Github项目推荐 | AMD GPU上的HD画质50fps实时车辆检测

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/

项目特点

• 带边界框的车辆检测
• 车辆行驶方向（向上，向下）检测
• 车速估算
• 车型：公共汽车/汽车。

如何运行

使用模型

Demo

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

其他例子

• 录制视频

./main.py --video /vid.mp4

• 交通监测相机的ip

./main.py --cam_ip 'http://166.149.104.112:8082/snap.jpg'

安装

先决条件

1. GPU：Radeon Instinct或Vega系列产品，带有ROCm和OpenCL开发套件
2. 安装AMD的MIVisionX工具包：AMD的MIVisionX工具包是一个全面的计算机视觉和机器智能库，实用程序
3. CMake, Caffe
4. 谷歌的Protobuf

安装步骤

1.模型转换

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。

2. MIVision模型编译

% cd trafficVision
% make

3.测试App

% cd trafficVision
% make test

它将显示检测media/ 目录中的所有视频。

设计

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。

高层次设计

低层次模块

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）。

开发

模型转换

建议遵循类似于下面描述的模型转换过程。

开发基础

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。

开发与测试环境

1.硬件

• AMD Ryzen Threadripper 1900X 8核处理器
• 加速器=RadeonInstinct MI25加速器

2.软件

• Ubuntu 16.04 LTS OS
• Python 2.7
• MIVisionX 1.7.0
• AMD OpenVX 0.9.9
• GCC 5.4

致谢

MIVisionX 团队

参考项目

1. yoloV2 paper
2. Tiny Yolo aka Darknet reference network
3. MiVisionX Setup
4. AMD OpenVX
5. Optimization with OpenVX Graphs
6. Measuring Traffic Speed With Deep Learning Object Detection