Al wat vaker zag ik allerlei mooie projecten voorbij komen over Yolov8 of Yolov9. In dit geval slaat yolo op You Only Look Once en v8 of v9 op het versienummer. Vaak had dit dan te maken met video’s van snelwegen waar auto’s, motoren en/of vrachtauto’s herkend werden en geteld. Onze interesse was gewekt maar waar haal je nu zo gauw een snelweg vandaan?
Dat kwam sneller dan gedacht. De snelweg lag bij nader inzien voor de deur en de hardware hadden we al in huis. Gewoon de ‘gezichtherkennende pir‘ van een eerder project van een nieuw programma voorzien en letterlijk tegen het raam geplakt zodat het nu een verkeersteller was geworden. Zo makkelijk kan het zijn, de software bepaalt wat het is. Toegegeven, het ziet er niet uit. Maar in de testfase heb je vaak niet alle middelen om een hele constructie op te tuigen.
In de ElektorMagazine van maart/april 2024 werd een project beschreven geheten: “CaptureCount, objectdetector en -teller op de Raspberry Pi 5”. Echt een leuk instapmoment in het Yolo gebeuren en om gewoon eens kijken wat het doet. Die Pi 5 hadden we even niet op de plank liggen ergens maar met de 4 moest het vermoedelijk ook wel lukken. En die hadden we dus wel.
Het besturingssysteem van de Pi 4 stamde nog uit 2021 en daarop verder gaan met de nieuwe software was niet zo’n goed idee. Na een fors aantal errors was het wel mooi geweest en hebben we de boel gedemonteerd om bij het SD kaartje te kunnen komen zodat we daar een verse Rasberry OS op konden zetten middels de Raspberry Pi Imager.
En dat ging goed. Daarna ging het snel. De juiste bibliotheken en modules geïnstalleerd en als laatste het Pythonprogramma. De juiste stappen doorlopen en maar eens uitvoeren/run gedrukt om te kijken wat het doet. De beelden zijn wat aan de rode kant, een klein aantal waarschuwingen konden genegeerd worden en de eerste geparkeerde auto’s werden al gedetecteerd! Later volgde ook een fietser en voetgangers. De ‘aeroplane’ bleef gelukkig op nul staan en vazen hebben we ook nog niet voorbij zien komen.
Na van de eerste successen genoten te hebben komt meestal de ontnuchtering. Het gaat allemaal toch niet zo snel. Toch maar die Pi 5? We hebben het idee dat dat niet zoveel zoden aan de dijk gaat zetten. Natuurlijk is Pi 5 twee tot drie keer sneller dan een Pi 4, maar gaat dat echt die gestroomlijnde realtime tellingen opleveren? Het vermoeden is van niet. We hebben de resolutie of afbeeldingsformaat/grootte zo je wil al terug geschroefd naar 1/4 van het oorspronkelijke beeld om de boel te versnellen. Dat helpt wel iets. We verwachten wat meer van de ‘Yolo-light’ versie speciaal voor de kleinere computer of smartphone. Daar gaan we binnenkort mee aan de slag en zo ontstaat vanzelf weer een nieuw project uit een bestaand project. Trail and error en aan het eind van de rit weet je er alles van.
Yolov9 – update
We hebben het nog eens dunnetjes over gedaan, nu op de pc en met Yolov9. Het verschil is aanmerkelijk. Weer worden auto’s en personen herkend alleen een stuk sneller. Voor Yolov9 gebruiken we ook een zogenaamd ‘pre-trained model’ wat zoveel inhoudt dat de herkenning al voor je is gedaan en dus dat je het gelijk kunt gebruiken. De volgende stap is om de beelden niet via je webcam binnen te halen maar via streams van een bestaande camera beveiliging-installatie (cctv). En wellicht uit meerdere camera’s. Iets voor later, de basis is gelegd.
Ere wie ere toekomt, dit bedenken we natuurlijk niet zelf. Deze laatste stap was gewoon knippen, plakken en testen. Zie Youtube.
