基于ROS搭建简易软件框架实现ROV水下目标跟踪（十三）--基于darknet_ros目标识别模型的训练和部署_darknet_ros opencv=1

      项目链接：https://github.com/cabinx/cabin_auv_ws

      在目标跟踪时，摄像头提供实时的图片信息，我们需要识别出图片目标，且输出目标在图片中的位置，为后续的控制提供条件。在demo中，我是借助darknet_ros实现这一目标。当然这一模块可以替换成性能更优秀的识别算法。

      darknet_ros为yolov3在ros下的一个工具包（https://github.com/leggedrobotics/darknet_ros）。需要对yolov3的使用有所了解（YOLO: Real-Time Object Detection）。例程我就不介绍了，可以在网上搜索。在此主要基于demo测试介绍我个人的使用情况，主要包括摄像头驱动、数据集制作、模型训练、模型部署。

      本文介绍使用darknet_ros进行目标识别模型的训练及部署。

一、训练模型

        这里我主要参考了博客：darknet-yolov3训练自己的数据集（超详细） - AnswerThe - 博客园，同时结合yolo官网教程。在此默认已配置好GPU及CUDA等环境。训练数据集亦已准备好。

1、编译darknet（启用GPU）

        在/darknet_ros/darknet路径下找到Makefile文件并根据需求进行修改：

GPU=1 #如果使用GPU设置为1，CPU设置为0
CUDNN=0  #如果使用CUDNN设置为1，否则为0
OPENCV=1 #如果调用摄像头，还需要设置OPENCV为1，否则为0
OPENMP=0  #如果使用OPENMP设置为1，否则为0
DEBUG=0  #如果使用DEBUG设置为1，否则为0

        关于ARCH值的设置，可以到NVIDIA官网查询自身显卡的算力（CUDA GPUs | NVIDIA Developer）：

        如2080TI，则为：

ARCH = -gencode arch=compute_75, code=[sm_75,compute_75]

        编译：

make

       编译完成后可以选择进行验证，下载训练好的模型：

wget https://pjreddie.com/media/files/yolov3.weights

        运行detector：

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

        若能识别图片中的物体，则证明darknet安装配置成功。

        顺便下载预训练模型权值后边备用。

wget https://pjreddie.com/media/files/darknet53.conv.74

2、配置文件

        进入路径darknet/cfg，复制yolov3-voc.cfg、voc.data，并更名为cabin_yolov3.cfg，cabin_data.data。

        ①新建cabin_name.names文件，每一行填入一类目标。如我的demo只有一类目标，所以cabin_name.names文件为：

sea_cucumber

        ②再来看cabin_data.data文件：

classes= 1
train  = /home/pcl-02/darknet_ws/src/darknet_ros/darknet/cabin_data/data/ImageSets/Main/train.txt
valid  = /home/pcl-02/darknet_ws/src/darknet_ros/darknet/cabin_data/data/ImageSets/Main/val.txt
names =  cfg/cabin_name.names
backup = /home/pcl-02/darknet_ws/src/darknet_ros/darknet/cabin_data/data/weights

        train和valid分别为训练集和验证集路径，与上一篇数据集制作的博客相对应；

        names为新建的类别名称文件，上文已提及；

        buckup为训练出来的模型的存储路径。

       ③ 最后看cabin_yolov3.cfg文件，我们首先将训练模式打开：

[net]
# Testing                 ### 测试模式  
# batch=1
# subdivisions=1
# Training                ### 训练模式，每次前向的图片数目 = batch/subdivisions
batch=64
subdivisions=16
width=416               ### 网络的输入宽、高、通道数    
height=416
channels=3
momentum=0.9          ### 动量
decay=0.0005            ### 权重衰减
angle=0
saturation = 1.5          ### 饱和度 
exposure = 1.5           ### 曝光度
hue=.1                  ### 色调
learning_rate=0.001       ### 学习率
burn_in=1000            ### 学习率控制的参数
max_batches = 10000     ### 迭代次数
policy=steps             ### 学习率策略
steps=40000,45000       ### 学习率变动步长
scales=.1,.1

        其它诸如学习率learning_rate，迭代次数max_batches等等网上介绍很多，我就不重复了。

        然后搜索关键词yolo，一共有3处含yolo，每处需要修改2个地方。

        filters：3*（5+len（classes））；

        其中：classes: 目标种类，这里以我的工程为例

        filters = 18

        classes = 1

        可修改：random = 1：原来是1，显存小改为0。（是否要多尺度输出。）

        如下：

[convolutional]
size=1
stride=1
pad=1
filters=18             #############
activation=linear
 
[yolo]
mask = 6,7,8
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=1             ###############
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1             ###############

3、开始训练

./darknet detector train cfg/cabin_data.data cfg/cabin_yolov3.cfg darknet53.conv.74 -gpus 0,1

        在此，利用到了上文提及的下载好的预训练模型权值darknet53.conv.74。由于我训练时使用了两张显卡，故-gpus 0,1 。

        训练时得到的模型将位于cabin_name.names中backup一项设置的路径中。按上文中的配置，模型名为cabin_yolov3.backup。训练过程中实时的权值存储于该模型文件中，当判断已经收敛时，可以终止训练，下一步使用该模型时需要将其拷贝出来并修改其文件名为cabin_yolov3.weights。

        若模型因为训练不充分导致训练的效果不佳，可以在不修改参数的前提下基于该模型文件继续训练：

./darknet detector train cfg/cabin_data.data cfg/cabin_yolov3.cfg /home/pcl-02/darknet_ws/src/darknet_ros/darknet/cabin_data/data/weights/cabin_yolov3.backup -gpus 0,1

       关于如何判断训练已经收敛了，这里推荐一篇关于yolov3训练时输出log的文章解析：理解 YOLOv3 的训练输出日志信息_Right here, Code is Magic-CSDN博客_yolov3的输出是什么。

        如下图所示：

    

        在此关注如下几项：

        256： 指示当前训练的迭代次数；

        3.784128： 是总体的 Loss(损失）;

        4.452100 avg： 是平均 Loss, 这个数值应该越低越好, 一般来说, 一旦这个数值趋于稳定不下降时，就可以终止训练了;

        0.000009 rate： 代表当前的学习率, 是在.cfg文件中定义的;

        4.415291 seconds： 表示当前批次训练花费的总时间;

        32768 images：表示到目前为止, 参与训练的图片的总量。

4、测试模型

        在调试过程中，我直接用的录制的视频包进行验证，我会在下一部分的部署模型里介绍。但比较简单直接的方法可以用上文编译介绍部分中图片验证的方法。

        需要将cabin_yolov3.cfg文件中的测试模式打开。

[net]
# Testing
 batch=1
 subdivisions=1
# Training
#batch=64
#subdivisions=16

二、模型部署

        基于darknet_ros模型部署主要参照了文章：ROS下实现darknet_ros(YOLO V3)检测_pd很不专业的博客-CSDN博客_ros yolov3。

        输入输出如下：

        监听topic：/usb_cam/image_raw，格式sensor_msgs::Image，摄像头图片数据流；

        发布topic：/darknet_ros/bounding_boxes，格式darknet_ros_msgs::BoundingBoxes，目标在图片中的位置框图坐标。

1、离线调试

        完成训练后获得模型cabin_yolov3.weights。上一篇博客里介绍的数据包6.bag未参与数据集制作，即未参与模型训练，可用于离线测试。

①darknet_ros/config/ros.yaml

        此处配置监听及发布的topic的名称，需要注意监听的摄像头的数据流的topic。根据之前关于ros下USB摄像头使用的那篇文章，有：

camera_reading:
  topic: /usb_cam/image_raw
  queue_size: 1

②darknet_ros/config/cabin_data.yaml

        此处载入训练好的模型及yolov3的配置文件。此处我将训练介绍部分的darknet下的cabin_yolov3.weights拷贝至/darknet_ros/yolo_network_config/weights；将cabin_yolov3.cfg拷贝至/darknet_ros/yolo_network_config/cfg。然后在darknet_ros/config下新建cabin_data.yaml，如下：

yolo_model:
 
  config_file:
    name: cabin_yolov3.cfg
  weight_file:
    name: cabin_yolov3.weights
  threshold:
    value: 0.3
  detection_classes:
    names:
      - sea_cucumeber

        其中threshold为置信度，大于0.3时识别为目标物。

③darknet_ros/launch/cabin_darknet_ros.launch

        拷贝darknet_ros.launch并重命名为cabin_darknet_ros.launch。修改摄像头数据的topic名称/usb_cam/image_raw以及上文提及的配置文件cabin_data.yaml路径。如下：

<?xml version="1.0" encoding="utf-8"?>
 
<launch>
  <!-- Console launch prefix -->
  <arg name="launch_prefix" default=""/>
  <arg name="image" default="/usb_cam/image_raw" />
 
  <!-- Config and weights folder. -->
  <arg name="yolo_weights_path"          default="$(find darknet_ros)/yolo_network_config/weights"/>
  <arg name="yolo_config_path"           default="$(find darknet_ros)/yolo_network_config/cfg"/>
 
  <!-- ROS and network parameter files -->
  <arg name="ros_param_file"             default="$(find darknet_ros)/config/ros.yaml"/>
  <arg name="network_param_file"         default="$(find darknet_ros)/config/cabin_data.yaml"/>
 
  <!-- Load parameters -->
  <rosparam command="load" ns="darknet_ros" file="$(arg ros_param_file)"/>
  <rosparam command="load" ns="darknet_ros" file="$(arg network_param_file)"/>
 
  <!-- Start darknet and ros wrapper -->
  <node pkg="darknet_ros" type="darknet_ros" name="darknet_ros" output="screen" launch-prefix="$(arg launch_prefix)">
    <param name="weights_path"          value="$(arg yolo_weights_path)" />
    <param name="config_path"           value="$(arg yolo_config_path)" />
    <remap from="camera/rgb/image_raw"  to="$(arg image)" />
  </node>
 
 <!--<node name="republish" type="republish" pkg="image_transport" output="screen" 	args="compressed in:=/front_camera/image_raw raw out:=/camera/image_raw" /> -->
</launch>

④运行

        分别在终端中启动darknet_ros及播放数据包：

roslaunch darknet_ros cabin_darknet_ros.launch

rosbag play 6.bag

        效果如下：

        从效果上看，帧率很低；但从输出的yolo的log上看，帧率有60帧（使用的是双2080TI）。

        这就关系到前文提及的视频传输的时延。录制数据包时视频由水下的树莓派经电力载波线上传至岸上PC录制，不做处理时时延及丢帧非常明显，显然会对后面的跟踪控制部分造成影响。

2、在线部署

        离线调试成功后，这一步就非常简单了，水下摄像头接在树莓派上，岸上pc通过ssh登录到树莓派启动摄像头，此时网络中图片数据发布于/usb_cam/image_raw。

        此时就与离线调试一样了，在岸上PC启动darknet_ros即可。

=========================================================================         

       在这里我还是补充一下darknet_ros的配置文件吧，虽然有点绕，但我先前认为各文件的条理还是很清晰的，文件内容也很简单，稍微注意点就好，所以就不细说。配置文件没做好会出现各种各样的错误。

        回到cabin_darknet_ros.launch这个文件。

        显然：

  <!-- ROS and network parameter files -->
  <arg name="ros_param_file"             default="$(find darknet_ros)/config/ros.yaml"/>
  <arg name="network_param_file"         default="$(find darknet_ros)/config/cabin_data.yaml"/>

        ros.yaml和cabin_data.yaml就是两个需要先配置好的文件。

        我们打开ros.yaml：

subscribers:
 
  camera_reading:
    topic: /usb_cam/image_raw
    queue_size: 1
 
actions:
 
  camera_reading:
    name: /darknet_ros/check_for_objects
 
publishers:
 
  object_detector:
    topic: /darknet_ros/found_object
    queue_size: 1
    latch: false
 
  bounding_boxes:
    topic: /darknet_ros/bounding_boxes
    queue_size: 1
    latch: false
 
  detection_image:
    topic: /darknet_ros/detection_image
    queue_size: 1
    latch: true
 
image_view:
 
  enable_opencv: true
  wait_key_delay: 1
  enable_console_output: true

        很简单，相机的topic，这个需要和系统里的topic相匹配，以及为输出的数据自定义topic名。

        我们再回到第二个文件cabin_data.yaml:

  config_file:
    name: cabin_yolov3.cfg

        这个是之前我们训练自己网络时的yolo的配置文件名，那这个文件路径在哪呢？在cabin_darknet_ros.launch里。也就是说该路径下要有cabin_yolov3.cfg的配置文件，当然这个路径是可以自由配置的。使用时别忘了将模式改成test。

 <arg name="yolo_config_path"           default="$(find darknet_ros)/yolo_network_config/cfg"/>

        同理，cabin_data.yaml中：

  weight_file:
    name: cabin_yolov3.weights

         这个是我们训练好的网络的权重文件名，注意，权重文件必须配合训练该文件的yolo的配置文件使用，对于cabin_yolov3.weights就是cabin_yolov3.cfg。

        那么，权重文件的存放路径同理在cabin_darknet_ros.launch中：

 <arg name="yolo_weights_path"          default="$(find darknet_ros)/yolo_network_config/weights"/>