소개

이 기사에서는 가능한 한 최단 경로로 YOLO의 물체 감지 로직을 자신의 이미지에 적용해 보는 방법을 보여주고 싶습니다.

흐름은 다음과 같습니다.

Python 환경 구축

YOLO 소개

YOLO를 실제로 사용

VS Code, pipenv, git이 도입된 분이라면, 작업 폴더내에서 터미널을 열어 아래의 4개의 커멘드를 치면 움직일 수 있습니다.

git clone https://github.com/ultralytics/yolov5.git

pipenv install -r requirements.txt

pipenv shell

yolo 폴더/data/image/에 좋아하는 이미지를 넣고

python detect.py --weights yolov5s.pt --source data/images/画像名

이제 yolo 폴더/runs/detect/exp에 결과가 출력됩니다.

그럼 차례로 봅니다.

1. Python 환경 구축

자신이 쓴 기사로 죄송합니다만 여기 를 봐 주세요. 환경이 있는 분은 날려 받고 괜찮습니다. 그러나 다음 설명에서는 VS Code에서 pipenv를 사용하여 운영 환경을 구축합니다.

2. YOLO 도입

먼저 VS Code를 열고 적절한 작업 폴더로 이동합시다.



이번에는 이 yolo를 움직여 보겠습니다. 열면 아래처럼 느껴집니다. 코드를 클릭하여 zip을 다운로드하고 압축을 풉니 다.



물론, git clone 할 수있는 분은 그쪽에서도 괜찮습니다.

git clone https://github.com/ultralytics/yolov5.git

나온 폴더의 내용을 작업 폴더 바로 아래에 놓고 본체가 있는 디렉토리에서 terminal을 엽니다.



yolo용 환경을 구축합니다. 다음과 같이 터미널에 치자.

pipenv install -r requirements.txt

이것으로 YOLO의 도입은 종료입니다.

3. YOLO를 실제로 사용

우선은 구축한 가상 환경에 들어갑시다.

pipenv shell

좋아하는 이미지를 data 내의 images 라는 곳에 넣자. bus라는 이미지와 ziadane이라는 이미지가 기본적으로 들어 있어야합니다.
나는 기르는 강아지의 이미지로 감지를 수행하기로 결정합니다.
(모델의 트레이닝 제외에서는 검출할 수 있는 물체나 생물의 종류에 한계가 있으므로, 주의해 주십시오.)



다음 명령을 치자. 이미지 이름을 적절하게 사용한 것으로 바꾸십시오.

python detect.py --weights yolov5s.pt --source data/images/test.jpg

Done.이 나오면 검색 결과가 runs/detect/exp에 저장됩니다.

안전하게 감지된 것 같습니다.

결론

우선, 당돌에 나온 이하의 커맨드에 대해서, 조금 이야기해 둡니다.

python detect.py --weights yolov5s.pt --source data/images/test.jpg

물체 감지를 원하면 detect.py를 시작합니다. --weights 인수는 사용할 yolo 모델의 가중치를 지정합니다. 이번 사용한 것은 yolov5입니다만 한입에 yolov5라고 해도 다수의 모델이 있습니다. 그 중 yolov5s라는 모델을 사용했다는 것입니다.

이 명령은 tutorial.ipynb에 작성되었으므로 참고하십시오.

또한 gpu를 가지고 cuda를 이미 도입한 분은 pytorch 사이트에서 해당 cuda 용 pytorch 라이브러리를 pip로 다시 넣으면 gpu를 사용하여 모델을 돌릴 수 있습니다.