। सभी पाठ नाम इस पाठ के अंत तक इस निर्देशिका को संदर्भित करेंगे।

  $ cp -r voc-fcn32s rgb_voc_fcn32s 

डेटा / rgb_voc में नमूना प्रशिक्षण फ़ाइल सहित मेरे गिथब पर कोड। मुख्य परिवर्तन नीचे दिए गए हैं।

प्रशिक्षण फ़ाइल प्रारूप

वितरित डेटा परत को हार्ड-कोडित छवियों और विभाजन निर्देशिकाओं की अपेक्षा है। प्रशिक्षण फ़ाइल में प्रति फ़ाइल एक पंक्ति है; फिर डेटा लेयर को हार्ड-कोडेड डायरेक्टरी नामों को जोड़कर इमेज फाइल्स और सेगमेंट के नाम मिलते हैं। यह मेरे लिए काम नहीं करता था, क्योंकि मेरे पास प्रशिक्षण डेटा के कई वर्ग हैं। मेरे प्रशिक्षण डेटा में लाइनों का एक सेट होता है, जिनमें से प्रत्येक में उस छवि के लिए एक छवि और विभाजन होता है।

  $ head data/rgb_voc/train.txt /caffe/drive_rc/images/negs/MDAlarm_20160620-083644.jpg /caffe/drive_rc/images/empty_seg.png /caffe/drive_rc/images/yardp.fg/0128.jpg /caffe/drive_rc/images/yardp.seg/0128.png /caffe/drive_rc/images/negs/MDAlarm_20160619-174354.jpg /caffe/drive_rc/images/empty_seg.png /caffe/drive_rc/images/yardp.fg/0025.jpg /caffe/drive_rc/images/yardp.seg/0025.png /caffe/drive_rc/images/yardp.fg/0074.jpg /caffe/drive_rc/images/yardp.seg/0074.png /caffe/drive_rc/images/yard.fg/0048.jpg /caffe/drive_rc/images/yard.seg/0048.png /caffe/drive_rc/images/yard.fg/0226.jpg /caffe/drive_rc/images/yard.seg/0226.png 

मैंने voc_layers.py को rgb_voc_layers.py से बदल दिया, जो नई योजना को समझता है:

  --- voc_layers.py 2016-05-20 10:04:35.426326765 -0700 +++ rgb_voc_layers.py 2016-05-31 08:59:29.680669202 -0700 ... - # load indices for images and labels - split_f = '{}/ImageSets/Segmentation/{}.txt'.format(self.voc_dir, - self.split) - self.indices = open(split_f, 'r').read().splitlines() + # load lines for images and labels + self.lines = open(self.input_file, 'r').read().splitlines() 

और मेरे rgb_voc_layers कोड का उपयोग करने के लिए train.prototxt को संशोधित किया। ध्यान दें कि तर्क भी अलग हैं।

  --- voc-fcn32s/train.prototxt 2016-05-03 09:32:05.276438269 -0700 +++ rgb_voc_fcn32s/train.prototxt 2016-05-27 15:47:36.496258195 -0700 @@ -4,9 +4,9 @@ top: "data" top: "label" python_param { - module: "layers" - layer: "SBDDSegDataLayer" - param_str: "{\'sbdd_dir\': \'../../data/sbdd/dataset\', \'seed\': 1337, \'split\': \'train\', \'mean\': (104.00699, 116.66877, 122.67892)}" + module: "rgb_voc_layers" + layer: "rgbDataLayer" + param_str: "{\'input_file\': \'data/rgb_voc/train.txt\', \'seed\': 1337, \'split\': \'train\', \'mean\': (104.00699, 1 

लगभग वही परिवर्तन val.prototxt में:

  --- voc-fcn32s/val.prototxt 2016-05-03 09:32:05.276438269 -0700 +++ rgb_voc_fcn32s/val.prototxt 2016-05-27 15:47:44.092258203 -0700 @@ -4,9 +4,9 @@ top: "data" top: "label" python_param { - module: "layers" - layer: "VOCSegDataLayer" - param_str: "{\'voc_dir\': \'../../data/pascal/VOC2011\', \'seed\': 1337, \'split\': \'seg11valid\', \'mean\': (104.00699, 116.66877, 122.67892)}" + module: "rgb_voc_layers" + layer: "rgbDataLayer" + param_str: "{\'input_file\': \'data/rgb_voc/test.txt\', \'seed\': 1337, \'split\': \'seg11valid\', \'mean\': (104.00699, 116.66877, 122.67892)}" 

Solver.py

अपने वर्कआउट को शुरू करने के लिए solution.py चलाएँ:

  $ python rgb_voc_fcn32s / solve.py 

यह कैफ के कुछ सामान्य तंत्रों को संशोधित करता है। विशेष रूप से, पुनरावृत्तियों की संख्या फ़ाइल के निचले भाग में सेट की गई है। इस विशेष सेटिंग में, पुनरावृत्ति एक छवि है क्योंकि नेटवर्क का आकार प्रत्येक छवि के लिए बदलता है और चित्र एक समय में एक छोड़ दिए जाते हैं।

एनवीडिया के साथ काम करने के बारे में महान चीजों में से एक यह है कि वास्तव में महान उपकरण उपलब्ध हैं। मेरे पास एक टाइटन है जिसे एक कार्य केंद्र में बनाया गया है, और मेरे प्रबंधन ने मुझे इस परियोजना के रूप में संदिग्ध चीज़ के लिए उपयोग करने की अनुमति नहीं दी। मेरा आखिरी प्रशिक्षण रन 4,000 पुनरावृत्तियों का था, जिसने टाइटन पर दो घंटे से थोड़ा अधिक समय लिया।

मैंने कुछ चीजें सीखीं

• रात के घुसपैठियों को पहचानने के लिए नेटवर्क को प्रशिक्षित करने के लिए मुट्ठी भर छवियां (50 से कम) पर्याप्त थीं।
• नाइट शॉट्स ने नेटवर्क को यह सोचना सिखाया कि फ़ुटपाथ पर छाया बिल्लियों हैं।
• नकारात्मक शॉट, जो कि बिना खंड वाले पिक्सेल के चित्र हैं, छाया समस्या से निपटने में मदद करते हैं।
• एक स्थिर कैमरे का उपयोग करके नेटवर्क को फिर से प्राप्त करना आसान है ताकि हर चीज जो अलग हो, उसे कुछ यादृच्छिक के रूप में वर्गीकृत किया जाए।
• बिल्लियों और मनुष्यों, यादृच्छिक पृष्ठभूमि पर आरोपित, overtraining से उत्पन्न समस्याओं के साथ मदद करते हैं।

जैसा कि आप देख सकते हैं, प्रक्रिया पुनरावृत्त है।

सिफारिशें

[१] फास्टर आर-सीएनएन: टू राउन्ड-टाइम ऑब्जेक्ट डिटेक्शन विथ रीजन प्रपोजल नेटवर्क्स शाओकिंग रेन, काइमिंग ही, रॉस गिरीसिक, जियान सन एब्स / १५०६.०१४ ९ 3 वी ३ ।
] एंड्रयू वाई। एन। आर । आर्क: 1504.01716v3 , github.com/brodyh/caffe.git ।
[३] सिमेंटिक सेगमेंटेशन जोनाथन लॉन्ग, इवान शेल्मर, ट्रेवर डेरेल arXiv: 1411.4038v2 , github.com/shelhamer/fcn.berkevervision.org.org.It के लिए पूरी तरह से संवेदी नेटवर्क।

निष्कर्ष

रात की बिल्लियों को पहचानने के लिए तंत्रिका नेटवर्क को सिखाने के लिए, उन्हें जमा करते हुए, आवश्यक डेटा जोड़ना आवश्यक था। उसके बाद, अंतिम चरण लिया गया - सिस्टम वाल्व से जुड़ा हुआ है, जो स्प्रेयर शुरू करता है। विचार यह है कि जैसे ही बिल्ली लॉन में प्रवेश करती है और अनुकूलन करना चाहती है, उसे पानी पिलाया जाता है। बिल्ली डपटती है। इस प्रकार कार्य हल हो गया है, पत्नी खुश है, और यह सब अजीब चमत्कार एक तंत्रिका नेटवर्क है जो बिल्लियों को पहचानना सिखाता है, पता चलता है कि इंटरनेट में प्रशिक्षण के लिए पर्याप्त स्रोत चित्र नहीं हैं और जिसने यह सीखा है, वह दुनिया का एकमात्र तंत्रिका नेटवर्क बन गया है जो रात की बिल्लियों को पहचान सकता है।

यह ध्यान देने योग्य है कि यह सब एक ऐसे व्यक्ति द्वारा किया गया था जो हाइपरप्रोग्राममर नहीं है जिसने अपने पूरे जीवन में यैंडेक्स या Google में काम किया और हार्डवेयर की मदद से काफी सस्ता, कॉम्पैक्ट और सरल।

विज्ञापन का एक सा :)

हमारे साथ बने रहने के लिए धन्यवाद। क्या आप हमारे लेख पसंद करते हैं? अधिक दिलचस्प सामग्री देखना चाहते हैं? एक आदेश देकर या अपने मित्रों को इसकी अनुशंसा करके हमें समर्थन दें, एक अद्वितीय एनालॉग एंट्री-लेवल सर्वर पर हैबर उपयोगकर्ताओं के लिए 30% छूट जो हमने आपके लिए ईजाद की है: VPS (KVM) E5-2650 v4 (6 करोड़): 10GB DDR4 240GB SSD 1Gbps के बारे में पूरी सच्चाई $ 20 या सर्वर को कैसे विभाजित करें? (विकल्प RAID1 और RAID10 के साथ उपलब्ध हैं, 24 कोर तक और 40GB DDR4 तक)।

डेल R730xd 2 बार सस्ता? केवल हमारे पास 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 टीवी नीदरलैंड में 199 डॉलर से है ! डेल R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $ 99 से! इन्फ्रास्ट्रक्चर Bldg का निर्माण कैसे करें के बारे में पढ़ें । एक पैसा के लिए 9,000 यूरो की लागत डेल R730xd E5-2650 v4 सर्वर का उपयोग कर वर्ग?