qt-ros2022-9-10

## 环境配置 ```python 1、查看gpu驱动 nvcc -V 2、查看CUDA Version nvidia-smi ``` `如以上指令正常展示，就可以开始安装环境` 指令使用: `anaconda` `miniconda` 按需求选一即可 ### 基本流程： 1. **进入终端** 2. **新建虚拟环境：** ``` conda create -n 环境名 python=3.8 ``` 3. **进入虚拟环境：** ``` conda activate 环境名 ``` 4. **按要求安装环境：** ``` pip install -r requirements.txt ``` `上述环境中torch版本为cpu版本` ``` torch==1.8.0 torchvision==0.9.0 ``` 5. **卸载原有环境中的torch：** ``` pip uninstall torch pip uninstall torchvision ``` 6. **[torch官网](https://pytorch.org/) 安装下载所需torch：** ``` pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio==0.9.1 -f https://download.pytorch.org/whl/torch_stable.html （如不兼容，自行尝试其他版本，最好不要安装最新版本） ``` 7. **安装K-means所需环境：** ``` pip install sklearn ``` ### 补充 : - **查询指令：** ``` 1、查询当前已存在的虚拟环境 conda env list 2、查询当前环境下已安装的包 conda list pip list ``` - **环境指令：** ``` 1、退出当前环境 conda deactivate 2、删除环境 conda remove -n 环境名 --all 3、导出当前环境 pip freeze > ./requirements.txt ``` ## 文档注释 [网络结构]: models "如需更换模型，在此中修改你的网络结构" [数据参数]: data "预测参数配置、以及预测结果预保存路径" [配置文件]: utils "实现预测yolov5预测的配置文件，包括激活函数选择等等" [模型权重]: weights "放置模型" [死鸡预测]: predict.py "依据原detect.py进行完善，返回预测结果，包括所在帧数、置信度、中心点的坐标" [图像聚类]: kmeans.py "依据预测返回结果进行聚类/绘图，（二维图像，降低误检率）" [死鸡定位]: location.py "简单的二维定位，判断中心点在图像中的坐标" ### [config.json](data/config.json) ```json { "weights": "模型权重的路径", "source": "图像路径，0时为本地摄像头", "imgsz": 640, # 输入模型的图像大小 "conf_thres": 0.85, # 置信度阈值 "iou_thres": 0.45, # iou阈值 "max_det": 20, # 单次可检测最多数目 "device": "0", # 设备，0,1,2,或者cpu "project": "nvidia/dead_broiler", # 检测结果保存路径 "name": "cage_", # 单次检测文件名 "save_txt": true, # 是否保存预测结果，txt "save_img": true, # 是否保存预测后的视频 "view_show": false, # 是否检测实时展示成果 "augment": false, # 是否数据增强、使用会降低检测速度 "half": false, # 模型及图像是否使用半精度检测，预留，依据实际情况定 "time": 10 # 设置检测时间， s } ``` ### [predict.py](predict.py) **函数:** **predict**(预测，输入opt|输出预测结果) ``` # 返回值 data_xy.append({"img": str(count), # 第几帧图像 "conf": str(conf.item()), # 置信度 "bbox": [xywh[0], xywh[1]] # 中心点的相对坐标 }) ``` ### [kmeans.py](kmeans.py) **函数: ** **data_parse**(数据解析)、**K_means**(聚类获得中心点坐标)、**show_picture**(绘制坐标分布图) 1. 获取检测到的全部中心点坐标，转换为ndarray二维 2. 通过kmeans方法进行聚类，k值设定的为单帧检测到死鸡的最大数目 3. 聚类，去除其中类数目低于阈值的类，返回符合条件的所有类的中心点 ### [locatioan.py](location.py) **函数:** **location**(定位，输入中心点坐标以及存在死鸡数目) 1. 获取的中心点坐标 2. 依据坐标数目判断检测到的死鸡数目 3. 依据中心点的相对坐标预估死鸡所在笼框