분홍야자의 블로그

OpenCV 는 이미지 처리에 도움

yolov5 설치시 이미 같이 설치됨 원래같으면 설치 해야함

이미지 불러오기

이미지 띄우기 - 2가지 방법

• matplotlib 사용

• 이미지가 파란 이유 ? matplotlib 에선 이미지를 BGR로 이미지를 읽지만 불러올때는 RGB로 가져왔기 때문
• img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
  
  • 이미지를 변환해줌

• 흑백 변환시

• 이렇게 opencv 로 이미지를 띄우면 번거롭다는 의견
• 이미지의 0,0은 와측 상단이다

img = cv2.imread('cat.1502.jpg')
# 사각형 그리기
# 50, 70
# 250, 300
# 이미지, 좌상단좌표, 우하단좌표, 색상, 선크기
cv2.rectangle(img, (65,85), (245,280), (0,0,255), 3)
cv2.imshow('cat',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

이미지에 글자 넣기

영상 띄우기

• 특성추출부와 분류부가 있는데 
• 특성추출부만 사용할 것이다
  • 잘만들어진 특징을 잘 추출하는 모델의 특징 추출부만 가져옴
• 분류부를 사용하지 않는 이유
  • 추출된 특징으로 사자와 호랑이를 

1등이 구글넷

2등이 VGG넷인데

2등 모델을 사용할 것이다

가벼워서

다른사람이 만든 모델의 특징추출부 가져오기

conv_base.summary() - 층 확인하기

우리가 할 수 있는건 Classification 은 할 수 있고, 

이제 할 건 Object Detection 이당

• Yolo 모델 사용 (객체 탐지 모델)

위치 탐지

범위

거리파악 가능

• 제일 어려운게 데이터 준비

우리가 앞으로 해야할 순서

1. roboflow > 이미지 라벨링 사이트 > 1시간 30분
2. 코랩에서 YOLO 학습하기 > 2시간
3. jupyter notebook 에서 학습한 모델 사용해서 객체 인식하기(OpenCv) > 2시간

이미지라벨링 할 수 있는 사이트

• 가입하기

두개 입력하고 create 

고양이 0~99 까지 총 100장 드래그 앤 드랍

강아지도 100장 옮기기

총 200장이 됨

save and Continue 클릭

오른쪽 하단 Assign Images 클릭

Start Annotating 클릭

200당 해주기

뒤로가기

완료 화면

이화면이 나옴

터미널로 이동해서

코드 복사

새노트 생성

이미지의 위치를 나타내는 정보

0~1까지의 숫자

1. 0 : 첫번째는 클래스
2.  0.41171875 0.28125 0.55625 0.47109375 : 객체위치

가로 600 세로 450

데이터에 대한 설명

클래스 몇개인지

클래스 이름은 무엇인지

mv 명령어

• 여러가지 매개변수를 받을 수 있다
• 맨 마지막 /content/dataset 인 곳에 앞에 파일을 다 집어넣는다

• yolo를 학습시키기 위해 train.py 파일 실행시킬것임
• data.yaml 에 있는 데이터셋 정보를 알려줌
• 여기 있으니 알아서 사용해
• train : train 데이터 경로 (각 파일마다의 경로) 가 적힌 파일
• train : content/dataset/train.txt 파일을 만듬

valid 도 똑같이 바꿔주기

이미지 경ㄹ

데이터 구글 드라이브에 옮기기

시간 좀 걸림

데이터를 확인해 보면 

개와 고양이 사진 데이터

• train : 각 1000장 총 2000장
• validation: 각 500장 총 1000장
• test: 각 11장 총 22장

하나의 픽셀에 0~ 255 사이의 값이 하나 들어있음

흑백 (Gray) = 500 * 500 

컬러 (RGB) = (500 * 500 ) * 3

• 이미지 학습이지만 실은 숫자 데이터 학습이다
•  이미지 파일 받아오기(0 ~ 255 사이의 숫자로 이루어짐)
•  해야할 일
  
  • 1. 한 변수에 전체 이미지 담기
  • 2. 크기 동일하게 만들어주기 (150, 150) (사진마다 크기가 제각각이기에)
  • 3. 라벨링
  • 4. 0 ~ 255(정수) > 0 ~ 1 (실수) > 분산을 줄이자
    
    • => 이대로 사용하면 문제가 발생 숫자가 큰게 더 중요한 걸 까 라고 생각할 수 있음
    • 때문에 의도와 다른 많은 가중치를 부여할 수 있음

이미지 데이터를 숫자화 시켜주는 라이브러리

런타임 끊겼다 다시 실행

특징 추출 부

• conv 와 pool 은 한쌍이다 

분류부

학습방법 설정

학습

• 입력층에서는 학습할게 많아서 오래걸리고 그 후부터는 빨라짐

• 과대 적합이 발생

과대적합 시각화

컴퓨터가 특징을 찾는 방법

• 데이터 수의 증가 -> 1000장 -> 10000장으로 늘리는 방법
  • 한계가 있기에 증가는 조금 어렵고 확장을 시켜본다.

데이터의 확장

• 기존의 데이터를 변환해서 사용한다
• 확장전의 데이터도 가지고 있다.
• 기본기같은 느낌
• 확장 전의 데이터로도 학습이 잘 되었으면 확장을 안해도 된다

순서는

• 기본데이터로 먼저 학습
  • 결과가 좋다 -> 바로 사용
  • 결과가 안좋다 -> 확장데이터로 추가학습

모델 저장 방법, 모델 불러오기

• 코랩 연결이 끊겼을 때 모델 날라간 경우 ㅠ
• 혹시 모르니 저장해 놓자

데이터 확장 기능 추가

• 데이터가 없는 부분은 저렇게 주변의 데이터로 채움

과대적합 피하는 층 쌓기

• 학습 할 때마다 특정 층들만 사용
• 사용할 때마다 전체가 아닌 골라서 사용함
• 특정 노드에 가중치가 몰리는 현상을 완화시켜줌

• 30 % 는 사용하지 않음

단점

• 학습할 때 속도가 느려짐
•  

다음 시간은 전이학습 배울 예정

• 다른 사람이 많은 데이터로 많은 층으로 잘 학습 시킨 모델 가져와서 약간 수정하고 사용하기

https://huggingface.co/models

다른 사람이 만든 모델 올려놓는 사이트