컴퓨터 비전 - YOLOv3

git clone https://github.com/pjreddie/darknet cd darknet make

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

이후 detector 실행

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg #또는 ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

예시 이미지나 직접 추가한 이미지로 모델을 돌려볼 수 있다.

신뢰도가 출력 되고 predictions.jpg라는 파일명으로 결과가 저장된다.

명령어를 계속 입력하지 않고 반복적으로 이미지 경로만 입력하게 할 수 있다.

./darknet detect cfg/yolov3.cfg yolov3.weights

이후 나오는 Enter Image Path에는 이미지 경로만 입력하면 된다.

 

*

YOLO는 따로 설정하지 않으면 .25 이상의 신뢰도를 보이는 것을 답으로 출력한다.

아래 명령어로 해당 수치를 변경할 수 있다.

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0

.0으로 입력할 경우 0%도 전부 출력하게 된다.

 

Pascal VOC 데이터셋을 이용해 모델을 직접 학습 시킬 수 있다.

1. Pascal VOC 데이터를 불러오기

wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar tar xf VOCtrainval_11-May-2012.tar tar xf VOCtrainval_06-Nov-2007.tar tar xf VOCtest_06-Nov-2007.tar

VOCdevkit/ 를 확인하면 VOC training data가 있는 서브 디렉토리를 확인할 수 있다

2. 라벨 생성하기

Darknet은 각 이미지의 정보가 저장된 txt 파일의 형태를 이용해야한다.

<object-class> <x> <y> <width> <height>

Darknet scirpts/ 디렉토리의 voc_label.py를 이용해 라벨 txt 파일을 생성한다.

wget https://pjreddie.com/media/files/voc_label.py python voc_label.py

(참고)

voc_label.py

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]

classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]


def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[1])/2.0
    y = (box[2] + box[3])/2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

VOCdevkit/VOC2007/labels/ 와 VOCdevkit/VOC2012/labels/에 라벨 파일이 생성된 것을 확인할 수 있다.

3. 2007 test 파일(test 용이므로)을 제외하고 나머지를 학습시킨다

cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

4. cfg를 수정한다.

vi cfg/voc.data

  1 classes= 20
  2 train  = <path-to-voc>/train.txt
  3 valid  = <path-to-voc>2007_test.txt
  4 names = data/voc.names
  5 backup = backup

의 자리에 train.txt와 2007_test.txt의 파일 위치를 입력한다.

두 txt 파일 모두 같은 위치에 있다.

5. 훈련

wget https://pjreddie.com/media/files/darknet53.conv.74 ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

• Input : 416x416 sized imaeg
• Process : extract feature maps
• Output : 52x52, 26x26, 13x13 sized feature maps

 

학습 시킬 때 뜨는 것들이 정확히 뭘 의미하는지 너무 궁금해서 알아봤다.

YOLOv3 내부 구조에 대해 논문 써놓은 걸 누가 리뷰 해놓은게 있길래 참고 했다.

YOLOv3 동작 방식, 내부 구조 참고 - https://herbwood.tistory.com/21

 

*

참고 -1

 

299 - 연산횟수

14.474660 - 평균 손실율 : 평균 손실율이 줄어들지 않는다면 학습을 중단할 것.

참고-2

darknet/backup 디렉토리에 들어가면 각 가중치 별로 파일이 생성되어있다.

darknet/data에 있는 testdata를 옮겨주고 진행

Uploaded by Notion2Tistory v1.1.0