YOLOV3 - Cardetection 실습

• Kaggle 데이터셋
• colab link

 

Car detection

 

데이터 확인

• 이미지에 대한 xmin, ymin, xmax, ymax 로 이루어진 데이터셋

• cv2 rectangle 을 통해서 시각화 했을때 labeling이 잘된 모습을 확인할수 있음

 

format 변환

• 현재 데이터는 xmin, ymin, xmax, ymax로 이루어진 데이터
• 사용할 모델인 Yolov3 format은 x_center, y_center, w, h 와 같은 정보가 필요함으로 데이터 가공 수행

img_h, img_w, num_channels = h, w, c # h, w, c 는 위에서 얻은 이미지 크기


# x_center 생성
data_df['x_center'] = (data_df['xmin'] + data_df['xmax'])/2
data_df['x_center'] = data_df['x_center']/img_w

# y_center 생성
data_df['y_center'] = (data_df['ymin'] + data_df['ymax'])/2
data_df['y_center'] = data_df['y_center']/img_h

# width 생성
data_df['w'] = data_df['xmax'] - data_df['xmin']
data_df['w'] = data_df['w']/img_w

# height 생성
data_df['h'] = data_df['ymax'] - data_df['ymin']
data_df['h'] = data_df['h']/img_h

# class 생성
data_df['classes'] = 0

data_df.head()

• 기본적으로 검출할 class가 모두 'car' 하나의 단일 클래스 임으로 0으로 통일
• 이미지의 높이, 너비, 채널에 대한 정보는 image.size 를 통해서 얻을수 있고 해당 데이터는 모두 이미지 w,h 가 동일함

 

Yolov3 폴더 형식 및 데이터 분할

• 사용할 모델인 Yolov3는 format 이외에도 파일에 대한 조건이 존재
• 알맞는 형식으로 파일을 작성해줘야 문제없이 작동

# yolov3 파일 형식

───────────────────────────────────────────────  
 📁 yolov3_car_data 
   ├────📃 data.yaml : 데이터의 경로 및 class 내용이 담긴 yaml 파일
   ├──📁 images : tarin,val,test 이미지가 들어있는 폴더
   │    ├──📁 train     
   │    ├──📁 val
   │    └──📁 test
   │    
   ├──📁 labels : tarin,val label이 들어있는 폴더
   │    ├──📁 train      
   │    └──📁 val 
───────────────────────────────────────────────

 

• 해당 형식의 폴더를 손으로 작성할수 있지만 그렇게 되면 번거롭기 때문에 os.makedirs를 통해서 생성

# 위의 폴더 형식을 만드는 함수
def make_dir():
    if not os.path.exists('./yolov3_car_data'):
        os.makedirs('./yolov3_car_data')

    if not os.path.exists('./yolov3_car_data/images/'):
        os.makedirs('./yolov3_car_data/images/')

    if not os.path.exists('./yolov3_car_data/labels/'):
        os.makedirs('./yolov3_car_data/labels/')

    for i in ['train','val']:
        if not os.path.exists(f'./yolov3_car_data/images/{i}/'):
            os.makedirs(f'./yolov3_car_data/images/{i}/')
        if not os.path.exists(f'./yolov3_car_data/labels/{i}/'):
            os.makedirs(f'./yolov3_car_data/labels/{i}/')

# 경로 생성
make_dir()

 

이미지 및 라벨 파일 분리

• 현재 dataframe 안에 이미지별 해당 이미지에 대한 x_center, y_center, width, height 존재
• 이를 .txt 파일 안에 'classes','x_center','y_center','w','h' 순으로 작성해야 함 (이미지 별로)

# data_df image 중 train : valid 분리
split_data = list(set(list(data_df['image'])))
train_valid_split = random.sample(split_data, k= 210) # 210개는 train : 90개는 val

# 실제 yolo format에 사용되는 class, x_center, y_center, width, height 만 남기기
for name,sep in tqdm(data_df.groupby('image')):
    if name in train_valid_split:
        folder = 'train'
    else:
        folder = 'val'

    with open(f'./yolov3_car_data/labels/{folder}/{name.split(".")[0]}.txt', 'w+') as f:
        row = sep[['classes','x_center','y_center','w','h']].astype(float).values
        row = row.astype(str)
        for j in range(len(row)):
            text = ' '.join(row[j])
            f.write(text)
            f.write("\n")

    sh.copy(f"./car_detection/train/{name}",f'./yolov3_car_data/images/{folder}/{name}')

• groupby로 image를 하는 이유는 한 이미지안에 객체가 2개 이상일 경우 annotions 모두를 label에 작성하기 위함

 

yaml 파일 생성

• 모든 과정이 끝나고 최종적으로 model에게 train,val,test 데이터 위치와 class 이름 및 개수를 알려주는 yaml 파일 작성
• python의 open() write()를 통해서도 작성할수 있지만 가장 편한 방법으로 작성

%%writefile ./yolov3_car_data/data.yaml
train : ../yolov3_car_data/images/train
val : ../yolov3_car_data/images/val
test: ../yolov3_car_data/images/test

nc : 1
names: [car]

 

모델 훈련

• 기본적으로 학습이 잘된 상태를 보여주기 위해서 개인컴으로 1000 epoch 수행한 가중치로 재학습
• batch : 한번에 훈련시킬 이미지 수
• epochs : 훈련 횟수
• weight : 사용할 모델 가중치 (여기서는 이미 1000번 돌린 가중치 사용), 안적으면 알아서 yolov3.pth 다운
• exist-ok : 결과물 폴더 하나로 통일
• device : 사용할 gpu 넘버

os.chdir('./yolov3') # yolov3 폴더로 이동

!python train.py  --batch 16 --epochs 5 --data ../yolov3_car_data/data.yaml --exist-ok --weights ../car_detection/best.pt --cache --device 0

• 모델 추론
  • ./runs/train/exp/weights/best.pt 에 위에서 5 epoch 돌린 모델이 저장됨

!python ./detect.py --weights ./runs/train/exp/weights/best.pt --conf 0.25 --line-thickness 1 --exist-ok --device 0 --source  ../yolov3_car_data/images/test

 

모델 결과 시각화

• 확실하게 ultralytics yolov3는 기존 yolov3 보다 성능면에서 좋은 경향을 보임
• format의 형태가 ultralytics yolov5와 같아서 사실상 yolov3 나 yolov5 아무거나 사용해도 문제 없지만 yolov5는 자체적으로 모자이크를 넣어서 데이터를 학습시키는 부분 때문에 적은 데이터셋으로 수행하는 건 부적절 하다고 판단

 

끝으로

• Kaggle 데이터 셋을 통해서 yolov3 를 해보는 실습을 올려보고 싶었는데 마침 좋은 기회가 있어서 작성했습니다.
• 모든 과정은 위에 colab에서 수행해보실수 있습니다. 감사합니다.

 

전체 내용 한번에 보기

Loading

Sorry, something went wrong. Reload?

Sorry, we cannot display this file.

Sorry, this file is invalid so it cannot be displayed.

view raw YOLOv3_car.ipynb hosted with ❤ by GitHub