OpenCV 의 YOLOv3

김성빈·2024년 5월 22일

Modern Computer Vision

목록 보기

36/117

사전 교육된 YOLOV3 모델을 로드하고 OpenCV를 사용하여

몇 개의 이미지에 대한 추론을 실행하는 방법을 배운다.

Colab에서 yolo 모델파일을 다운로드 받으면,

images 와 yolo 안에 3개의 파일이 존재한다.

coco.names
YOLO 모델이 식별하고자 하는 객체의 클래스 레이블을 포함
예를 들어, "사람", "자동차", "개" 등과 같이 식별하려는 객체의 종류에 대한 레이블이 coco.names 파일에 포함
이 파일은 각 클래스 레이블을 정의하고 YOLO 알고리즘이 객체를 식별하는 데 사용
yolov3.cfg
YOLO 모델의 네트워크 아키텍처를 정의하는 구성 파일
YOLO 네트워크의 레이어, 각 레이어의 구성 및 하이퍼파라미터 등이 정의돼 있다.
네트워크의 구조와 매개변수가 이 파일에 정의되어 있어야 YOLO 알고리즘이 올바르게 작동
yolov3.weights
사전 훈련된 YOLO 모델의 가중치(weight)를 포함

결론은 coco.names 파일은 클래스 레이블을 정의하고, yolov3.cfg 파일은 네트워크 아키텍처를 정의하며, yolov3.weights 파일은 사전 훈련된 모델의 가중치를 포함한다.

이 세 가지 파일이 함께 사용돼서 YOLO 알고리즘이 객체 감지를 수행하고 결과를 출력하는 것.

YoLo 개체 분석

print("감지 시작...")
# ./images 폴더에서 이미지 파일을 가져옴
mypath = "YOLO/images/"
file_names = [f for f in listdir(mypath) if isfile(join(mypath, f))]

# 이미지를 순회하면서 분류기를 실행
for file in file_names:
    # 입력 이미지를 로드하고 공간 차원을 가져옴
    image = cv2.imread(mypath + file)
    (H, W) = image.shape[:2]
 
    # YOLO에서 필요한 *출력* 레이어 이름만 가져오기
    ln = net.getLayerNames()
    ln = [ln[i - 1] for i in net.getUnconnectedOutLayers()]

    # 입력 이미지에서 blob 객체를 생성
    blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (416, 416), swapRB=True, crop=False)
    # 이미지 blob을 입력으로 설정
    net.setInput(blob)
    # 네트워크를 통해 순방향 전파 실행
    layerOutputs = net.forward(ln)

    # 감지된 경계 상자, 확신도 및 클래스 ID를 저장할 리스트 초기화
    boxes = []
    confidences = []
    IDs = []

    # 각 레이어 출력을 순회
    for output in layerOutputs:
        # 각 감지를 순회
        for detection in output:
            # 클래스 ID와 감지의 확률을 추출
            scores = detection[5:]
            classID = np.argmax(scores)
            confidence = scores[classID]

            # 가장 확률이 높은 예측만 선택
            if confidence > 0.75:
                # 경계 상자 좌표를 이미지에 상대적으로 스케일링
                # 참고: YOLO는 실제로 경계 상자의 중심 (x, y) 다음에 상자의 너비와 높이를 반환
                box = detection[0:4] * np.array([W, H, W, H])
                (centerX, centerY, width, height) = box.astype("int")

                # 상자의 왼쪽 상단 모서리 얻기
                # 이미 너비와 높이를 가지고 있음
                x = int(centerX - (width / 2))
                y = int(centerY - (height / 2))

                # 경계 상자 좌표, 확신도 및 클래스 ID를 리스트에 추가
                boxes.append([x, y, int(width), int(height)])
                confidences.append(float(confidence))
                IDs.append(classID)

    # 겹치는 경계 상자를 줄이기 위해 비 최대 억제 적용
    idxs = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.3)

    # 감지가 있을 때만 계속 진행
    if len(idxs) > 0:
        # 유지할 인덱스를 순회
        for i in idxs.flatten():
            # 경계 상자 좌표 가져오기
            (x, y) = (boxes[i][0], boxes[i][1])
            (w, h) = (boxes[i][2], boxes[i][3])

            # 경계 상자를 그리고, 클래스 레이블과 확률을 이미지에 표시
            color = [int(c) for c in COLORS[IDs[i]]]
            cv2.rectangle(image, (x, y), (x + w, y + h), color, 3)
            text = "{}: {:.4f}".format(LABELS[IDs[i]], confidences[i])
            cv2.putText(image, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

    # 처리된 이미지 표시
    imshow("YOLO 감지 결과", image, size=12)