YOLO 객체 검출 알고리즘

Opencv에서 YOLO를 사용하는 방법

 

cv2와 numpy를 import해줍니다.

import cv2
import numpy as np

알고리즘을 실행하려면 세 개의 파일이 필요합니다.

• weight 파일: 물체를 감지하는 알고리즘의 핵심인 훈련된 모델입니다.
• Cfg 파일 : 알고리즘의 모든 설정이 있는 구성 파일입니다.
• name 파일: 알고리즘이 감지할 수 있는 개체의 이름을 포함합니다.

weights 파일 다운로드(용량이커서 링크로대체)

coco.names

0.00MB

yolov3.cfg

0.01MB

#버전에 따라  net.getUnconnectedOutLayers()가 1차원,2차원 일 수 있습니다.

그러므로 layer_names[i[0] -1] 에서 layer_names[i -1] 으로 수정해줬습니다.

modelConfiguration = "yolo_object_detection/yolov3.cfg"
modelWeights = "yolo_object_detection/yolov3.weights"

# Load Yolo
net = cv2.dnn.readNet(modelConfiguration, modelWeights)
classes = []
with open("yolo_object_detection/coco.names", "r") as f:
    classes = [line.strip() for line in f.readlines()]
layer_names = net.getLayerNames()
output_layers = [layer_names[i - 1] for i in net.getUnconnectedOutLayers()]
colors = np.random.uniform(0, 255, size=(len(classes), 3))

 

그런 다음 객체 감지를 수행하려는 이미지를 로드하고 이미지의 너비와 높이도 얻습니다.

# Loading image
img = cv2.imread("yolo_object_detection/1.jpg")
img = cv2.resize(img, None, fx=0.4, fy=0.4)
height, width, channels = img.shape

 

이제 이미지를 네트워크에 전달하고 감지를 수행할 차례입니다.

네트워크에서 전체 이미지를 바로 사용할 수는 없지만 먼저 Blob으로 변환해야 합니다. 

Blob 이미지에서 기능을 추출하고 크기를 조정하는 데 사용됩니다. YOLO는 세 가지 size를 사용합니다.

• 320×320은 작아서 정확도는 떨어지지만 속도는 더 좋습니다.
• 609×609보다 크기 때문에 정확도가 높고 속도가 느립니다.
• 416×416은 중간에 있고 둘 다 조금씩 얻을 수 있습니다.

Outs 은 감지 결과입니다. Outs는 감지된 개체, 해당 위치 및 감지에 대한 신뢰도에 대한 모든 정보를 포함하는 배열입니다.

# Detecting objects
blob = cv2.dnn.blobFromImage(img, 0.00392, (416, 416), (0, 0, 0), True, crop=False)

net.setInput(blob)
outs = net.forward(output_layers)

 

이 시점에서 감지가 완료되었으며 결과를 화면에 표시하기만 하면 됩니다.
그런 다음 outs 배열을 통해 반복하고 신뢰도를 계산하고 신뢰도 임계값을 선택합니다.

임계값 신뢰도(confidence)를 0.5로 설정했습니다. 신뢰도 가 크면 개체가 올바르게 감지된 것으로 간주하고 그렇지 않으면 건너뜁니다.
임계값은 0에서 1까지입니다. 1에 가까울수록 감지 정확도가 높고 0에 가까울수록 정확도는 낮지만 감지된 물체의 수가 많습니다.

# Showing informations on the screen
class_ids = []
confidences = []
boxes = []
for out in outs:
    for detection in out:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]
        if confidence > 0.5:
            # Object detected
            center_x = int(detection[0] * width)
            center_y = int(detection[1] * height)
            w = int(detection[2] * width)
            h = int(detection[3] * height)

            # Rectangle coordinates
            x = int(center_x - w / 2)
            y = int(center_y - h / 2)

            boxes.append([x, y, w, h])
            confidences.append(float(confidence))
            class_ids.append(class_id)

 

탐지를 수행할 때 동일한 개체에 대해 더 많은 상자가 있으므로 다른 기능을 사용하여 이 "노이즈"를 제거해야 합니다. 비 최대 억제라고 합니다.

indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
print(indexes)

 

마침내 모든 정보를 추출하여 화면에 표시합니다.

• 상자 : 감지된 물체를 둘러싸는 사각형의 좌표를 포함합니다.
• Label : 감지된 물체의 이름입니다.
• Confidence : 0에서 1까지 탐지에 대한 신뢰도.

font = cv2.FONT_HERSHEY_PLAIN
for i in range(len(boxes)):
    if i in indexes:
        x, y, w, h = boxes[i]
        label = str(classes[class_ids[i]])
        color = colors[class_ids[i]]
        cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)
        cv2.putText(img, label, (x, y + 30), font, 3, color, 3)


cv2.imshow("Image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

사용자 지정 객체를 감지하는 방법

사용자 지정 객체를 감지하려면 사전 훈련된 모델을 사용하는 대신 사용자 지정 YOLO 모델을 만들어야 합니다.

사용자 지정 객체 탐지기를 만들려면 두 단계가 필요합니다.

1. 감지하려는 물체의 이미지가 포함된 데이터 세트를 만듭니다.
2. 해당 이미지 데이터 세트에서 YOLO 모델 훈련