Suche senden
Hochladen
YOLO V3で独自データセットを学習させて物体検出 / Yolo V3 with your own dataset
•
4 gefällt mir
•
7,245 views
M
moto2g
Folgen
YOLO V3を使って独自データセットを学習させる流れを紹介しています。 Making Yolo V3 learn your own dataset
Weniger lesen
Mehr lesen
Technologie
Melden
Teilen
Melden
Teilen
1 von 21
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
harmonylab
論文紹介 "DARTS: Differentiable Architecture Search"
論文紹介 "DARTS: Differentiable Architecture Search"
Yuta Koreeda
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
Deep Learning JP
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
Preferred Networks
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
ARISE analytics
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
Deep Learning JP
Empfohlen
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
harmonylab
論文紹介 "DARTS: Differentiable Architecture Search"
論文紹介 "DARTS: Differentiable Architecture Search"
Yuta Koreeda
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
【DL輪読会】Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
Deep Learning JP
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
Preferred Networks
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
ARISE analytics
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
【DL輪読会】Egocentric Video Task Translation (CVPR 2023 Highlight)
Deep Learning JP
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
Deep Learning JP
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
Kubernetesによる機械学習基盤への挑戦
Kubernetesによる機械学習基盤への挑戦
Preferred Networks
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
それでも私が研究を続ける理由
それでも私が研究を続ける理由
Hitomi Yanaka
CNNの構造最適化手法について
CNNの構造最適化手法について
MasanoriSuganuma
DockerコンテナでGitを使う
DockerコンテナでGitを使う
Kazuhiro Suga
Marp Tutorial
Marp Tutorial
Rui Watanabe
MLP-Mixer: An all-MLP Architecture for Vision
MLP-Mixer: An all-MLP Architecture for Vision
Kazuyuki Miyazawa
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
Deep Learning JP
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
Deep Learning JP
[DL輪読会]BANMo: Building Animatable 3D Neural Models from Many Casual Videos
[DL輪読会]BANMo: Building Animatable 3D Neural Models from Many Casual Videos
Deep Learning JP
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
Preferred Networks
レゴブロックとC#を使ったIoT体験
レゴブロックとC#を使ったIoT体験
Shigeharu Yamaoka
Introduction of Python
Introduction of Python
Tomoya Nakayama
Weitere ähnliche Inhalte
Was ist angesagt?
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
Deep Learning JP
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
Kubernetesによる機械学習基盤への挑戦
Kubernetesによる機械学習基盤への挑戦
Preferred Networks
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
それでも私が研究を続ける理由
それでも私が研究を続ける理由
Hitomi Yanaka
CNNの構造最適化手法について
CNNの構造最適化手法について
MasanoriSuganuma
DockerコンテナでGitを使う
DockerコンテナでGitを使う
Kazuhiro Suga
Marp Tutorial
Marp Tutorial
Rui Watanabe
MLP-Mixer: An all-MLP Architecture for Vision
MLP-Mixer: An all-MLP Architecture for Vision
Kazuyuki Miyazawa
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
Deep Learning JP
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
Deep Learning JP
[DL輪読会]BANMo: Building Animatable 3D Neural Models from Many Casual Videos
[DL輪読会]BANMo: Building Animatable 3D Neural Models from Many Casual Videos
Deep Learning JP
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
Preferred Networks
Was ist angesagt?
(20)
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Kubernetesによる機械学習基盤への挑戦
Kubernetesによる機械学習基盤への挑戦
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
それでも私が研究を続ける理由
それでも私が研究を続ける理由
CNNの構造最適化手法について
CNNの構造最適化手法について
DockerコンテナでGitを使う
DockerコンテナでGitを使う
Marp Tutorial
Marp Tutorial
MLP-Mixer: An all-MLP Architecture for Vision
MLP-Mixer: An all-MLP Architecture for Vision
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL輪読会]BANMo: Building Animatable 3D Neural Models from Many Casual Videos
[DL輪読会]BANMo: Building Animatable 3D Neural Models from Many Casual Videos
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
Active Learning 入門
Active Learning 入門
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
Ähnlich wie YOLO V3で独自データセットを学習させて物体検出 / Yolo V3 with your own dataset
レゴブロックとC#を使ったIoT体験
レゴブロックとC#を使ったIoT体験
Shigeharu Yamaoka
Introduction of Python
Introduction of Python
Tomoya Nakayama
【第11回 クラウドごった煮(コンテナ勉強会)】Docker networking tools
【第11回 クラウドごった煮(コンテナ勉強会)】Docker networking tools
Nobuyuki Matsui
FlexUnit4とMockitoFlex
FlexUnit4とMockitoFlex
Yasuhiro Morikawa
「Python言語」はじめの一歩 / First step of Python / 2016 Jan 12
「Python言語」はじめの一歩 / First step of Python / 2016 Jan 12
Takanori Suzuki
今時のDev opsの取り組み事例集
今時のDev opsの取り組み事例集
Wataru NOGUCHI
20090124shibuya Trac
20090124shibuya Trac
Kazuya Hirobe
Cent osにpyhtonをインストールしてみよう
Cent osにpyhtonをインストールしてみよう
2bo 2bo
Python Kyoto study
Python Kyoto study
Naoya Inada
「Python言語」はじめの一歩 / First step of Python
「Python言語」はじめの一歩 / First step of Python
Takanori Suzuki
Mojolicious::Liteを使ってみよう
Mojolicious::Liteを使ってみよう
charsbar
HTML5-pronama-study
HTML5-pronama-study
Naoya Inada
Python開発環境三種の神器
Python開発環境三種の神器
Yukitaka Uchikoshi
Linuxのユーザーランドをinitから全てまるごとgolangで書く
Linuxのユーザーランドをinitから全てまるごとgolangで書く
Tetsuyuki Kobayashi
ひのきのぼうだけで全クリ目指す
ひのきのぼうだけで全クリ目指す
AromaBlack
まっつんチャレンジ OSC出張編 45分でわかる PHP+Eclipseによるテスト駆動開発環境の構築
まっつんチャレンジ OSC出張編 45分でわかる PHP+Eclipseによるテスト駆動開発環境の構築
Hideharu MATSUFUJI
Vue.jsスロットの近代史
Vue.jsスロットの近代史
fuku68
190925 python-windows
190925 python-windows
Takuya Nishimoto
Code igniterでテスト駆動開発 資料作成中
Code igniterでテスト駆動開発 資料作成中
Takako Miyagawa
Perlワンライナーで全てのモジュールにuse v5.8.0つける!
Perlワンライナーで全てのモジュールにuse v5.8.0つける!
debug-ito
Ähnlich wie YOLO V3で独自データセットを学習させて物体検出 / Yolo V3 with your own dataset
(20)
レゴブロックとC#を使ったIoT体験
レゴブロックとC#を使ったIoT体験
Introduction of Python
Introduction of Python
【第11回 クラウドごった煮(コンテナ勉強会)】Docker networking tools
【第11回 クラウドごった煮(コンテナ勉強会)】Docker networking tools
FlexUnit4とMockitoFlex
FlexUnit4とMockitoFlex
「Python言語」はじめの一歩 / First step of Python / 2016 Jan 12
「Python言語」はじめの一歩 / First step of Python / 2016 Jan 12
今時のDev opsの取り組み事例集
今時のDev opsの取り組み事例集
20090124shibuya Trac
20090124shibuya Trac
Cent osにpyhtonをインストールしてみよう
Cent osにpyhtonをインストールしてみよう
Python Kyoto study
Python Kyoto study
「Python言語」はじめの一歩 / First step of Python
「Python言語」はじめの一歩 / First step of Python
Mojolicious::Liteを使ってみよう
Mojolicious::Liteを使ってみよう
HTML5-pronama-study
HTML5-pronama-study
Python開発環境三種の神器
Python開発環境三種の神器
Linuxのユーザーランドをinitから全てまるごとgolangで書く
Linuxのユーザーランドをinitから全てまるごとgolangで書く
ひのきのぼうだけで全クリ目指す
ひのきのぼうだけで全クリ目指す
まっつんチャレンジ OSC出張編 45分でわかる PHP+Eclipseによるテスト駆動開発環境の構築
まっつんチャレンジ OSC出張編 45分でわかる PHP+Eclipseによるテスト駆動開発環境の構築
Vue.jsスロットの近代史
Vue.jsスロットの近代史
190925 python-windows
190925 python-windows
Code igniterでテスト駆動開発 資料作成中
Code igniterでテスト駆動開発 資料作成中
Perlワンライナーで全てのモジュールにuse v5.8.0つける!
Perlワンライナーで全てのモジュールにuse v5.8.0つける!
YOLO V3で独自データセットを学習させて物体検出 / Yolo V3 with your own dataset
1.
YOLO V3で 独自データセットを学習させて物体検出 八王子AI 2019/7/27 moto2g
2.
内容 YOLO V3で独自データを学習させたときの流れを紹介します
「独自データでのモデル作りができそう」な状態になってもらえたら嬉しい ※理論の説明はありません。できません
3.
実行したときの環境 Windows 10
Home Webカメラ (Logicool C270m) Python 3.7.0 Tensorflow 1.14.0 keras Open CV 3.4.5.20 ※Ver.3系を指定 matplotlib pillow VOTT 2.1.0
4.
Python 環境構築 Pythonの仮想環境に必要なライブラリをインストール ex)
c:¥projects¥yolo_v3をプロジェクトフォルダとします。 python -m venv 仮想環境名 仮想環境名¥scripts¥activate pip install tensorflow pip install keras pip install opencv-python==3.4.5.20 pip install matplotlib pip install pillow
5.
YOLO 環境構築 Yolo
V3の一式をダウンロード(111KB)し、任意のフォルダに配置 https://github.com/qqwweee/keras-yolo3 ex) c:¥projects¥yolo_v3¥ にソース、フォルダ類を配置 学習済みモデルをダウンロード(237MB)し、任意のフォルダに配置 https://pjreddie.com/media/files/yolov3.weights ex) c:¥projects¥yolo_v3¥yolov3.weights として配置 モデルをkeras用にコンバート python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5
6.
YOLO 動作確認 静止画 python
yolo_video.py --image "Input image filename:"と聞かれたらファイル名を入力する 動画 python yolo_video.py --input hoge.mp4
7.
YOLOの動作確認 https://github.com/AlexeyAB/darknet
8.
YOLOの動作確認 https://www.thedodo.com/close-to-home/shih-poo-dog-yogi-looks-human
9.
データ収集&アノテーション付与 学習用の素材を収集してアノテーションを付ける。 アノテーションの付与にVoTTを使用。 下記からダウンロード(96MB)してインストールする。 https://github.com/Microsoft/VoTT/releases
iPhoneで撮影した動画(mov形式)を使用したが、VoTTではそのままでは読め なかった。 FullHDサイズの画像だと学習中にメモリ不足でエラーが発生した。 ffmpegでmp4形式に変換しつつ、解像度を下げた ffmpeg -i hoge.mov -s 416x234 hoge.mp4
10.
11.
12.
13.
14.
アノテーションの変換 VoTTからエクスポートした構成 出力先フォルダ
VOTTプロジェクト名-PascalVOC-export Annotations ImageSets Main JPEGImages xxx.jpg ex) c:¥projects¥yolo_v3 VOCDevkit VOC2007 Annotations ImageSets Main train.txt test.txt val.txt JPEGImages xxx.jpg ②train.txt、test.txt、val.txtを作成し、 JPEGImages内のjpgファイルを列挙する。 ※拡張子"jpg"は記載しない ①VOCDevkitフォルダを作成し、 VoTTから出力したファイルを配置する
15.
YOLO V3のソースに付属している"voc_annotation.py"で、PascalVOC形式を YOLO
V3形式に変換するが、事前にソース修正が必要。 修正したら変換実行 python voc_annotation.py ・classesのリストを自分で学習させる内容に合わせる。 ・VoTTでアノテーション位置がfloatで書かれているものを読み込めるようにする。 アノテーションの変換 voc_annotation.py:6行目あたり classes = ["gu"] voc_annotation.py:21行目あたり b = (int(float(xmlbox.find('xmin').text)), int(float(xmlbox.find('ymin').text)), int(float(xmlbox.find('xmax').text)), int(float(xmlbox.find('ymax').text)))
16.
独自データ学習の準備 ex) c:¥projects¥yolo_v3¥model_data¥my_classes.txt
に独自クラスを列挙する。 改行コードはLFにしておく。 学習用プログラムが独自クラスを使うように修正する。 必要に応じてバッチサイズを変更(train.py:57行目、76行目あたり) 学習用にweightsをコンバート python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5 train.py:17行目、19行目あたり "annotation_path"に"2007_train.txt"を指定する "classes_path"に"model_data/my_classes.txt"を指定する
17.
学習 学習する python train.py
学習済みモデルは logs¥000¥trained_weights_final.h5 として生成されている
18.
独自で学習したモデルでYOLOを実行 が、クラスとモデルの指定がうまくいかないので固定で読み込むよう修正。 tyolo.py:23行目、25行目あたり "model_path": 'logs/000/trained_weights_final.h5', "classes_path": 'model_data/my_classes.txt',
19.
独自で学習したモデルでYOLOを実行 静止画 python yolo_video.py
--model logs/000/trained_weights_final.h5 --classes model_data/my_classes.txt --image 動画 python yolo_video.py --model logs/000/trained_weights_final.h5 --classes model_data/my_classes.txt --input hoge.mp4
20.
Webカメラの画像で試してみる https://github.com/moto2g/image_recognition/tree/master/yolo3 python yolo_video_with_cam.py --image
21.
おつかれさまでした
Jetzt herunterladen