7. (YOLO) 이미지 학습

Ubuntu 18.04에서 이미지를 학습시키기 전 Yolo_mark를 사용하여 Yolov3와 v2 학습을 위한 이미지에 bounded boxes 마킹을 할 것이다.

학습 시킬 이미지 데이터는 (Crawler) selenium으로 이미지 크롤링에서 소개한 방법과 인터넷 사이트에서 제공해주는 데이터셋 등을 이용해도 된다.

이번 포스트에서는 인터넷 사이트에서 제공해주는 데이터셋을 이용하여 이미지를 학습시킬 것이다.

참고한 사이트는 http://pascal.inrialpes.fr/data/human/ 에서 person 이미지를 다운받았다.

해당 사이트에서 받은 이미지 포맷은 bmp 파일이다. 

이미지 학습을 위해서 포맷을 jpg로 변경해준다.

Window의 경우 알씨 프로그램을 사용한다.

Linux의 경우 다음 명령어를 통해 변경한다.

mogrify -format jpg *.bmp

1. Yolo_mark

---

YOLO_MARK는 이미지 파일에 직접 Bounding Box를 마킹하여 Box의 좌표를 지정해준다.

Window와 Linux에서 모두 사용 가능하다.

YOLO_MARK 사용법은 https://github.com/AlexeyAB/Yolo_mark 에서 확인 가능하다.

Yolo_mark 설치

git clone https://github.com/AlexeyAB/Yolo_mark

컴파일 및 예제 실행

cd Yolo_mark
cmake .
make
./linux_mark.sh

⑸ 학습 이미지 및 train.txt 이동 및 수정

마킹한 Yolo_mark/x64/Release/data/img를 -> darknet/data으로 복사한다..

cp -r /home/jremind/Yolo_mark/x64/Release/data/img /home/jremind/darknet/data/

Yolo_mark/x64/Release/data/ 의 train.txt를  -> darknet/data으로 복사하고 train.txt 내부의 경로를 변경해준다.

cp -/home/jremind/Yolo_mark/x64/Release/data/train.txt /home/jremind/darknet/data/
cd /home/jremind/darknet/data/
vi train.txt

⑹ valid.txt 생성

darknet/data 경로에 valid.txt를 생성합니다.

train 이미지와 valid 이미지 비율은 8:2로 했습니다.

vi valid.txt

⑺ 학습 실행

./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74

※ gpu를 사용하여 학습을 하고자 한다면 Makefile을 아래와 같이 수정하고 실행합니다.

gpu 버전에 따른 ARCH는 https://github.com/tpruvot/ccminer/wiki/Compatibility 에서 참고했습니다.

ls /usr/local 명령어로 cuda 버전을 확인 후 그에 맞게 수정합니다.

Makefile을 수정했으니 다시 컴파일합니다.

make

gpu 1,2,3번을 사용했습니다.

./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74 -gpus 1,2,3

실행을 하면 다음과 같습니다.

실행이 끝나면 backup 폴더에 weight 파일이 생깁니다.

⑻ Test

학습이 완료되어 생긴 yolov3_6000.weights를 가지고 yolo에서 기본적으로 제공해주는 data/person.jpg를 테스트한 결과 잘 작동했습니다.

./darknet detect cfg/yolov3-obj.cfg backup/yolov3_6000.weights data/person.jpg