YOLO_V3_Training - 8BitsCoding/RobotMentor GitHub Wiki

• 참고사이트

---

YOLO v3 Mark 다운

• 다운로드 사이트

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

폴더내의 yolo_mark.sln 실행

속성 -> C/C++ -> 일반 -> 추가포함 디렉터리 Opencv 경로 변경

속성 -> 링커 -> 일반 -> 추가 라이브러리 디렉터리 Opencv 경로 변경

빌드

---

yolo_mark 실행

Yolo_mark\x64\Release 이동 ./yolo_mark.cmd 실행

echo     Example how to start marking bouded boxes for training set Yolo v2

yolo_mark.exe data/img data/train.txt data/obj.names

pause

yolo_mark.cmd 내부

data/img

data/train.txt

data/obj.names

세 개의 파일이 yolo_mark와 관련이 있다. -> 아래서 하나씩 분석

---

data/img

내가 학습에 참여할 이미지 파일

이미지 파일 내에서 오브젝트를 선택해 줘야함.

참고로 지원하는 이미지 파일은 *.jpg 임을 기억

---

data/train.txt

학습할 이미지의 경로 지정

yolo_mark에서 오브젝트를 지정하면 자동으로 등록이 된다.

---

data/obj.names

학습할 오브젝트의 이름 지정

---

data/obj.data

classes= 2
train  = data/train.txt
valid  = data/train.txt
names = data/obj.names
backup = backup/

다른건 그대로 두고 classes만 수정

내가 식별할 오브젝트의 개수를 지정한다.

예를들어 개/고양이로 오브젝트를 분리하고 싶다면 classes=2

---

yolo-obj.cfg(이 방법을 추천하지 않는다. 학습이 잘 안되는 현상이 발생)

컨벌루션의 세팅 등 어떻게 학십을 진행할지에 대한 설정

나는 Darknet53.conv.74를 그대로 사용할 예정이라 별도의 수정없이 사용...(사실 여기에 지식이 부족...)

그냥 사용한다면 수정해야 하는 부분은 가장마지막 줄의 filter와 classes이다.

[convolutional]
size=1
stride=1
pad=1
filters=35      # 여기
activation=linear

[region]
anchors = 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52
bias_match=1
classes=2       # 여기
coords=4
num=5
softmax=1
jitter=.2
rescore=1

classes는 역시 식별할 오브젝트의 개수

filters = (classes + 5) * 5 로 지정

---

darknet에 있는 yolov3.cfg를 사용하는 것을 추천

• 참고사이트에서 How to train(to detect your custom objects)를 참조하자.

1. yolo-obj.cfg라는 파일을 생성 후 내부의 내용은 darknet/Release/x64내부의 yolov3.cfg와 동일하게 구성한다.
2. yolo-obj.cfg 내부의 수정은 아래와 같이 한다.

[net]
# ...
batch=64
subdivisions=8 # 메모리 부족현상이 나타난다면 16, 32, 64 로 키운다.
max_batches=6000 # classes*2000
steps=4800,5400 # max_batches의 80% 90% 를 넣는다. 이상한 수 넣으면 학습 안됨!
# ...
# [yolo] 라는 인덱스 위/아래의 classes, filter를 자신에 맞게 수정한다.
filters=24  # filters=(classes+5)*3
#...
[yolo]      # 총 세 개의 [yolo]가 있음 꼭 3개 모두 수정할 것!!
# ...
classes=3

나머지는 위와 동일

*.cfg 파라미터에 대한 설명

• 참고사이트

• 참고사이트2

• batch : 한 번에 몇 장을 처리할 지 지정

• subdivisions : batch를 이 값만큼 나누어 처리 (GPU 메모리 부하를 줄이겠다.)

• height, width : 입력되는 이미지의 크기

---

convolutional layer 다운로드

• 다운로드 사이트

darknet53.conv.74라는 convolutional layer를 다운로드 후

학습을 위해서 darknet 실행파일 내에 넣어둔다.

---

학습 이미지 지정

Yolo_mark\x64\Release 이동 ./yolo_mark.cmd 실행

참고로 단축키를 알면 편집이 수월하다.

키보드 0~9 : 오브젝트의 넘버

마우스 좌클릭 : 오브젝트 지정

키보드 c : 오브젝트 지정 취소

---

학습진행

$ ./darknet detector train data/obj.data yolo-obj.cfg darknet53.conv.74

학습지 진행되면 다음과 같은 프린트를 볼 수 있는데

24674: 0.659918, 0.605959 avg, 0.001000 rate, 2.962139 seconds, 1579136 images

24674 : 연산 횟수

0.605959 avg : 평균 손실율 -> 손실율이 더 이상 줄어들지 않는다면 학습을 중지