Deep Learning - #6 객체인식모델_YOLOv5

---

YOLO

• Object Detection(객체 탐지)
  객체 탐지란?
  이미지 내에서 객체(사물, 사람 등)를 감지해 내는 것
  → 왼쪽은 CNN, 오른쪽은 YOLO

• 활용 분야
  

• 객체 탐지 알고리즘의 역사
  발전 순서

1. Traditional Detection Methods
2. Two-stage detector
3. One-stage dectector
   

• Traditional Detection Methods
  

• Two-stage detector (→ R-CNN)
  
  • 장점 : 높은 성능
  • 단점 : 속도가 느림 10~15 FPS(동영상이 보통 30 FPS) → 실시간 탐지 불가능

-선택적 검색(Selective Search)

1) 처음에는 분할된 모든 부분들을 Bounding box로 만들어 리스트에 추가

2) 색상, 무늬, 크기, 형태에 따라 유사도가 비슷한 부분들을 그룹핑(Bbox 개수 감소)

3) 1, 2 단계를 계속 반복

• One-stage Detector (→ YOLO)
  • 장점 : 속도가 빠름 30~40 FPS → 실시간 탐지 가능
  • 단점 : 낮은 성능 → 0.7

• YOLO(You Only Look Once)
  • One-stage detector 방식 실시간 객체 검출 알고리즘의 선봉장!
  • 16년 v1 부터 22년 v7까지 오픈소스로 출시됨
  • v1(GoogLeNet 적용)은 Two-stage detector 의 Faster R-CNN(vgg 16 적용) 보다 6배 빠른 속도록 논문에 기재됨

---

실습

• 라벨링 파일
  → 라벨링을 열어보면 5개의 숫자가 있다.

* 첫 번째 숫자 = cat(0) or dog(1)
* 2~5번째 숫자 = 객체의 위치
* x1, y1, x2, y2
* 각각의 숫자는 찍은 위치의 픽셀값 / 이미지 크기 → 0~1숫자로 적혀있음

• roboflow에서 라벨링 한 데이터 가져오기

!curl -L "https://app.roboflow.com/ds/lwJF2ISVe8?key=4qmtvOwC3S" > roboflow.zip; unzip roboflow.zip; rm roboflow.zip

→ 폴더 열어서 데이터 불러와졌는지 확인

• dataset 폴더 만들기

# mkdir(make directory)
%mkdir dataset

→ 폴더 만들어졌는지 확인

• 만든 dataset 폴더에 불러온 데이터 파일들 이동하기

# mv(move)
%mv ./README.dataset.txt ./README.roboflow.txt ./data.yaml train test valid /content/dataset

• 이미지파일 txt파일로 변경

# 하나의 변수에 사용 할 파일 모아주기
# 이미지 파일의 경로를 모은 메모장(txt)파일 만들기
# train.text, val.txt

-파일 경로 불러오기

from glob import glob

train_img_list = glob('/content/dataset/train/images/*.jpg')
train_img_list

-valid도 똑같이

val_img_list = glob('/content/dataset/valid/images/*.jpg')

-이미지 파일의 경로를 txt파일을 안에 담기

with open('/content/dataset/train.txt', 'w') as f :
  f.write('\n' .join(train_img_list) + '\n')

with open('/content/dataset/val.txt', 'w') as f :
  f.write('\n' .join(val_img_list) + '\n')

→ txt파일 만들어졌는지 확인

• data.yaml 파일

# 학습시에는 data.yaml파일을 사용
# data.yaml파일 안에서 train과 val경로 수정 → train.txt, val.txt 경로 적기

# 데이터셋 사용 준비 완료

-파일 열기
→ 이렇게 변경

YOLOv5 사용 준비

• github에 있는 파일 다운로드

!git clone https://github.com/ultralytics/yolov5

→ 폴더 생겼는지 확인

• print working directory

%pwd

• change directory

%cd yolov5

• YOLO 사용에 필요한 라이브러리 다운로드

!pip install -r requirements.txt

• 학습

!python train.py --img 640 --batch 16 --epochs 50 --data /content/dataset/data.yaml --name cat_dog_yolov5s_results

# --img 640 → 이미지 크기
# --batch 16 → 한 번에 학습 할 이미지 갯수
# --epochs 50 → 몇 번 학습을 반복 할 것인지
# --data /content/dataset/data.yaml → 학습 할 데이터
# --name cat_dog_yolov5s_results → 저장될 폴더 이름

• 학습 완료 후
  → best.pt 다운로드

(학습 완료시 → yolov5 → runs → cat → train → cat_dog_yolov5s_results → weights → best.pt 다운로드)

• YOLO 환경설정
  

---

위에 설정하고 jupyter nootbook으로 실행

import torch # yolo를 사용하는 라이브러리
import numpy as np
import cv2 # 이미지 다루는 라이브러리

import pathlib
temp = pathlib.PosixPath
pathlib.PosixPath = pathlib.WindowsPath

• 모델 불러오기

model = torch.hub.load('ultralytics/yolov5', 'custom', path='data/best.pt' , force_reload=True)

• 이미지 불러오기 + 검출

dog = cv2.imread('./data/dog.jpg')

# 객체 검출하기
result = model(dog)
# ctrl + shift + '-' → 커서 기준으로 셀 분할

• 6개의 값

# x1, y1, x2, y2, 정확도(confidence), class
detect = result.xyxyn[0].numpy()

# 기존 이미지 크기
x = dog.shape[1]
y = dog.shape[0]

# 객체의 위치 계산
x1 = int(detect[0,0] * x)
y1 = int(detect[0,1] * y)
x2 = int(detect[0,2] * x)
y2 = int(detect[0,3] * y)

• 셀 합치기

# 이미지 불러오기
dog = cv2.imread('./data/dog.jpg')

# 객체 검출하기
result = model(dog)
# ctrl + shift + '-' → 커서 기준으로 셀 분할
# shift + m → 아래 셀과 합치기(command mode)

# 6개의 값
# x1, y1, x2, y2, 정확도(confidence), class
detect = result.xyxyn[0].numpy()

# 기존 이미지 크기
x = dog.shape[1]
y = dog.shape[0]

# 객체의 위치 계산
x1 = int(detect[0,0] * x)
y1 = int(detect[0,1] * y)
x2 = int(detect[0,2] * x)
y2 = int(detect[0,3] * y)

• 객체 검출했으면 이미지에 표시하기

cv2.rectangle(dog, (x1,y1) , (x2,y2) , (0,0,255), 2)

# 이미지 띄우기
cv2.imshow('dog',dog)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 여러마리 검출하기

# 이미지 불러오기
dog = cv2.imread('./data/dogs.png')

# 객체 검출하기
result = model(dog)
# ctrl + shift + '-' → 커서 기준으로 셀 분할
# shift + m → 아래 셀과 합치기(command mode)

# 6개의 값
# x1, y1, x2, y2, 정확도(confidence), class
detect = result.xyxyn[0].numpy()

# 기존 이미지 크기
x = dog.shape[1]
y = dog.shape[0]

# 여러마리 검출했을 경우
for i in range(len(detect)) :
    # 객체의 위치 계산
    x1 = int(detect[i,0] * x)
    y1 = int(detect[i,1] * y)
    x2 = int(detect[i,2] * x)
    y2 = int(detect[i,3] * y)

    # 객체 검출했으면 이미지에 표시하기
    cv2.rectangle(dog, (x1,y1) , (x2,y2) , (0,0,255), 2)

# 이미지 띄우기
cv2.imshow('dog',dog)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

동영상으로 해보기

• anaconda prompt 명령어

1. 가상환경 확인
   conda env list
   

2. 환경 접속
   activate 환경 이름
   

3. jupyter notebook 열기
   jupyter notebook(기존에 설치가 되어있어야 된다.)
   

---

• 동영상 연결하기

import cv2

# 모델 불러오기
model = torch.hub.load('ultralytics/yolov5', 'custom', path='data/best.pt' , force_reload=True)

# 동영상 연결하기
video_path = './data/cat_video.mp4'

# 비디오 연결하기
video = cv2.VideoCapture(video_path)

# 초 당 30장의 사진을 가져온다 → 한 장씩 사용
while video.isOpened() :
    ret, img = video.read() # 이미지 한 장 가져오기
    # ret = 성공여부, img = 이미지 값

    if not ret :
        break

    result = model(img)
    # ctrl + shift + '-' → 커서 기준으로 셀 분할
    # shift + m → 아래 셀과 합치기(command mode)
    
    # 6개의 값
    # x1, y1, x2, y2, 정확도(confidence), class
    detect = result.xyxyn[0].numpy()
    
    # 기존 이미지 크기
    x = img.shape[1]
    y = img.shape[0]
    
    # 여러마리 검출했을 경우
    for i in range(len(detect)) :
        # 객체의 위치 계산
        x1 = int(detect[i,0] * x)
        y1 = int(detect[i,1] * y)
        x2 = int(detect[i,2] * x)
        y2 = int(detect[i,3] * y)
    
        # 객체 검출했으면 이미지에 표시하기
        cv2.rectangle(img, (x1,y1) , (x2,y2) , (0,0,255), 2)
    
    # 사진 띄우기
    cv2.imshow('video', img)
    # 동영상 종료 기능(1(!))
    k = cv2.waitKey(1)
    if k == 49 :
        break

# 비디오 연결 종료
video.release()

# 윈도우에 띄우 창 종료
cv2.destroyAllWindow()

---