Merhaba,
Öncelikle gerçek zamanlı nesne tespiti kütüphanesi YOLO’nun kurulumu ve demonun çalıştırılması hakkındaki yazıyı buradan inceleyebilirsiniz.
Bu yazıda Mustafa Kemal Atatürk’ün profil resimlerini tespit etmeye çalışalım.
Aşağıda anlatılan adımları sırasıyla ve sabırla uygulayalım.
Veriseti Görsellerini Oluşturma
Google görsellerden indirdiğimiz Atatürk resimlerini data klasörü altına ataturk_dataset adıyla yeni klasör oluşturarak kaydedelim.
Tanınmak İstenen Kişiyi/Nesneyi Çerçeve İçerisine Alma
YOLO ile nesne tespiti için indirdiğimiz resimler içerisindeki
tanımak istediğimiz kişi yada nesnenin çerçevesini belirlememiz
gerekiyor.
Bunun için BBox Label Tool
aracını kullanıyoruz. Github reposunu kendi makinamıza klonlayarak BBox
Label Tool’unu indirdiğimiz klasörün tam yolunu belirterek
değiştirelim.
| 1234 | 128 s = r'D:\workspace\python\labelGUI'129 ## if not os.path.isdir(s):130 ## tkMessageBox.showerror("Error!", message = "The specified dir doesn't exist!")131 ## return |
Ben aşağıdaki şekilde düzenledim.
| 1 | s = r'/home/yavuz/myprojects/BBox-Label-Tool' |
Ayrıca BBox Label Tool .JPEG uzantılı resim dosyalarını aradığı için ancak bizim resim dosyalarımız .jpg olduğundan dolayı main.py içerisinde .JPEG değerlerinin hepsini .jpg olarak güncelleyelim.
BBox Label Tool klasörü altında 3 klasör (Examples – Images – Labels) var. Bu 3 klasör altına, rakamla 002 isminde yeni dosyalar açalım. Images klasörü altına yeni oluşturduğumuz 002 klasörü altına (BBox-Label-Tool/Images/002) kendi verisetimizin resimlerini taşıyalım.
Şimdi tüm resimler etiketlenmeye hazır durumda. BBox Label Tool’u çalıştıralım.
| 1 | ~/myprojects/BBox-Label-Tool$ python main.py |
Image Dir alanına yeni oluşturduğumuz klasörün adı olan 002 yi girdiğimizde ve Load dediğimizde BBox-Label-Tool/Images/002 klasörü altındaki resimler yüklenecektir.
Resim
üzerinde tanımak istediğimiz kişi veya nesneyi en küçük çerçeve içine
alınacak şekilde işaretleyelim ve sonraki resme geçelim.
Sonraki resime geçildiğinde BBox-Label-Tool/Labels/002 klasörü altına resim dosyasının adıyla .txt dosyası oluşturulduğunu göreceksiniz. Bu dosya içerisindeki aşağıdaki gibi resim üzerinde işaretlediğimiz çerçevenin piksel kordinatlarını göreceksiniz.
1
317 174 404 273
Bizim şuanda tek bir etiketimiz olduğu için 002 adında tek bir klasörümüz oldu. Eğer birden fazla etiketimiz var ise her bir etiket için ayrı klasörler olmalıdır.
Kişi/Nesne Çerçeve Bilgisini YOLO’ya Uygun Hale Dönüştürme
BBox Label Tool ile oluşturduğumuz .txt dosyaları içerisindeki koordinat bilgisini YOLO pek sevmiyor 🙂
Bu .txt’ler içerisindeki değerleri YOLO’nun sevdiği aşağıdaki formata dönüştürmemiz ve piksel değeri yerine 0-1 arasında oran belirtmemiz gerekiyor.
| 1 | [kategori numarası] [nesnenin merkez noktasının X değeri] [nesnenin merkez noktasının Y değeri] [nesnenin genişliğinin X değeri] [nesnenin genişliğinin Y değeri] |
| 1 | 0 0.540909090909 0.184505606524 0.297727272727 0.328236493374 |
Bu formata dönüştürmek için Guanghan Ning’nin yazdığı scriptinden yararlanacağız. İlgili convert.py script dosyasını buradan indirebilirsiniz.
Convert.py dosyasını aşağıdaki şekilde düzenleyelim;
- 15.satırı classes = [“002”] şeklinde (etiket değerimiz)
- 34.satırı mypath = “/home/yavuz/myprojects/BBox-Label-Tool/Labels/002/” şeklinde (BBox Label Tool etiketlediğimiz koordinatların kaydedildiği klasör)
- 35. satırı outpath = “/home/yavuz/darknet/data/ataturk_dataset/” şeklinde (YOLO darknet kütüphanesinin bulunduğu klasör altındaki yeni verisetimizin bulunduğu klasör)
- 37.satırı cls = “002” şeklinde (etiket değerimiz)
Convert.py dosyamızı düzenledikten sonra çalıştırıyoruz.
| 1 | ~/myprojects/BBox-Label-Tool$ sudo python convert.py |
Convert.py işlemi sorunsuz şekilde tamamlandıysa, 35.satırdaki belirttiğimiz çıktı yoluna (“/home/yavuz/darknet/data/ataturk_dataset/”) YOLO’nun uygun bulduğu formata dönüştürerek yeni .txt dosyaları oluşturduğunu göreceksiniz.
Eğitim ve Test Veri Kümesini Oluşturma
Şimdi oluşturduğumuz verisetininden hangilerinin eğitim için hangilerinin test için kullanması gerektiğini belirtmemiz gerekiyor.
Eğitmek için oluşturduğumuz resim ve YOLO’ya uygun formatta düzenlenmiş koordinat bilgilerini içeren .txt dosyalarının bulunduğu klasör (“/home/yavuz/darknet/data/ataturk_dataset/”) altına, eğitim ve test kümelerimizi ayırmamıza yarayacak olan scripti buradan indirerelim.
İndirdiğimiz process.py scriptinin dosyasının 7.satırındaki path_data değerini ‘data/ataturk_dataset/’ olarak resim ve .txt dosyalarının bulunduğu veriseti klasörümüz ile değiştirelim.
Scriptimizi çalıştıralım.
| 1 | /darknet/data/ataturk_dataset$ sudo python process.py |
Script sonunda ‘data/ataturk_dataset/’
altına test.txt ve train.txt dosyaları oluşturulmuş ve yüzde 10
oranında görselin dosya yolunun test.txt dosyası içerisine yazıldğını
göreceksiniz.
YOLO için Yapılandırma Dosyalarını Hazırlama
Kendi verisetimiz için cfg klasörü altında obj.data, obj.names, yolo-obj.cfg dosyaları oluşturmamız gerekiyor.
Yeni bir ataturk-obj.data dosyası oluşturalım ve aşağıdaki şekilde düzenleyelim.
.data
dosyası, kaç sınıf eğiteceğimizi, test ve doğrulama kümelerinin dosya
yollarını, eğiteceğimiz sınıfın etiket adının bulunduğu dosyanın yolunu
ve eğitim sırasındaki yedek dosyalarının bulunacağı klasör bilgisini
içeriyor.
| 12345 | classes= 1train = /home/yavuz/darknet/data/ataturk_dataset/train.txtvalid = /home/yavuz/darknet/data/ataturk_dataset/test.txtnames = /home/yavuz/darknet/cfg/ataturk-obj.namesbackup = /home/yavuz/darknet/backup/ |
Yeni bir ataturk-obj.names oluşturalım ve içerisine etiket adını yazalım.
| 1 | M.Kemal Atatürk |
Son olarak hali hazırda var olan yolo-voc.cfg dosyasının bir kopyasını oluşturup dosya adını ataturk-yolo-voc.cfg değiştirelim.
ataturk-yolo-voc.cfg ağ dosyasını aşağıdaki şekilde düzenleyelim.
- 3. satırdaki batch değerini 64 olarak güncelleyelim (siz istediğiniz şekilde ayarlayabilirsiniz)
- 4. satırdaki subdivisions değerini 8 olarak güncelleyelim(siz gpu ve cpu işlemci sayınıza göre ayarlayabilirsiniz)
- 237. satırdaki (classes + 5)*5 formülüne uygun olarak bizim sınıf sayımız 1 olduğundan dolayı (1+5)*5 = 30 olduğundan filters=30 olarak güncelleyelim
- 244.satıdaki classes değerini bizim sınıf sayımız 1 olduğundan 1 olarak güncelleyelim.
Eğitim işlemini başlatmamız için son bir adım kaldı.
Sıfırdan eğitmek yerine Imaget veriseti ile önceden eğitilmiş ağırlıkları kullanarak eğitimimizi başlatacağız.
Ağırlık dosyasını buradan indirelim.
Eğitim (Traning)
darknet ana klasörü altında, ataturk-obj.data, ataturk-yolo-voc.cfg ağ dosyamızı ve darknet19_448.conv.23 ağırlık dosyamızı belirterek eğitim işlemini aşağıdaki komut ile başlatabiliriz.
| 1 | sudo ./darknet detector train cfg/ataturk-obj.data cfg/ataturk-yolo-voc.cfg darknet19_448.conv.23 |
Eğitim Nerede Durdurulmalı?
Eğitim sırasında elde edilen sonuçlar arasından
ortalama hata değerini (avg) oldukça düşük (0.08 ler gibi) olduğunda ve
artık belli bir süre hiç düşmüyor ise eğitimi durdurabiliriz.
Ortalama
hata değerini düşmesi uzun zaman alacaktır. GPU ile derlenmemiş YOLO
kütüphanesi ile eğitim yapılaması tavsiye edilmez.
Eğitim Ağırlık Dosyaları
Eğitim sırasında her 100 adımda bir ataturk-yolo-voc_300.weights şeklinde backup klasörü altına ağırlık dosyalarını kaydetmektedir.
900. iterasyondan sonra ağırlıkları yedek almamaktadır!
Bu sorunu çözmek için darknet/examples/detector.c 136. satırı aşağıdaki şekilde düzenleyebilirsiniz. Bu değişikliğin çalışması için Darknet’i yeniden derlememiz gerekmektedir.
| 1 | if(i%10000==0 || (i < 1000 && i%100 == 0)) |
Yerine
| 1 | if(i%1000==0 || (i < 5000 && i%100 == 0)) |
Şeklinde değiştirebiliriz.
Eğitilmiş Modeli Test Etme
Test ve train veriseti içerisinde bulunmayan başka bir resim indirelim ve en son kaydedilen ataturk-yolo-voc_900.weights ağırlık dosyasını kullanarak örnek resmin içerisindeki Atatürk’ü tanıyarak çerçeve içerisine alıp alamayacağını test edelim.
| 1 | sudo ./darknet detector test cfg/ataturk-obj.data cfg/ataturk-yolo-voc.cfg backup/ataturk-yolo-voc_900.weights data/ataturk-test.png |
Kaynaklar
- https://github.com/AlexeyAB/darknet
- https://pjreddie.com/darknet/install/
- https://pjreddie.com/darknet/yolo/
- https://arxiv.org/abs/1612.08242 (YOLO9000: Better, Faster, Stronger)