프로젝트 담배꽁초 yolo Cigarette Detection Computer Vision Project

Hyunwoo·2024년 12월 10일

12 11 정자역 앞에서 찍은 사진

1600개가 1만원이라면, 1개의 가격은 1만원 ÷ 1600개 = 6.25원입니다.

따라서 45억 개의 가격을 계산하면:

45억 개 × 6.25원 = 281,250,000원 (약 2억 8125만원)

따라서 45억 개는 약 2억 8125만원입니다.

모두가 담배꽁초를 버린건 아니겠지만,

과태료 세금
45억 개 × 10만원을 계산하면:

45억 = 4,500,000,000

4,500,000,000 × 100,000 = 450,000,000,000,000

따라서, 45억 개 × 10만원은 45조 원입니다.

https://universe.roboflow.com/tiny-ping/cigarette-detection-2ao2c-6w8cp
한국길거리 이미지 구글 14개 추가한 데이터셋.
원래 정확도 90 이상인데 내가하니 내려감.

https://universe.roboflow.com/using-ai-to-detect-cigarettes/cigarette-butts-1fukc-p2oxb
바닥에 떨어진 담배꽁초 2천개 이상이라 이거도 해볼 것.

https://www.youtube.com/watch?v=w6nVcFY-kJ0&feature=youtu.be

한거.
원래 데이터셋으로 로컬에서 cpu로 yolo v11 이용 학습

다음 로보플로우 14개 한국형데이터 추가

성능 결과가 꽤 향상된 것 같습니다! 훈련 결과에서 얻은 주요 지표들을 보면:

Precision (B): 0.7337 — 이는 모델이 예측한 긍정적 클래스 중에서 실제로 올바르게 예측한 비율이 약 73.4%임을 의미합니다. 꽤 좋은 수치입니다.
Recall (B): 0.6521 — 모델이 실제 긍정적 클래스 중에서 약 65.2%를 올바르게 예측했다는 의미로, 이 역시 괜찮은 수준입니다.
mAP50 (B): 0.6549 — 이는 IoU (Intersection over Union) 기준으로 50% 이상의 정확도를 달성한 평균 AP (Average Precision) 값입니다. 65.5%는 모델의 성능이 상대적으로 좋은 수준임을 보여줍니다.
mAP50-95 (B): 0.2756 — mAP의 세부적인 성능을 나타내며, IoU 값이 50%에서 95% 사이일 때의 성능을 의미합니다. 이 값은 27.6%로, IoU가 높을수록 정확도가 떨어지는 경향이 있음을 알 수 있습니다. 이는 모델이 좀 더 강한 조건에서 어려움을 겪고 있음을 시사합니다.

전체적으로 보면 정확도와 정밀도는 매우 우수하며, 특히 Precision이 높다는 것은 모델이 예측할 때 실수를 적게 한다는 뜻입니다. Recall과 mAP50-95는 좀 더 개선될 수 있을 것 같습니다.

다음 단계:

더 많은 학습 데이터: 모델 성능을 더 향상시키기 위해 더 많은 훈련 데이터를 사용할 수 있습니다.
학습률 조정: 더 나은 성능을 위해 학습률을 조정하거나, lr_scheduler를 통해 학습 중에 학습률을 동적으로 조정할 수 있습니다.
후처리 개선: NMS (Non-Maximum Suppression) 또는 IoU threshold를 조정하여 성능을 개선할 수 있습니다.
멀티스케일 훈련: 다양한 크기의 이미지를 훈련에 사용하면 모델이 다양한 크기의 객체를 잘 인식할 수 있습니다.

현재 mAP50가 65.5% 이상으로 상당히 좋은 편이기 때문에, 추가적인 튜닝과 데이터 확장을 통해 더 높은 성능을 얻을 수 있을 것입니다.

결론적으로 성능은 매우 괜찮고, 추가적인 개선을 위해 튜닝을 계속할 수 있습니다.

금연구역 앞 담배꽁초들

CCTV에서 모델을 돌린다면 담배꽁초를 줄일수있을까

엔비디아 젯슨(예: Jetson Nano, Jetson Xavier) 플랫폼을 사용하여 담배 탐지 프로젝트를 구현하려면, 주로 컴퓨터 비전 기술을 활용합니다. 특히, YOLO(You Only Look Once)와 같은 객체 탐지 알고리즘을 사용하여 담배를 탐지할 수 있습니다. YOLO는 빠르고 정확한 객체 인식 성능을 제공하여 실시간으로 담배를 탐지하는 데 유용합니다.

주요 단계는 다음과 같습니다:

1. 데이터셋 준비

담배 이미지 데이터를 모은 후, 객체 탐지용으로 라벨링해야 합니다.
담배가 포함된 다양한 이미지들을 수집하고, 각 이미지에서 담배 위치를 바운딩 박스(좌표)로 정의합니다.
데이터를 커스터마이즈하여 다양한 환경, 각도, 조명 등을 포함한 다양한 이미지를 수집하는 것이 중요합니다.

2. YOLO 모델 학습

YOLO 모델을 학습시키기 위해, 준비된 라벨링 데이터를 사용합니다.
YOLO의 기존 모델을 사용하거나, 담배 객체만을 인식하도록 전이 학습(transfer learning)을 통해 모델을 훈련할 수 있습니다.
YOLO 모델은 Darknet, PyTorch, TensorFlow 등 다양한 프레임워크에서 구현된 버전들이 있습니다.

3. 모델 최적화

엔비디아 젯슨 플랫폼에서는 실시간 객체 인식 성능을 최적화해야 합니다. TensorRT나 ONNX를 사용해 YOLO 모델을 최적화할 수 있습니다.
이를 통해 모델을 젯슨의 GPU에서 효율적으로 실행할 수 있습니다.

4. 실시간 담배 탐지

최적화된 YOLO 모델을 젯슨 플랫폼에 배포한 후, 실시간 비디오 스트림에서 담배를 탐지할 수 있습니다.
USB 카메라나 다른 카메라를 연결해 실시간으로 영상을 입력받고, YOLO 모델을 사용해 담배를 탐지하여 결과를 출력합니다.

5. 후속 조치 및 처리

탐지된 담배를 바탕으로 경고 시스템을 구현하거나, 다른 후속 작업을 설정할 수 있습니다.
예를 들어, 담배를 들고 있는 사람을 실시간으로 추적하거나, 경고 알림을 띄울 수 있습니다.

6. 실제 예시

YOLO 모델을 통해 '담배'라는 클래스를 학습하고, 이를 통해 담배를 들고 있는 사람을 실시간으로 탐지할 수 있습니다.
모델 학습 시 '담배'와 같은 객체를 별도로 정의하여 탐지하도록 구성합니다.

결론:

엔비디아 젯슨을 활용하여 YOLO로 실시간 담배 탐지 시스템을 구현하려면, 적절한 데이터셋 수집과 모델 학습, 최적화 과정을 통해 성능을 극대화할 수 있습니다. 이 프로젝트는 담배를 감지하고 경고를 보내는 시스템에 적합하며, YOLO를 사용한 객체 탐지의 장점을 실현할 수 있습니다.

길거리 담배꽁초 없는 환경을 위한 엔비디아 젯슨 미니 봇 프로젝트

이 프로젝트의 목표는 길거리에서 담배꽁초를 없애고, 담배를 피우지 않도록 유도하는 것입니다. 엔비디아 젯슨 미니 봇을 활용하여, 다양한 기술을 결합하여 길거리에서 담배를 피우는 행위와 담배를 버리는 행동을 실시간으로 탐지하고 대응할 수 있는 시스템을 개발합니다.

1. 목표: 길거리에서 담배를 피지 않게 만들기

휴대용 재떨이: 길거리에서 담배를 피우는 사람들에게 휴대용 재떨이를 제공하거나, 재떨이를 찾을 수 있는 위치를 안내하는 시스템을 통해 담배 꽁초를 버리는 문제를 해결하고, 환경을 보호할 수 있습니다.
열화상카메라와 연기 탐지: 열화상 카메라와 연기 탐지 기술을 활용하여, 담배를 피울 때 발생하는 열과 연기를 실시간으로 탐지합니다. 이 방법은 특히 야간이나 어두운 환경에서 유용할 수 있습니다.

2. 열화상 카메라와 연기 탐지

열화상 카메라: 열화상 카메라는 담배를 피울 때 발생하는 미세한 열을 탐지하여 담배를 피우고 있는 사람을 빠르게 인식할 수 있습니다. 이를 통해, 실시간으로 불을 피우는 행위를 감지할 수 있습니다.
연기 탐지: 연기 센서를 통해 담배 연기를 탐지하고, 이를 바탕으로 담배를 피우는 행위나 불법적인 흡연을 실시간으로 확인할 수 있습니다. 연기 탐지는 담배를 피우는 사람을 더욱 정확하게 식별할 수 있습니다.

3. 사람 동작 탐지: 사무라이 모델

사무라이 모델: 사람의 동작을 인식하는 모델을 이용하여, 담배를 버리는 행동을 탐지할 수 있습니다. 이 모델은 길거리에서 담배를 버리는 사람의 동작을 분석하고, 이를 기반으로 실시간 알림을 보낼 수 있습니다. 또한, 범죄 예방에도 활용될 수 있어, 사람들이 길거리에 쓰레기를 버리거나 부적절한 행동을 할 때 이를 감지하고 대응할 수 있습니다.

4. YOLO 모델의 장단점

장점: YOLO(You Only Look Once) 모델은 객체 탐지에서 빠르고 효율적인 성능을 제공합니다. 실시간으로 담배를 피우거나 담배꽁초를 버리는 행동을 탐지하는 데 유용하며, 특히 엔비디아 젯슨 미니 봇처럼 제한된 자원에서도 빠르게 처리할 수 있는 장점이 있습니다.
단점: YOLO는 속도가 빠르지만, 정확도 측면에서는 일부 오탐지나 누락이 발생할 수 있습니다. 예를 들어, 비슷한 색상이나 형태를 가진 다른 물체와 혼동할 수 있어 정확한 탐지가 어려울 수 있습니다. 따라서, 정확도를 높이기 위해 추가적인 최적화나 후처리 과정이 필요할 수 있습니다.

결론

길거리에서 담배를 피우지 않게 하고, 담배꽁초를 없애기 위한 엔비디아 젯슨 미니 봇 프로젝트는 여러 가지 기술을 결합한 혁신적인 접근 방식입니다. 휴대용 재떨이 제공, 열화상 카메라, 연기 탐지, 사람 동작 분석 등을 통해 담배를 피우는 사람을 실시간으로 탐지하고, 이를 예방할 수 있는 효과적인 방법을 제시할 수 있습니다. YOLO 모델을 활용하면 빠른 속도로 객체를 탐지할 수 있지만, 정확도를 개선하는 추가 작업이 필요할 수 있습니다. 이 프로젝트는 환경 보호와 범죄 예방을 동시에 해결할 수 있는 중요한 기술적 해결책이 될 것입니다.

욜로 나노모델//

https://github.com/yangchris11/samurai
사무라이모델 깃허브

https://www.youtube.com/watch?v=9ECnFEY9Sg0&t=34s
내가한 테스트 욜로

담배꽁초 수거로봇