❗ YOLO_MARK 다운 및 빌드가 끝난 단계에서 작성된 포스트입니다 ❗

📝 Colab을 이용한 YOLO 트레이닝 에 대해 해당 블로그의 포스트를 참고하였습니다

1. 데이터셋 생성

1.1 Class 분류

✍ yolo_mark/x64/Release/data/img 폴더에 라벨링할 이미지를 넣고, obj.data, obj.names 파일을 수정한다

classes = 1
train  = data/train.txt
valid  = data/train.txt
names = data/obj.names
backup = backup/

dog

나는 image detection을 통해 dog 객체를 찾는 것이 목적이므로,
classes = 1로 설정하였고 obj.names 에서 분류 명칭을 dog 하나로 입력하였다

---

1.2 YOLO_MARK를 통한 라벨링

✍ yolo_mark.cmd를 열어 라벨링 작업을 진행해 주자

img 폴더에 넣었던 이미지들에 대해
직접 해당 객체에 해당하는 영역에 바운딩 박스를 드래그로 지정해 주면 된다!

노가다성이 짙다... 강아지 사진 300장에 대해 직접 라벨링 작업을 진행했다 (그치만 강아지라 귀여워서 할만했음)

데이터 라벨링이 모두 끝나면 이렇게 바운딩 박스의 좌표값이 담긴 txt 파일들이 각각의 사진 파일마다 생성된다

---

2. YOLO를 통한 학습

2.1 준비 과정

✍ pre-trained weights <- darknet53.conv.74를 다운받아 darknet 폴더에 넣어 준다

현재 가장 최근 모델은 darknet53 model이며, 상단의 하이퍼링크를 통해 다이렉트로 다운받을 수 있다!

그리고 아까 YOLO_MARK 를 통해 생성했던 데이터셋을 darknet 폴더로 옮겨 주어야 한다

✍ yolo_mark/x64/Release/data 폴더 내의 img 폴더, obj.data, obj.names, train.txt 파일을 darknet/data 폴더로 모두 옮겨 준다

이제 training에 대한 정보가 담긴 cfg 파일을 수정해 줘야 한다!

✍ darknet/cfg 폴더 내의 yolov3.cfg를 다음과 같이 수정한다

// LINE 8, 9 
// 입력 이미지 사이즈
width = 416
height = 416

// LINE 20 
// 보통 class 수 * 2000으로 설정한다
max_batches = 2000 

// LINE 22
// max_batches 사이즈의 80%, 90%
steps = 1600, 1800

// LINE 603, 689, 776
// (filters = (classes + 5)*3)
filters = 18

// LINE 610, 696, 783
// 내가 설정했던 class 종류 개수
classes = 1

위의 과정을 모두 마친 후 darknet 폴더 전체를 압축하여 darknet.zip 형태로 만들어 준다!

---

2.2 Colab 사전 설정

✍ 위에서 만든 darknet.zip 파일을 구글 드라이브의 Colab Notebooks > yolo 폴더 안에 넣어 주었다

YOLOv3_weight > backup 폴더는 나중에 YOLO 학습을 통해 가중치 파일이 쌓이는 공간이다

---

2.3 Colab 파일 생성

✍ 구글 드라이브 > 새로 만들기 > Google Colaboratory를 통해 Colab 파일을 생성하자

우리는 GPU를 사용하여 YOLO를 학습시킬 것이므로 런타임 > 런타임 유형 변경 > 하드웨어 가속기를 GPU로 설정해 준다

---

2.4 YOLO 학습

✍ 이제 Colab 파일에 YOLO 를 실행할 수 있도록 하는 코드를 입력하고, 첫 번째 셀부터 차근차근 실행시키면 된다

참고로,
7번째 셀은

!dos2unix ./data/train.txt
!dos2unix ./data/val.txt
!dos2unix ./data/obj.data
!dos2unix ./data/obj.names
!dos2unix ./cfg/yolov3.cfg

8번째 셀은

%cd /content/darknet
!./darknet detector train data/obj.data cfg/yolov3.cfg darknet53.conv.74

위와 같이 수정하였다

8번째 셀을 실행하면 드디어 학습을 시작하는데

max_batches를 2000으로 두었기 때문에 총 2000번 학습하게 된다

이제부터는 기다림의 시작이다

꼭 2000번이 아니더라도 avg값이 더 이상 떨어지지 않는다면 학습을 멈춰도 된다!

✍ 학습이 끝나고 가중치 파일이 생성되면 마지막 셀을 통해 학습 결과를 확인할 수 있다

!./darknet detector test data/obj.data cfg/yolov3.cfg backup/yolov3_1000.weights data/img/100.jpg -out out