스스로 이미지를 학습하여 물체 인식을 실시 Part 2

아직 Part1을 보지 않은 사람은 여기를 확인하십시오!
⬇︎
h tps:// 퀵했다. 작은 m/코지마 켄타로/있어 MS/f4 그림 52650 그림 f886d511d49

샘플을 실제로 검증(detect)해 보자



이번에는 Google 드라이브를 사용합니다.

먼저 google 계정으로 드라이브에 로그인하거나 새로 만드세요.
⬇︎
h tps://d ゔぇ. 오, ぇ. 코 m / d 리 ゔ ぇ / u / 2 / my d ri ゔ

로그인이 완료되면 Part1에서 만든 yolov5-master 파일을 google drive 내 드라이브에 드래그 앤 드롭합니다.



이것으로 googledrive로의 업그레이드가 완료됩니다.

그런 다음 현재 데이터 샘플에서 실행해 봅시다.

drive의 '신규' 버튼에서 '기타' ⇨ 'google colaboratory'로 이동합니다.




열면 이런 화면이 나올 것 같아요.



이렇게 하면 오른쪽 상단에 있는 파일과 같은 열에서 '런타임'을 선택합니다.
⬇︎
런타임 유형 변경을 선택한 다음 GPU를 선택합니다.



이제 저장합니다.

googlecolaboratory
!nvidia-smi

먼저 실행 환경을 정돈합니다.
GPU의 속도를 높이려면 위의 코드를 실행합니다.



중간에 "Tesla P100"이 표시 될 때까지 다시 시도하십시오. (학습 속도를 높이기 위해)

처음에이 값이 나오지 않으면 파일과 같은 배열
"런타임"에서
「런타임을 출하시 설정으로 리셋」을 실시해,
"Tesla P100"이 나올 때까지 반복하십시오.

googlecolaboratory
from google.colab import drive
drive.mount('/content/drive')

이렇게 하면 googleacount 사용 권한이 필요하므로 허용된 계정의 URL을 복사하여 google colaboratory의 공백에 입력합니다.

마운트가 성공하면,Mounted at /content/drive라고 표시됩니다.

yolov5-master로 이동합니다.

googlecolaboratory
cd /content/drive/My Drive/yolov5-master
/content/drive/My Drive/yolov5-master현재 경로가 표시됩니다. 이렇게 표시할 수 있으면 성공입니다.

googlecolaboratory
import os
os.chdir("/content/drive/My Drive")

그런 다음 설정을 수행합니다.

googlecolaboratory
!git clone https://github.com/ultralytics/yolov5  # clone repo
!pip install -qr yolov5/requirements.txt  # install dependencies (ignore errors)
%cd yolov5

import torch
from IPython.display import Image, clear_output  # to display images
from utils.google_utils import gdrive_download  # to download models/datasets

clear_output()
print('Setup complete. Using torch %s %s' % (torch.__version__, torch.cuda.get_device_properties(0) if torch.cuda.is_available() else 'CPU'))
Setup complete. Using torch 1.7.0+cu101 _CudaDeviceProperties(name='Tesla P100-PCIE-16GB', major=6, minor=0, total_memory=16280MB, multi_processor_count=56)위가 표시되면 성공입니다.

googlecolaboratory
pip install -U PyYAML

PyYAML을 설치합니다. (나중에 필요할지도)

설정이 완료되면 실제로 샘플을 지금 있는 데이터만으로 검증해 보겠습니다.

googlecolaboratory
!python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/

학습이 성공하면


확인 된 이미지는 아래에서 두 번째 줄의 버스 위치에 저장됩니다.

내 경우에는 runs의 detect에 exp5라는 파일에 저장되었습니다.

실제로 보자.

runs로 이동합니다.



detect를 엽니다.



exp5를 엽니다.



각 이미지 이렇게 원래 학습 데이터로 제대로 학습할 수 있네요.

이번에는, 샘플 데이터로의 실제의 검증을 실시해 보았습니다.

다음 번은 스스로 학습 데이터를 만드는 곳으로 옮기고 싶습니다.

좋은 웹페이지 즐겨찾기