항상 만들어진 annotation label을 가지고 학습하다가 직접 annotation을 만들어 pretrained된 모델에 학습시켜보았다. 툴을 간단하게 소개하자면 기본적으로 Add label을 통해서 원하는 label의 유형을 직접 설정할 수 있다. 그 후 만들어진 label의 값을 선택해서 업로드한 이미지에 bbox의 영역을 선택해주면 된다. 기본적으로 500mb까지 업로드가 가능한데 업로드 속도가 느려 대량의 파일을 업로드하려면 local 환경에서 작업을 수행해야 한다. CVAT이 좋은 점이 이렇게 annotation 파일의 형식을 각 모델의 형식에 맞게 내보낼 수 있다는 점이다. 때문에 원하는 모델의 형식에 맞게 다운로드하면 귀찮은 데이터 형식 변환과정을 거치지 않고도 바로 학습이 가능하다. ..

Ultralytics Yolo v3패키지를 먼저 설치해 주어야 된다. https://github.com/ultralytics/yolov3 주소에 가면 필요한 패키지를 다운받을 수 있다. !git clone https://github.com/ultralytics/yolov3 !cd yolov3;pip install -qr requirements.txt import torch from IPython.display import Image, clear_output 필요한 모듈을 불러온다. https://www.robots.ox.ac.uk/~vgg/data/pets/ 에서 필요한 oxford pet dataset을 다운로드 받는다. 이후 data 폴더를 생성후 data 폴더에 다운로드 받은 압축 파일을 푼다. 다..

Darknet Yolo 사이트에서 coco dataset으로 학습된 inference 모델과 config파일을 이용하여 OpenCV에서 inference모델을 생성해보는 실습이다. https://pjreddie.com/darknet/yolo/ 에서 weight파일과 config파일을 다운받을 수 있다. !mkdir ./pretrained !echo "##### downloading pretrained yolo/tiny-yolo weight file and config file" !wget -O /content/pretrained/yolov3.weights https://pjreddie.com/media/files/yolov3.weights !wget -O /content/pretrained/yolov3...

Yolo v3에 오면서 이전의 Yolo v2와 가장 크게 달라진 점은 바로 Feature Map Scaling기법의 채택이다. Feature Map Scaling 기법의 채택을 위해서 Output Feature Map의 크기도 (13*13),(26*26),(52*52) 3개의 Feature Map이 사용되었다. 또한 각각의 output feature map당 3개의 서로 다른 크기와 스케일로 총 9개의 anchor box가 만들어지게 되었다. Yolo v3 Network구조는 위와 같다. 큰 특징은 Feature Pyramid Network 구조를 사용한다는 점이다. 79번째 layer에서 upsampling이 일어나 61번째 layer와 합쳐져 연산이 이루어 지고, 91번째 layer에서 upsampl..

YOLO V1에 이어 등장한 YOLO V2의 경우 anchor box 기반의 모델 구성과 Darknet 기반의 backbone모델을 구성함으로써 v1에 비해 inference 성능과 detection성능 모두 높혀졌다. YOLO V2는 다음과 같은 특징을 가진다고 요약할 수 있다. Batch Normalization(배치 정규화) 기법을 적용 13*13 feature map기반에 개별 Grid cell별 5개의 Anchor box에서 Object Detection 수행. 이때 anchor box의 크기와 비율은 K-Means Clustering 으로 설정 예측 bbox의 x,y 좌표가 중심 cell에서 벗어나지 않도록 Direct Location Prediction을 적용 Darknet19 classif..

YOLO는 대표적인 One stage Detector중 실시간 object Dedection분야에서 사용된다. One stage Detector의 흐름을 잠깐 살펴보면 아래와 같다. 2015년 6월 Yolo v1의 출시가 됨에 따라 기존의 two stage detector 모델보다 inference속도를 빠르게 높히는 성과를 내었다. 하지만 detection의 성능이 좋지는 못했다. 그 이후 SSD의 등장으로 detection성능과 inference속도를 어느정도 둘다 잡은 모델로 SSD가 인정을 받기 시작했다. 이후 Yolo v2의 등장으로 SSD만큼의 detection성능을 갖지만 inference속도는 더 빠른 yolo v2가 등장하게 된다. 2017년 8월 FPN을 탑재한 Retinanet이 등장..