Yolo V3 학습

Posted on

Yolo V3 학습. Ms coco 데이터셋이 80개 클래스였기 때문에 기존의 값이 255입니다. 그리고 test data를 이용해 다시 결과를 확인하고 비교한다.

라즈베리파이4에서 Yolo v3 데이터 학습 이미지 레이블링 네이버 블로그 from m.blog.naver.com

학습시간은 대략 50시간정도 걸렸는데 이것은 우리의 pc nvidia gtx1070 8g기준 시간입니다. 하지만, 이번에 알아보는 내용은 darknet 프레임워크의 yolo 모델을 사용합니다. 그리고 test data를 이용해 다시 결과를 확인하고 비교한다.

그리고 Test Data를 이용해 다시 결과를 확인하고 비교한다.

그는 2016년에는 yolo v1을, 2017년에는 yolo v2[2]를 발표하고 2018에는 개선한 버전인 yolo v3[3]를 차례로 공개하였다. Ubuntu 18.04에서 이미지를 학습시키기 전 yolo_mark를 사용하여 yolov3와 v2 학습을 위한 이미지에 bounded boxes 마킹을 할 것이다. 학습이 되는지 확인만 하기 위해서 2000으로 설정하였습니다.

Obj.data 파일을 Build\Darknet\X64\Data\ 에 다음과 같은 내용을 입력후 저장한다.

이건 그래픽 카드 cuda코어를 확인해주세요!! 만약, 학습 시 메모리 부족 오류 발생하면 cfg파일에서 배치사이즈 낮추면 됩니다. [그림 8] yolo의 학습 네트워크 설계.

학습을 시작하면 결과물로 Backup 폴더에 가중치파일이 생성되는데, 이 파일을 학습 100번당 한 번 생성할것인가, 300번 당 한 번 생성할것인가를 바꿔줄 겁니다.

여기서 max_batches는 학습 종료 epoch입니다. 학습 시킬 이미지 데이터는 (crawler) selenium으로 이미지 크롤링에서 소개한 방법과 인터넷 사이트에서 제공해주는 데이터셋 등을 이용해도 된다. [10] yolo_mark labeling(라벨링) & 경로 설정.

학습 시키기 전, Darknet/Examples 경로에 있는 Detector.c 를 수정해줍니다.

강아지와 고양이를 분류하고 싶으면 2로 적어주면 됩니다.) ※ train은 학습을 위해 필요한 라벨링 이미지의 링크 정보가 정의된 파일의 링크를 적어준다. Tensorflow 기반의 darkflow(어플 적용에 이점이 있음). 1.2 부가적인 기능을 사용하고자 할 때 많이 쓰는 github.

따라서 계획한 방향성은 Yolo V3 알고리즘을 Gpu가 달린 데스크탑을 통해 학습시켜 학습된 모델(Weight)파일을 얻고, 이를 라즈베리파이4에 옮긴 후에 파이카메라모듈을 통해.

설정을 더 많이 해주되 공부 목적으로 map 및 loss. 지금까지 많은 deep learning detection algorithm중에서 왜 yolo를 사용해야 하는지, 또 yolo를 사용하기 위해선 어떠한 환경설정을 해야하는지, 그리고 yolo의 예제사용 및 yolo의. Yolo v3 모델의 경우 모바일 기기에 올리기에는 너무 무거움으로 경량화 버전인 tiny yolo v3 모델을 이용하였고, 기존에 학습된 weight를 그대로 사용할 수 있는 전이학습 (transfer learning)을 이용하여 학습을 진행하였습니다.

Leave a Reply

Your email address will not be published.