Real-time Vehicle Detection with 50 HD Frames/sec on an AMD GPU
by Rohit Sharma
Medium:https://medium.com/towards-artificial-intelligence/real-time-hd-vehicle-detection-with-amd-rocm-e9c2eea73852
PDF:http://t.cn/Ai0cdG8O(百度网盘)
本项目使用深度学习网络Yolo-V2以高清分辨率(1920x1080)以惊人的50帧/秒的速度检测实时交通中的汽车/公共汽车。项目中使用的模型针对使用MIVisionX工具包在AMD-GPU上的推理性能进行了优化。
Github项目地址:
https://github.com/srohit0/trafficVision/
MIVisionX工具包是一个综合的计算机视觉和机器智能库,实用程序和应用程序捆绑在一个工具包中。Site:https://gpuopen-professionalcompute-libraries.github.io/MIVisionX/
如果没有提供其他选项,应用程序将启动演示。演示将使用存储在media/ 目录中的视频。
% ./main.py
('Loaded', 'yoloOpenVX')
OK: loaded 22 kernels from libvx_nn.so
OK: OpenVX using GPU device#0 (gfx900) [OpenCL 1.2 ] [SvmCaps 0 1]
OK: annCreateInference: successful
Processed a total of 102 frames
OK: OpenCL buffer usage: 87771380, 46/46
%
检测汽车、边界框、车速和置信度分数的YouTube视频:https://youtu.be/YASOovwds_A
./main.py --video /vid.mp4
./main.py --cam_ip 'http://166.149.104.112:8082/snap.jpg'
此步骤为voc数据集下载yolov2-tiny并转换为MIVision的openVX模型。
% cd trafficVision/model
% bash ./prepareModel.sh
有关 models/ 目录中模型转换的先决条件(如caffe)的更多详细信息,敬请查看相关链接。
% cd trafficVision
% make
% cd trafficVision
% make test
它将显示检测media/ 目录中的所有视频。
本节是开发人员的指南,他们希望将视觉和对象检测模型从其他框架(包括 tensorflow, caffe 或 pytorch.)移植到AMD的Radeon gpu。
这些较低层次的模块可以在本项目中找到python模块(文件)或包(目录)。
建议遵循类似于下面描述的模型转换过程。
在开始为推理移植神经网络模型之前,请确保已安装以下基础条件。