やってみた！

やってみた！

試したことを中心に、書評や興味のあること、思ったこととか

トップ > Jetson Nano > YOLOv3-tinyで学習してみた１（パソコン作業、アノテーションまで）

YOLOv3-tinyで学習してみた１（パソコン作業、アノテーションまで）

Jetson Nano

　YOLOv3-tinyを学習させてみます。Google Colaboratoryを使用します。
　初回（3回記事です）はColaboratoryの準備、アノテーションツールVOTTのインストール、学習データの準備、アノテーションまでを行います。
　以下の例はWindows10です。

1.Google Drive、Colaboratoryの準備

　Googleアカウントを登録してGoogleドライブを開きます。

drive.google.com

Googleホームページ、右上のGooleアプリの中にあるドライブからも開けます。

  • 右クリック－新しいフォルダ－YOLOを作成します。
  • YOLOを選択して右クリック－アプリで開く－アプリを追加－Colaboratoryで検索してGoogle Colaboratoryを追加します。
  • YOLOを開いて、右クリックして、その他－Colaboratoryのファイルを新規作成します。

2.GoogleDriveをColaboratoryにマウント

　画面に表示されている新規コードセル（実行コードを入力するボックス）に次を入力して実行（右向き三角マークをクリック）します。

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

　次の画面が表示されるので、リンクをクリックします。アカウント選択画面が表示されるのでアカウントを選択、アクセス許可画面を先に進むとアクセスコードが表示されるので、CTRL+Cでコピーし、四角のエリアにCTRL+VでペーストしてEnterを押すとGoogleDriveがColaboratoryにマウントされます。

 f:id:akifukka:20191014180230j:plain

 

3.GoogleDriveにdarknetをインストール、アクセラレータを設定

1)CUDA
　CUDAのバージョンを確認します。Colaboratoryのセルの下方、横方向は中心あたりにカーソルを持って行くと、「＋コード」、「＋テキスト」と表示されるので、「＋コード」をクリックします。次を入力して実行します。

!/usr/local/cuda/bin/nvcc --version

　2019年10月現在でCUDAのバージョンは10.0でした。コードセルを追加、次を入力してCUDA10.0をインストールしてPATHを通します。

!apt install cuda-10-0 -y
import os
os.environ['PATH'] += ':/usr/local/cuda/bin'
os.environ['LD_LIBRARY_PATH'] += ':usr/local/cuda/lib64'

f:id:akifukka:20191021160818j:plain

2)darknetダウンロード

　コードセルを追加、次を入力、実行して、GoogleDriveのYOLOフォルダにdarknetのソースをダウンロードします。

%%bash
cd /content/drive/My\ Drive/YOLO
cd darknet
git clone https://github.com/AlexeyAB/darknet

3)darknetコンパイル

 　コードセルを追加して、次を入力、実行します。高速化のためGPU、CUDNNを有効にしてdarknetをコンパイルします。

%%bash
cd /content/drive/My\ Drive/YOLO/darknet
sed -i 's/GPU=0/GPU=1/g' Makefile
sed -i 's/CUDNN=0/CUDNN=1/g' Makefile
make

　sedは文字列を置換します。例えば次の分の意味は、

sed -i 's/GPU=0/GPU=1/g' Makefile

　Makefile中の'GPU=0’を探して'GPU=1'に置換してファイルを上書き(-i)。
-iが無いと標準出力に出力されるだけになります。コンパイルするとwarningがたくさんでます。

　Colaboratoryのメニューからランタイム－ランタイムのタイプを変更－ハードウェアアクセラレータを選択して「なし」からGPUに変更します。

4.特徴抽出層の学習済みweight作成

　元となる学習済みweightをパソコンにダウンロードします。サンプルでYOLOv3-tinyを動かしたのと同じものです。

   https://pjreddie.com/media/files/yolov3-tiny.weights

　このファイルをブラウザのGoogleDrive画面でYOLO/darknetフォルダにドラッグ&ドロップしてアップロードします、

　特徴抽出層だけ学習済みのweight yolov3-tiny.conv.15を上記ファイルから作ります。Colaboratoryにコードセルを追加して、次を入力、実行します。最初の15層だけ抽出され、yolov3-tiny.conv.15が作られます。

%%bash
cd /content/drive/My\ Drive/YOLO/darknet
./darknet partial cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15

5.学習用データの構造

　YOLOの学習に必要なデータは次の通りです。

  1. obj.data　学習の設定ファイル、クラス数を定義
    例
    classes= 2
    train = data/train.txt
    valid = data/test.txt
    names = data/obj.names
    backup = backup/

    上記の例ですと分類種別は2種類。
    学習用データはフォルダdataにあるtrain.txtで定義。
    学習結果評価用データはフォルダdataにあるtest.txtで定義。
    分類の名前はフォルダdataにあるobj.namesで定義。
    学習中、学習後のweightをbackupフォルダに保存します。
  • data/train.txt,data/test.txt
    一行ずつ学習用画像、学習結果評価用画像へのpathを示します。trainは学習用、testは学習結果評価用。
    例
    data/obj/img1.jpg
    data/obj/img2.jpg
    data/obj/img3.jpg
  • imgx.jpg,imagx.txt
    imgx.jpgはjpeg画像で、上記train.txt、test.txtで指定されるもの。'imagx'の部分はそれぞれ任意の名前で良い。imagx.txtは画像中の対象物のclass、boundingbox情報でjpeg画像と同じファイル名として同じディレクトリに置く。画像中には複数の対象が写っていてもOKです。
    imgx.txtには一行にひとつの対象の情報を入力します。それぞれの値は画像全体を1.0としてスケーリングしています。

    原点は左上
    <object-class> <x_center> <y_center> <width> <height>

    例　1画像にクラス1が2つ、クラス0が1つ写っている場合
    1 0.716797 0.395833 0.216406 0.147222
    0 0.687109 0.379167 0.255469 0.158333
    1 0.420312 0.395833 0.140625 0.166667
  • obj.names
    クラスの名称を示すテキストファイル。次の例の場合、クラス0は猫、クラス1は犬。
    例
    cat
    dog
    ・
    ・

6.学習用画像の収集

　学習用画像の収集方法として、インターネットで収集する、自分で撮影するといった方法があります。今回は、自分で集めることとし、集めやすい題材として駐車禁止の看板にしました。

　スマホで通勤途中の看板15箇所をVGA動画（mp4）で撮影（1か所2,3分）してきました。

f:id:akifukka:20191019080801j:plain

 

7.アノテーションツールVoTTをインストールする

github.com

 　動画から静止画を取り出しBoundingboxを設定するためのツール（アノテーションツール）VoTTをパソコンにインストールします。以降の例はWindows10です。

　こちらから、Windws版のVoTTをダウンロードしてインストールします。

Releases · microsoft/VoTT · GitHub

8.アノテーション（タグ付け）する

1)フォルダを作成

　パソコン上に作業用としてフォルダを2つ作成します。以下はあくまで例なので、すきな名前、場所に作成してください。

  • source
    撮影した画像元データを入れるフォルダ。フォルダ作成後、スマホで撮った動画ファイルをここにいれます。
  • data
    アノテーションして新たに作られるデータが保管されるフォルダ。

 2)VOTTの設定

  • New Projectをクリック
  • Projct Settings画面が表示されるので次のように設定します。
    Display Name
    　好きなプロジェクト名を入力
    Source、Target Connection
    　画像元データ保管フォルダ、アノテーション後のデータ保管フォルダを設定
    それ以外の欄
    　とりあえず、初期状態のままでOK
    f:id:akifukka:20191020181651j:plain

    f:id:akifukka:20191020183018j:plain
  • Save Projectでプロジェクトを保存します。

3)アノテーションの実施

  • TAGを追加
    実際にアノテーション作業する画面（アノテーション画面）が表示されるので、画面をクリックして動画を一時停止します。右上のTAGSの＋を押して、TAG名称（分類クラス名称）を入力します。’no parking'としました。'Ent'で名称を確定します。再度+を押すとtぐ入力画面が消えます。
    f:id:akifukka:20191020184543j:plain
  • アノテーション
    動画を止めて、Draw Rectangleを押し、対象物を囲みます。TAG 'no parking' を選択すると、囲み部分が緑表示になります。これで1枚終了なので、動画を進めて同じ作業を繰り返します。

    f:id:akifukka:20191020185206j:plain

    　アノテーションを進めつつ、画面上部のフロッピーディスクの絵をクリックして作業結果（プロジェクト）をセーブする。

4)Export

  • Export Settings
    画面左にある斜め上向きの矢印をクリックしてExport Setting画面に移動。Provider欄でPascal VOCを選択、Asset StateでOnly tagged Assetsを選択、Save Export Settingをクリックして設定を保存します。
    f:id:akifukka:20191020192214j:plain
  • Export
    アノテーション画面でデータ保存をクリックします。f:id:akifukka:20191020190910j:plain

    dataフォルダ内に次のフォルダ、データが作成されます。
    no-parking-PascalVOC-export
      Annotations             画像サイズ、BoundingBox情報
      ImageSets               学習用(train)、評価用(val)の画像データ名
      JPEGImages              jpeg静止画
      pascal_label_map.pbtxt  クラスの名前

    　最終的に作った静止画は約100、なお静止画の解像度（縦横のドット数）は特に調整していないので、数種類の大きさの静止画がまざったまま使いました。

つづく

akifukka.hatenablog.com

 

Jetson Nano カテゴリーの記事一覧へ