SKU-CE16

환경

• Windows 10 Pro
• i7-8700
• GTX 1080
• RAM 16G
• Visual studio 2019
• CUDA 10.1
• cuDNN 7.6.5
• OpenCV 4.2.1
• darknet
• yolo v3
• yolo mark
• jupyter notebook

데이터 처리

이미지파일, json 파일을 제공받았다.

json 파일에 각 객체에 대한 좌표값과 라벨링이 되어있음을 확인했다.

yolo_mark는 이미지에 bounding box 즉, 좌표값과 라벨링을 하여 학습데이터를 과정입니다.

하지만 이미지 하나하나 라벨링 하기에는 비효율적이라 생각하여, 제공받은 json파일에 있는

좌표값과 라벨링이 있기 때문에 이점을 이용하였습니다.

• json파일을 yolo의 input인 txt형식에 맞게 변환 (학습 데이터 형성)

학습을 위한 준비

학습에 필요한 파일 목록

• CNN 레이어의 구조를 정의하는 cfg 파일
• 학습 시킬 이미지 파일과 객체 좌표, 라벨링된 텍스트 파일
• 학습 이미지 경로들이 담긴 txt파일 (train.txt, valid.txt)
• 클래스의 종류가 담긴 name파일 (obj.names)
• 경로들을 담고있는 data파일(obj.data)
• 학습시킨 가중치 정보가 들어있는 weights파일

yolo-obj.cfg파일 작성

• batch-size 64장
• subdivision 16장
• 분류해야할 라벨 총 3개(차, 오토바이, 사람)이므로 classes를 3으로 작성

obj.data파일 작성

• 3개의 종류로 분류를 하기 때문에 classes를 3으로 작성
• train, valid, names, backup 의 경로를 지정

obj.names파일 작성

• 차, 오토바이, 사람에 대한 이름을 위와 같이 정의

학습

학습을 위해서 darknet을 사용했습니다. darknet의 학습은 CPU 와 GPU 2가지 방식이 있습니다.

그 중 GPU를 사용해서 학습했습니다.

GPU 사용을 위한 준비

• CUDA와 cuDNN 버전을 맞춰줘야 합니다.

학습 결과

가중치 파일인 weight 파일이 저장되었습니다. weight 파일은 학습 중 저장된 가중치보다 높은 정확도의 가중치가 나오면 갱신하는 방식으로 저장하였으며 실제 이미지에서 객체 검출시 사용하는 파일입니다.

학습을 마친 후 검출 해본 결과입니다.