기록장

※ 주의 ※ 글쓴이는 mac os를 사용합니다 모델 훈련을 위해 나만의 데이터셋을 만들 때, 직접 사진을 다운받고 라벨링을 하고자 한다 ! -> labelImg 라이브러리를 사용하면 된다 1. labelImg 라이브러리 설치 terminal에서 pip install labelImg 입력 (너무 옛날에 다운받아서 정확히 기억은 안나지만 ㅠㅠ 이렇게 했었던것 같아서,,) 2. labelImg 실행 terminal 창에서 labelImg 를 입력하면 이러한 창이 뜬다. 3. 라벨링 하기 Open Dir 로 사진들이 저장된 디렉토리를 선택하면 첫번째 사진이 뜨고 오른쪽 아래에는 파일들의 리스트가 보여진다. 바운딩 박스 정보 저장은 -> Change Save Dir 를 통해 경로 설정 우리는 yolo 데이터셋을 ..

친구가 정리해준 내용을 바탕으로 제가 모델 training을 담당했습니다 개발환경 : google colab 런타임 유형 gpu 내 드라이브를 mount 시킨 상태 사전작업 + 내 드라이브에서 colab 파일 생성 + 내 드라이브 mount 하기 이 버튼을 클릭 하거나 코드를 실행하고 뜨는 브라우저에 들어가면 있는 코드를 복붙 해주면 된다. 마운트를 완료하면 내 드라이브에 있는 파일들을 사용하거나 볼 수 있다 colab에서 pwd가 /content/drive/My\ Drive 일 때를 기준으로 작성한 것입니다. 1. 먼저 yolov5 를 clone !git clone https://github.com/ultralytics/yolov5 위 코드를 실행시키면 내 드라이브에 yolov5라는 폴더가 생긴다. %..

우리가 모델의 성능을 평가하기 위해 돌려보는 영상이 두 개가 있었는데, 밤 영상 하나 낮 영상 하나였다. 우리가 채택한 모델이 낮 영상에서는 나름 성능이 좋았는데 밤 영상에서는 셀카봉을 차량으로 인식한다든지, 사람을 갑자기 차량으로 인식한다든지 문제가 있었다. 멘토님께 이에 대해서도 조언을 구해보니, grayscale을 한번 해보는 게 어떻겠냐고 하셨다. 그래서 모든 이미지를 grayscale로 바꾸고 학습을 시켜보기로 결정했다. 생각보다 grayscale 하는 코드는 간단했다. 먼저 필요한 라이브러리들을 import 해준다. path 는 grayscale을 적용시킬 기본 이미지들이 있는 경로이고, newpath는 grayscale이 적용된 이미지들이 저장될 경로이다. 이미지 명을 똑같이 할 것이기 때문..

우리가 모델을 훈련시키는 데 사용한 데이터셋은 두가지 종류의 사진들이었는데, [그림 1]과 [그림 2]가 그 예시들이다. train data 2648장, validation data 306장을 train 시킨 모델의 정확도는 꽤 높으나 실제 영상에서 사용해봤을 때 차를 잘 detect 하지 못하는 경우가 발생했다. (사람에게 가려진 차와 밤 영상에서의 차 등) 멘토님께 조언을 구한 결과, image augmentation을 시도해보기로 결정했다. 먼저 image augmentation에는 종류가 다양한데 우리는 그 중 rotation, cutout, grayscale을 사용했다. 이번 장에서는 rotation과 cutout 에 관한 이야기를 해보려한다. 1) rotation 말 그대로 아래 그림처럼 이미..