Препознавање слике ИОЛОв8 је изванредно, али обука модела је важан задатак који не бисте требали занемарити.
ИОЛОв8 је алгоритам за детекцију објеката у реалном времену који се широко користи у области детекције објеката. То је део серије Иоу Онли Лоок Онце (ИОЛО) коју је развио Ултралитицс. Алгоритам прати, детектује, сегментира инстанце, процењује положај и класификује објекте на сликама и видео снимцима. Циљ му је да буде бржи и тачнији од својих претходника алгоритама.
Коришћење ИОЛОв8 на експерименталним скуповима података као што су ЦИФАР-10 и ЦИФАР-100 је често лакше за пројекте доказивања концепта (ПОЦ) него на скуповима података из стварног света који захтевају прилагођене скупове података.
Овај водич ће вас провести кроз кораке укључене у обуку ИОЛОв8 на прилагођеним подацима.
Подешавање Питхон окружења
Почните тако што ћете инсталирати развојно окружење за пројекат, пратећи упутства у наставку.
- Идите на терминал и креирајте нови директоријум под називом иолов8пројецт:
мкдир иолов8пројецт - Идите до директоријума пројекта и створити виртуелно окружење:
цд иолов8пројецт
питхон -м венв енв - Затим активирајте виртуелно окружење.
Да бисте покренули свој код, потребно је да инсталирате Ултралитицс, библиотеку за детекцију објеката и сегментацију слика. То је такође зависност од ИОЛОв8. Инсталирајте га користећи пип покретањем наредбе испод.# На Виндовс-у
енв/Сцриптс/активирати# На Линук / МацОС
извор енв/бин/активпип инсталл ултралитицс - Ова команда инсталира унапред обучени модел ИОЛОв8, иолов8н.пт. Тестирајте модел тако што ћете покренути наредбе у наставку да бисте извршили детекцију са унапред обученим тежинама на одабраној слици или видеу користећи ИОЛОв8.
Ако све функционише савршено, резултати ће бити доступни у иолов8пројецт именик у рунс/детецт/екп поддиректоријум.#детекција слике
иоло таск=детецт моде=предицт модел=иолов8н.пт соурце="патх/то/имаге.пнг"#видео детекција
иоло таск=детецт моде=предицт модел=иолов8н.пт соурце="патх/то/видео.мп4"
Припрема вашег прилагођеног скупа података
Кораци за припрему вашег прилагођеног скупа података укључују прикупљање података, означавање података и поделу података (обука, тестирање, валидација).
Прикупљање података
Ово је процес прикупљања скупа слика које имају објекте које желите да откријете. Уверите се да користите слике високог квалитета, у фокусу, а објекти су јасно видљиви. Можете да користите различите алате за прикупљање слика, као што су Гоогле слике, Флицкр или сопствена камера. Ако немате скуп података слика, користите скуп података из опенимагес база података. Овај чланак ће користити слику безбедности градилишта скуп података из Каггле-а.
Означавање података
Након што прикупите своје слике, морате их означити. То значи идентификовање објеката на свакој слици и њихових граничних оквира. Постоји неколико доступних алата који ће вам помоћи да означите своје податке, као што су ЛабелИмг, ЦВАТ и Робофлов. Сви ови алати су бесплатни за коришћење.
Подела података
Да бисте обучили моделе машинског учења, морате да поделите своје податке у скупове за обуку и тестове. Покушајте да користите однос поделе од 70%-30% када користите велике количине података. У супротном, држите се 80%-20% да бисте избегли преоптерећење или недовољно уградњу вашег модела.
Користите сплит-фолдерс, да насумично поделите своје податке у скупове за обуку, тестирање и валидацију са жељеним односом поделе.
Конфигурисање ИОЛОв8 за ваш скуп података
Након што означите своје податке, наставите да конфигуришете ИОЛОв8 за ваш прилагођени скуп података. Ово укључује креирање конфигурационе датотеке која наводи следеће:
- Пут до ваших података о обуци.
- Пут до ваших података за валидацију.
- Број класа које желите да откријете.
Креирајте цонфиг.иамл датотеку за чување конфигурације:
пут:(скуп податакаименикпут)
воз:(возскуп податакафолдерпут)
тест:(тестскуп податакафолдерпут)
важи:(валидацијаскуп податакафолдерпут)# Цлассес
нц:5# замените на основу броја класа вашег скупа података
# Имена класа
# замените сва имена класа са називима својих класа
имена:['класа1','цласс2','цласс3','цласс4','цласс5']
Креирање конфигурационе датотеке је користан начин за структурирање и чување кључних параметара за ваш модел рачунарског вида. Обавезно ажурирајте датотеку цонфиг.иамл у складу са природом и структуром вашег скупа података.
Уверите се да користите исправне путање за своје скупове података јер се обука модела у потпуности ослања на конфигурациони фајл.
Обука ИОЛОв8 о прилагођеним подацима
Када креирате конфигурациону датотеку, почните да тренирате ИОЛОв8. Користите алатку командне линије ИОЛОв8 да бисте обучили свој модел. Алат командне линије узима неколико параметара, као што је путања до конфигурационе датотеке, број епоха и величина слике на следећи начин:
иоло таск=детецт моде=траин модел=иолов8н.пт дата=патх/то/цонфиг.иамл епоцхс=10 имгсз=640
Постоји неколико делова ове команде.
задатак поставља тип задатка: открити, сегментирати или класификовати. режим представља радњу: тренирање, предвиђање, вал, извоз, праћење или бенцхмарк. модел је модел за коришћење, у овом случају, иолов8н.пт. Такође можете користити иолов8с/иолов8л/иолов8к.
епохе представља број кругова обуке (10). имгсз представља величину слике (640). Величина слике увек треба да буде вишеструка од 32.
Ево примера резултата који можете очекивати:
Време које се користи за обуку зависи од величине вашег скупа података, броја епоха и броја класа које желите да откријете. Када се процес обуке заврши, имаћете обучени ИОЛОв8 модел који ћете користити за откривање објеката на сликама и видео записима.
Након што је тренинг завршен, закључите са новим тежинама, бест.пт
иоло таск=детецт моде=предицт модел="рунс/траин/веигхтс/бест.пт" соурце="имаге.пнг"
Идите до рунс/траин/екп/веигхтс/бест.пт директоријум за приступ прилагођеним тежинама. ИОЛОв8 ће сачувати предвиђену слику у рунс/детецт/екп поддиректоријум.
Процена перформанси модела
Можете да процените перформансе ИОЛОв8 модела користећи следећу команду која процењује модел на скупу пробних слика:
иоло вал модел=иолов8н.пт дата=патх/то/цонфиг.иамл батцх=1 имгсз=640
Очекивани резултати су следећи:
Процес евалуације ће генерисати различите метрике, као што су прецизност, опозив и Ф1 резултат. Прецизна метрика мери проценат објеката који су исправно откривени. Метрика опозива мери проценат објеката које детектује ИОЛОв8. Ф1 резултат је пондерисани просек метрике прецизности и присећања.
Примена вашег прилагођеног ИОЛОв8 модела
Тестирајте перформансе вашег ИОЛОв8 модела.
иоло детектује предвиђање модел=патх/то/бест.пт соурце='патх/то/имаге.јпг'
Излаз је следећи:
Затим сачувајте тежине модела у датотеку.
иоло екпорт модел=патх/то/бест.пт формат=оннк
Користите датотеку да учитате модел у своју апликацију и користите га за откривање објеката у реалном времену. Ако примените модел на а цлоуд сервис, користите услугу у облаку за откривање објеката на сликама и видео записима који се налазе на услузи.
ИОЛОв8 Такеаваи
Ултралитицс тим је континуирано унапређивао моделе серије ИОЛО. То их је учинило лидерима у индустрији у технологији детекције објеката и области компјутерског вида.
ИОЛОв8 је побољшани модел који можете користити за руковање многим врстама пројеката компјутерског вида.
