NVIDIA Jetson Nano应用- Google Colab云端训练客制化 YOLOv4物件辨识－上篇

上篇分为两个大项目：

1.YOLOv4训练其他数据集的基本概念

2.如何在Colab上使用YOLOv4

关于YOLOv4这边就不多作介绍了，基本上YOLOv4是现今集大成之作，整合了各种技术，想要了解详细的技术可以在网络上找到很多相关的资源，我这边蛮推荐初学者可以去看吴恩达老师在coursera上面的AI课程，其中也有教到YOLO的运作原理，虽然没有讲到论文这么深入的技术但是却贯穿了YOLO的精随。

Transfer Learning的基本概念

这次实作的部分是关于YOLOv4用于客制化的数据集，还是有几个基本的概念需要提到，像是用已经训练好的权重再去训练其他的数据集，这个动作就叫做「Transfer Learning」，中文可能会称作「迁移式学习」、「转移学习」；主要的迁移式学习有分成两种「Feature Extraction」、「Fine Tuning」。

「Feature Extraction」中文为「特征撷取」，会保留预训练模型CNN的部分也就是保留模型良好的特征撷取的能力，只会重新训练Fully Connected的部分 (简称FC)，我自己的理解会把FC当成是排列组合，原本只能辨识猫跟狗的模型，由于已经会撷取猫跟狗的特征，这时候导入马的图片，它也能撷取出特征，只是不懂得将撷取出来的特征归类成新的类别，所以这时候我们只训练FC (排列组合的部分)，让他可以重新学习如何将各种特征进行分类；我们用下图来模拟情境，灰白格子代表CNN的权重。

1.透过预训练模型的CNN的部分可以撷取出特定特征

2.输入一样是动物类型的图片，就算不是原本训练的数据它一样能撷取出特定的特征

3.所以我们只需要冻结 ( freeze ) CNN的部分，重新训练FC即可：

「Fine Tuning」中文为「微调」，我们直接用训练好的权重进行重新训练，与从头训练不同的地方在于从头训练是一组随机的数值，而预训练模型不是，它将能优化原本就已经训练过的权重，不过这种方式最好还是基于数据集类型雷同的情况下；我们一样用图片来仿真情境。

1.原先预训练模型训练出来的CNN权重将能优秀的辨识出狗的特征

2.假设我们已经知道下图的权重用来辨识新数据-马更为优秀

3.从概念上来说，微调会比从头训练更快达到目标

最后我整理了一个表格，让大家参考一下什么样的情况适合用哪一个技术，以上如果有叙述错误或不清的地方，欢迎在下方留言区告诉我：

Colab介绍与使用

Transfer Learning概念的部分已经讲完了，接下来就要开始进入实作的部分了！这次我们使用的工具是Colaboratory (简称Colab)，如果有看我们早期的文章可以注意到我们很喜欢运用Colab这个平台，这是由Google推出的在线Python程序执行平台，免费版本的Colab提供了8小时的免费GPU可以使用，所以手边没有强大GPU的同学们就可以善用这个平台的资源。

Colab的详细介绍 https://colab.research.google.com/notebooks/intro.ipynb#scrollTo=5fCEDCU_qrC0

首先，我们要先在自己的Google云端硬盘中心增Colab的档案，我们需要在云端硬盘的空白处点击右键→更多→链接更多应用程序

在上方搜寻列输入「Colab」就可以进行安装

安装完再回到云端硬盘点击右键→更多→Google Colaboratory，接着就会看到跟下图一样的画面，这样就成功在你的云端硬盘中开启了Colab

接下来有几个重要的部分，第一个要先启动你的GPU，编辑→笔记本设定→硬件加速器→GPU→储存，这样就完成GPU设定了。

我们可以使用各种AI框架的程序来检查，这边我使用PyTorch来检查GPU的状况，第一个print是确认GPU能否运作，第二个print是显示显示适配器的名称，我们将程序复制到区块里面，并且透过Shift+Enter执行程序。

import torch
print(torch.cuda.is_available())

print(torch.cuda.get_device_name())

YOLOv4在Colab上如何运作

到目前我们的事前准备已经完成一半了，接下来我们要测试一下在Colab上能否运作YOLOv4，Colab如果没有绑定云端硬盘的话它会自动分配一些空间给你暂存使用，所以这边我们直接使用暂存的空间来测试YOLOv4就可以了，后续会再教如何挂接到云端硬盘，首先一样要先将darknet的Github给Clone下来。

!git clone https://github.com/AlexeyAB/darknet.git

接着需要移动进去darknet的文件夹，在Colab这种交互式Python环境，可以透过%、! 来仿真终端机的指令，特别是cd只能透过%不能透过 !。

%cd ./darknet

在建构darknet之前需要先修改Makefile才行，这边使用Linux的指令sed，-i代表会直接替换档案内容，替换的模式选择s (search)，第一个//包住的内容是要搜寻的内容，第二个//中的则是要替换掉的内容。

!sed -i 's/OPENCV=0/OPENCV=1/' Makefile
!sed -i 's/GPU=0/GPU=1/' Makefile
!sed -i 's/CUDNN=0/CUDNN=1/' Makefile
!sed -i 's/CUDNN_HALF=0/CUDNN_HALF=1/' Makefile
!sed -i 's/LIBSO=0/LIBSO=1/' Makefile

最后就可以开始建构了，大概需要两分至三分钟的时间。

!make

我们现在已经可以使用darknet的函式库了，进行推论前还需要下载训练好的权重，我们使用wget直接从网络上抓取，这些档案连结都可以在darknet的github中找到。

# 下载 yolov4-tiny
!wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.weights
# 下载 yolov4
!wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights

接着可以透过下列指令进行测试，coco.data 存放数据集的信息 像是图片大小、类别等等；yolov4.cfg 则是存放yolov4神经网络模型的信息；yolov4.weights 为刚刚下载的训练好的权重；data/dog.jpg 为输入的数据；-thresh 阀值 越大需要的信心指数越高。

!./darknet detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights data/dog.jpg -i 0 -thresh 0.25

观察输出结果可以看到我们这张dog.jpg中有bicycle、dog、truck、pottedplant以及他们对应的信心指数，还有一个warning表达的是它没有屏幕可以显示，这个无伤大雅，我们可以通过直接在档案总管找到/darknet/predictions.jpg这张图片并点击两下开启查看：

除此之外也可以透过下列的程序来将结果显示出来，因为matplotlib跟Jupyter有较高的兼容性，而Colab使用的是Jupyter Notebook的环境，我们可以透过 %matplotlib inline 这段程序让matplot的图表显示在Colab当中。

import cv2
import matplotlib.pyplot as plt

# 让 matplot 图表显示在Jupyter Notebook里面
%matplotlib inline

# 透过OpenCV读取图片
path = 'predictions.jpg'
img = cv2.imread(path)
  
# 在 Jupyter Notebook 上需要转换成 Matplot 显示才行
fig = plt.gcf()
fig.set_size_inches(18, 10)
plt.axis('off')
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.show()

接着我在网络上找到这段程序代码可以在Colab上运行实时影像辨识，第一段程序码表示的是透过Python建构一个Inference的副函式叫做 darknet_helper，通过这个darknet_helper可以获取到辨识结果与输出结果的宽高比例。

# import darknet functions to perform object detections
from darknet import *

# load in our YOLOv4 architecture network
network, class_names, class_colors = load_network("cfg/yolov4.cfg", "cfg/coco.data", "yolov4.weights")
width = network_width(network)
height = network_height(network)

# darknet helper function to run detection on image
def darknet_helper(img, width, height):
  darknet_image = make_image(width, height, 3)
  img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
  img_resized = cv2.resize(img_rgb, (width, height),
                              interpolation=cv2.INTER_LINEAR)

  # get image ratios to convert bounding boxes to proper size
  img_height, img_width, _ = img.shape
  width_ratio = img_width/width
  height_ratio = img_height/height

  # run model on darknet style image to get detections
  copy_image_from_bytes(darknet_image, img_resized.tobytes())
  detections = detect_image(network, class_names, darknet_image)
  free_image(darknet_image)
  return detections, width_ratio, height_ratio

第二段程序代码则是如何在Colab上运作实时影像的部分，由于是Javascript的程序所以我也不多作介绍了，有兴趣的可以在自己研究。

# import dependencies
from IPython.display import display, Javascript, Image
from google.colab.output import eval_js
from google.colab.patches import cv2_imshow
from base64 import b64decode, b64encode
import cv2
import numpy as np
import PIL
import io
import html
import time
import matplotlib.pyplot as plt
%matplotlib inline

# function to convert the JavaScript object into an OpenCV image
def js_to_image(js_reply):
  """
  Params:
          js_reply: JavaScript object containing image from webcam
  Returns:
          img: OpenCV BGR image
  """
  # decode base64 image
  image_bytes = b64decode(js_reply.split(',')[1])
  # convert bytes to numpy array
  jpg_as_np = np.frombuffer(image_bytes, dtype=np.uint8)
  # decode numpy array into OpenCV BGR image
  img = cv2.imdecode(jpg_as_np, flags=1)

  return img

# function to convert OpenCV Rectangle bounding box image into base64 byte string to be overlayed on video stream
def bbox_to_bytes(bbox_array):
  """
  Params:
          bbox_array: Numpy array (pixels) containing rectangle to overlay on video stream.
  Returns:
        bytes: Base64 image byte string
  """
  # convert array into PIL image
  bbox_PIL = PIL.Image.fromarray(bbox_array, 'RGBA')
  iobuf = io.BytesIO()
  # format bbox into png for return
  bbox_PIL.save(iobuf, format='png')
  # format return string
  bbox_bytes = 'data:image/png;base64,{}'.format((str(b64encode(iobuf.getvalue()), 'utf-8')))

  return bbox_bytes

# JavaScript to properly create our live video stream using our webcam as input
def video_stream():
  js = Javascript('''
    var video;
    var div = null;
    var stream;
    var captureCanvas;
    var imgElement;
    var labelElement;
    
    var pendingResolve = null;
    var shutdown = false;
    
    function removeDom() {
       stream.getVideoTracks()[0].stop();
       video.remove();
       div.remove();
       video = null;
       div = null;
       stream = null;
       imgElement = null;
       captureCanvas = null;
       labelElement = null;
    }
    
    function onAnimationFrame() {
      if (!shutdown) {
        window.requestAnimationFrame(onAnimationFrame);
      }
      if (pendingResolve) {
        var result = "";
        if (!shutdown) {
          captureCanvas.getContext('2d').drawImage(video, 0, 0, 640, 480);
          result = captureCanvas.toDataURL('image/jpeg', 0.8)
        }
        var lp = pendingResolve;
        pendingResolve = null;
        lp(result);
      }
    }
    
    async function createDom() {
      if (div !== null) {
        return stream;
      }

      div = document.createElement('div');
      div.style.border = '2px solid black';
      div.style.padding = '3px';
      div.style.width = '100%';
      div.style.maxWidth = '600px';
      document.body.appendChild(div);
      
      const modelOut = document.createElement('div');
      modelOut.innerHTML = "<span>Status:</span>";
      labelElement = document.createElement('span');
      labelElement.innerText = 'No data';
      labelElement.style.fontWeight = 'bold';
      modelOut.appendChild(labelElement);
      div.appendChild(modelOut);
           
      video = document.createElement('video');
      video.style.display = 'block';
      video.width = div.clientWidth - 6;
      video.setAttribute('playsinline', '');
      video.onclick = () => { shutdown = true; };
      stream = await navigator.mediaDevices.getUserMedia(
          {video: { facingMode: "environment"}});
      div.appendChild(video);

      imgElement = document.createElement('img');
      imgElement.style.position = 'absolute';
      imgElement.style.zIndex = 1;
      imgElement.onclick = () => { shutdown = true; };
      div.appendChild(imgElement);
      
      const instruction = document.createElement('div');
      instruction.innerHTML = 
          '<span style="color: red; font-weight: bold;">' +
          'When finished, click here or on the video to stop this demo</span>';
      div.appendChild(instruction);
      instruction.onclick = () => { shutdown = true; };
      
      video.srcObject = stream;
      await video.play();

      captureCanvas = document.createElement('canvas');
      captureCanvas.width = 640; //video.videoWidth;
      captureCanvas.height = 480; //video.videoHeight;
      window.requestAnimationFrame(onAnimationFrame);
      
      return stream;
    }
    async function stream_frame(label, imgData) {
      if (shutdown) {
        removeDom();
        shutdown = false;
        return '';
      }

      var preCreate = Date.now();
      stream = await createDom();
      
      var preShow = Date.now();
      if (label != "") {
        labelElement.innerHTML = label;
      }
            
      if (imgData != "") {
        var videoRect = video.getClientRects()[0];
        imgElement.style.top = videoRect.top + "px";
        imgElement.style.left = videoRect.left + "px";
        imgElement.style.width = videoRect.width + "px";
        imgElement.style.height = videoRect.height + "px";
        imgElement.src = imgData;
      }
      
      var preCapture = Date.now();
      var result = await new Promise(function(resolve, reject) {
        pendingResolve = resolve;
      });
      shutdown = false;
      
      return {'create': preShow - preCreate, 
              'show': preCapture - preShow, 
              'capture': Date.now() - preCapture,
              'img': result};
    }
    ''')

  display(js)
  
def video_frame(label, bbox):
  data = eval_js('stream_frame("{}", "{}")'.format(label, bbox))
  return data

最后的流程如下：取得影像，将影像转换成特定格式并且辨识，将结果绘制到特定图层，将图层覆盖上去并且更新画面的内容。

# 开启影像串流
video_stream()
# 标题
label_html = 'Capturing...'
# 初始化参数
bbox = ''
count = 0 

while True:

  # 显示并取得影像
  js_reply = video_frame(label_html, bbox)
  if not js_reply:
      break

  # 将影像转换成OpenCV的格式
  frame = js_to_image(js_reply["img"])

  # 建立边界框的底图
  bbox_array = np.zeros([480,640,4], dtype=np.uint8)

  # 进行辨识
  detections, width_ratio, height_ratio = darknet_helper(frame, width, height)

  # 绘制边界框于刚刚建立的bbox_array
  for label, confidence, bbox in detections:
    left, top, right, bottom = bbox2points(bbox)
    left, top, right, bottom = int(left * width_ratio), int(top * height_ratio), int(right * width_ratio), int(bottom * height_ratio)
    bbox_array = cv2.rectangle(bbox_array, (left, top), (right, bottom), class_colors[label], 2)
    bbox_array = cv2.putText(bbox_array, "{} [{:.2f}]".format(label, float(confidence)),
                      (left, top - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5,
                      class_colors[label], 2)

  bbox_array[:,:,3] = (bbox_array.max(axis = 2) > 0 ).astype(int) * 255
  # 将 bbox_array转换成可以输入到画面上的 byte 格式
  bbox_bytes = bbox_to_bytes(bbox_array)
  
  # 更新bbox这样下一次画面中的画面才会更新
  bbox = bbox_bytes

结语

到这边你已经将基础观念都已经摸熟了，包括怎么去Transfer Learning的基本概念以及 YOLOv4如何在Colab上运作，接下来我们就进入Transfer Learning的实作的部分吧！