*本文由RS components 贊助發表，轉載自DesignSpark部落格原文連結

這邊我們就不會對YOLOv4的技術進行介紹，大致上可以了解YOLOv4是由很多強大的技巧所組成，是現階段教育界、商業都很常用到的一個技術。如果一一描述需要兩篇的文章，而網路上很多介紹很詳細的文章，大家可以直接去搜尋、查看；本篇著重在Github實作以及介紹TensorRT加速的方法給大家。

如何使用YOLOv4

首先要先建置darknet的環境，先下載darknet的github：

$ git clone https://github.com/AlexeyAB/darknet.git
$ cd darknet

接著需要修改一下Makefile，在官方的github當中有提到Jetson TX1/TX2的修改方法，Jetson Nano也是比照辦理，前面的參數設定完了，往下搜尋到ARCH的部分，需要將其修改成compute_53：

GPU=1
CUDNN=1
CUDNN_HALF=1
OPENCV=1
AVX=0
OPENMP=1
LIBSO=1
ZED_CAMERA=0
ZED_CAMERA_v2_8=0

......

USE_CPP=0
DEBUG=0

ARCH= -gencode arch=compute_53,code=[sm_53,compute_53]

接著就可以進行build的動作了：

$ make

如果Build darknet的時候出現找不到nvcc的問題，如下圖：

可以在Makefile當中的NVCC後面新增絕對位置：

接著重新make一次如果沒有錯誤訊息就代表Build好了！

使用YOLOv4進行推論

我們需要先下載YOLOv4的權重來用

wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights \
       -q --show-progress --no-clobber

基本的推論方法有三種：圖片、影片、攝影機 ( 即時影像 )，我們一一來介紹使用方法！主要執行除了darknet的執行檔之外還需要給予 模式、資料集、配置檔：

./darknet detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights

可以使用 –help來幫助查看：

./darknet detector --help

如果要開啟圖片的話需使用 test模式，他會在執行之後要你輸入圖片的位置，不過這邊要注意的是按任意建離開後，圖片不會幫你儲存：

./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.25

如果想要指定圖片並且將結果儲存下來則可以增加 -ext_output 的選項，執行完會儲存成 prediction.jpg，這邊我用另一張圖片當示範 ( Ximending.jfif )：

./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output Taiwan.jfif

如果要使用影片或攝影機的話則是透過 demo 的指令來操作，這邊如果用 -ext_output會直接覆蓋掉原本的，我希望可以另存成別的檔案則需要用到 -output_filename來執行：

./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights sample.mp4 -out_filename sample_.mp4

使用攝影機進行影像即時辨識需要在後面參數導入 -c：

$ ./darknet detector demo cfg/coco.data \
                          cfg/yolov4.cfg \
                          yolov4.weights \
                          -c 0

可以看到FPS大概會在0.8左右 ( 於終端機畫面上 )，有明顯的延遲感，但是辨識的結果還算可以。

修改輸入維度大小

我們也可以直接修改輸入輸出的圖片大小，我用簡單一點的語法來操作，複製一個yolov4.cfg並命名為yolov4-416.cfg，並直接用nano去修改輸入大小成416，這邊使用&&的意思是讓前一個指令完成之後再接續下一個指令：

$ cp cfg/yolov4.cfg cfg/yolov4-416.cfg && nano cfg/yolov4-416.cfg

在下方的圖片可以看到，縮小圖片之後FPS就直接提高了許多，從0.8升到了1.5；注意！這個示範只是提供了可以修改輸入大小的方法，因為有時候你用的圖片或影片大小不同就需要稍微修改一下；官方較推薦的大小是608以上，縮小圖片可能會導致辨識結果變差：

使用結構更小的YOLO ( Yolov4-Tiny )

下一種加快速度的方法是使用yolov4-tiny.weights，一個更小型的yolov4，這邊的小型指的是神經網路模型的結構，一般我們都會使用在運算能力相較於顯示卡低的裝置上 ( 例如 : 邊緣裝置 )，實作的部分，我們先將該權重下載下來：

$ wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.weights

接著使用攝影機來開啟，注意這邊的config (cfg) 檔案需要更改成 yolov4-tiny.cfg，因為yolov4跟yolov4-tiny的架構有所不同，config檔案當中所提供的就是神經網路的結構：

$ ./darknet detector demo cfg/coco.data \
                          cfg/yolov4-tiny.cfg \
                          yolov4-tiny.weights \
                          -c 0

可以看到FPS已經來到了14，延遲感明顯降低許多：

使用TensorRT引擎加速

接下來是TensorRT的版本，稍微簡短介紹一下Tensor RT ( 以下簡稱 TRT )，它是一個加速引擎可以運用在有CUDA核心的NVIDIA顯示卡當中，如果要使用TRT引擎加速需要先將神經網路模型轉換成ONNX的格式才行。

下載、安裝環境

坊間利用Yolov4做了很多應用，而轉換這塊也已經有人完成了，所以我們直接使用網路上提供的Github來實現即可：

$ git clone https://github.com/jkjung-avt/tensorrt_demos.git

下載下來之後可以直接到ssd資料夾中執行 install_pycuda.sh：

$ cd ${HOME}/project/tensorrt_demos/ssd
$ ./install_pycuda.sh

如果顯示nvcc not found的話則需要手動修改 install_pycuda的檔案，我們需要將cuda的絕對位置存放到環境變數當中：

透過nano編輯器開啟並且將iffi中間的內容修改如下，原本的內容記得要註解掉：

$ nano ./install_pycuda.sh

安裝完之後應該會顯示 finished processing dependencies，也可以使用pip3 list去查看pycuda是否有安裝成功：

接著需要安裝onnx，一開始先安裝相依套件，接著在安裝onnx 1.4.1版本：

$ sudo apt-get install protobuf-compiler libprotoc-dev
$ sudo pip3 install onnx==1.4.1

都完成之後我們需要先將相關的程式build起來：

$ cd ${HOME}/project/tensorrt_demos/plugins
$ make

可以注意到又有nvcc的問題了，這時候一樣需要修改Makefile來解決，將原本的NVCC=nvcc修改成NVCC=/usr/local/cuda/bin/nvcc即可：

下載並轉換yolo模型

接著需要下載模型的權重，你將會看到它下載了yolo3跟yolo4的三種不同版本，並且直接放在當前資料夾當中，這邊可以注意到下載的模型與剛剛的YOLOv4相同，所以其實也是可以直接用複製的方式或是直接寫絕對位置進行轉換：

$ cd ${HOME}/project/tensorrt_demos/yolo
$ ./download_yolo.sh	

最後可以執行 yolo_to_onnx.py 將yolo的權重檔轉換成onnx檔案，接著再編譯成TRT可用的模型，在onnx_to_tensorrt.py我會建議使用 -v 來看到進度，不然看著畫面沒動靜會有點緊張：

$ python3 yolo_to_onnx.py -m yolov4-416
$ python3 onnx_to_tensorrt.py -m yolov4-416 -v

轉換ONNX大約耗費15分鐘，會儲存成yolov4-416.onnx，接著轉換TRT大概也是差不多的時間，最後會儲存成yolov4-416.trt。

使用TRT運行YOLOv4-416

這邊我們使用 –usb 代表使用USB攝影機， –model則是選擇特定模型：

$ cd ${HOME}/project/tensorrt_demos
$ python3 trt_yolo.py --usb 0 --model yolov4-416

左上角有顯示FPS數值，實測下來大約都會在 4.2~4.5之間，我們這次使用的是416維度，相較沒有使用TensorRT引擎的Darknet ( FPS 1.5)，快了將近3倍。

剛剛輸入的部分使用usb攝影機，而作者很貼心地都寫得很完善了，在utils/camera.py的部分可以看到輸入的內容選項，也可以直接使用 –help來查看：

這裡有提供圖片( –image )、影像 ( –video )、重複影片 ( –video_lopping )、網路攝影機 ( –usb ) 等都可以使用。

使用TRT運行YOLOv4-Tiny-416

接下來為了追求更快的速度，我們當然要來實測一下tiny版本的：

$ python3 yolo_to_onnx.py -m yolov4-tiny-416
$ python3 onnx_to_tensorrt.py -m yolov4-tiny -416 -v
$ cd ${HOME}/project/tensorrt_demos
$ python3 trt_yolo.py --usb 0 --model yolov4-tiny-416

使用tiny的話FPS來到18.05，基本上已經有不錯的效果了！不過因為是tiny所以辨識的成效沒有預期中的好：

使用TensorRT運行模型比較表

此表從jkjung-avt/tensorrt_demos的github當中移植過來，其中mAP是常用評估物件偵測的演算法，在yolov3的部分 tiny雖然有不錯的FPS但是mAP相較yolov4卻是差了不少，目前我認為yolov4-tiny-416以FPS實測18左右、mAP約0.38的狀況算是較能夠接受的範圍：

結語

今天帶大家稍微深入一點的了解了YOLOv4的Github，也帶大家認識了使用TensorRT針對模型進行加速的部分，相信大家應該都很快就上手了！接下來我想帶大家解析 darknet.py 並且嘗試修改成更淺顯易懂的程式碼。

相關文章

• https://github.com/AlexeyAB/darknet
• https://github.com/jkjung-avt/tensorrt_demos#yolov4

*本文由RS components 贊助發表，轉載自DesignSpark部落格原文連結