Yolo7 기반 객체 탐지 및 인식

 

✅ 학습 목표

• 이미지 데이터 라벨링 (roboflow)
• YOLO7으로 라벨링된 데이터 학습
• 객체 탐지 및 인식

• 📌 객체 탐지 (Object Detection)
  • 컴퓨터 비전과 이미지 처리 기술을 이용해서 객체의 위치를 탐지하는 기술
  • 객체 탐지를 위해서는 라벨 (annotation) 된 데이터 셋을 학습해야 함
• 📌 객체 인식 (Object Recognition)
  • 탐지된 객체가 무엇인지 측정하는 기술
  • 학습된 모델을 활용

• 📌 객체 탐지 기술
  • two-stage detector : 객체 탐지와 인식(분류)를 순차적으로 따로 수행하는 방법
    • 정확도는 높지만 속도가 느림
    • R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN
  • one-stage detector : 객체 탐지와 인식(분류)를 동시에 수행하는 방법
    • two-stage detector에 비해 정확도는 낮지만 속도가 빠름
    • Yolo (You Only Look Once : 한번만 보고 처리한다)
      • YoloV9까지 출시 최근 YoloV10도 출시

• 📌 탐지된 객체 위치 표시 방법 (Bounding Box)
  • 객체의 위치를 사각형 영역으로 표시하는 방법
  • 사각형 영역을 표시하는 방법
    • 좌상단 좌표, 우하단 좌표 (lx, ly, rx, ry)
    • 좌상단 좌표, 너비, 높이 (lx, ly, w, h)
    • 좌상단 좌표, 중앙점 좌표 (lx, ly, cx, cy) -> Yolo
    • 일반적으로 절대 좌표 보다는 비율을 사용해서 정규화 해서 활용

• 📌 annotation 방법 : 라벨링 방법
  • bounding box : 객체의 영역을 사각형으로 표시하는 방법
    • 쉽고 빠르게 작업이 가능
    • 객체가 아닌 부분이 포함됨

• 📌 polygon : 객체의 경계면을 따라서 점으로 표시하는 방법
  • 작업 속도가 약간 느림
  • 실제 객체의 영역만을 표시할 수 있음
  • 객체가 겹쳐 있는 경우 정확한 인식이 어려움

• 📌 polyline : 객체의 경계면을 따라서 선으로 표시하는 방법
  • 경계면이 복잡하거나 큰 객체에는 polygon을 사용

• 📌 point : 객체의 중심점으로 표시하는 방법
  • • 객체의 위치로만 표시

  

• 📌 cuboid : 육면체 형태 3D로 객체의 위치를 표시하는 방법
  • 주로 로봇에 사용
  • 시간이 많이 걸림

• 📌 Semantic segmentation : 객체의 영역들을 색상으로 채색하여 표시하는 방법
  • 가장 정확도가 높은 방법
  • 작업 시간이 많이 걸림

 

✅ roboflow를 이용한 라벨링

• 개/고양이 이미지 100개씩 총 200개를 라벨링
• https://roboflow.com/ 에 접속하고 로그인
• 라벨링 작업

• 📌 구글 드라이브 연동

from google.colab import drive

drive.mount('/content/drive')

%cd /content/drive/MyDrive/Colab Notebooks/Deep Learning

• 📌 roboflow에서 라벨링한 데이터를 가져오기

!pip install roboflow

from roboflow import Roboflow

# API Key
rf = Roboflow(api_key="API Key")

# 작업명, 프로젝트명
project = rf.workspace("project-w0e0u").project("animal_detect-4nivd")

# 가져올 버전
version = project.version(1)

# 대상 모델
dataset = version.download("yolov7")

• 📌 YoloV7 다운로드

import os.path

if not os.path.exists("yolov7.pt"):
    !git clone https://github.com/WongKinYiu/yolov7.git

%cd yolov7

• 📌 관련 라이브러 설치

!pip install -r requirements.txt

• 📌 이전에 훈련된 모델을 다운로드(전이학습)

# 필요한 모델 사용 (s, m, l ...) - 큰 모델을 사용하면 정확도는 우수하지만 속도가 느리고 메모리도 많이 차지함 

!wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7_training.pt

• 📌 훈련

%cd ..

• 📌 device : GPU 번호
• 📌 data : 사용할 데이터 (yaml 파일명)
• 📌 weights : 사용할 학습된 yolo 모델명
• 📌 출력 결과
  • last.pt : 가장 마지막에 학습된 모델
  • best.pt : 가장 성능이 우수한 모델

!python ./yolov7/train.py --batch 16 --epochs 20 --device 0 \
--data ./animal_detect-1/data.yaml --weights ./yolov7/yolov7_training.pt

• 📌 학습된 모델 평가하기

!python ./yolov7/test.py --batch 16 --weights ./runs/train/exp/weights/best.pt \
--data ./animal_detect-1/data.yaml

• 📌 객체 탐지 및 인식
  • source 값에 영상 파일 또는 카메라 번호(0, ...)을 입력해서 영상이나 카메라 입력을 사용할 수 있다

!python ./yolov7/detect.py --weights ./runs/train/exp/weights/best.pt \
--source ./animal_detect-1/test/images

import glob
import matplotlib.pyplot as plt

i = 0
limit = 20

for imageName in glob.glob("./runs/detect/exp/*.jpg"):
    if i < limit:
        display(plt.imread(imageName))
        print("\n")
    i += 1

!python ./yolov7/detect.py --weights ./runs/train/exp/weights/best.pt \
--source ./data/cat.mp4

# 카메라인 경우

!python ./yolov7/detect.py --weights ./runs/train/exp/weights/best.pt --source 0

# 유튜브

!python ./yolov7/detect.py --weights ./runs/train/exp/weights/best.pt --source # 유튜브 URL 주소