④ YOLO Custom

YOLO Custom

저번에 이미 학습된 weight를 가지고 테스트를 해봤다면, 이번에는 갖고 있는 데이터를 가지고 학습시키고 테스트까지 해보겠습니다.

참고한 사이트는 https://github.com/AlexeyAB/darknet#how-to-train-to-detect-your-custom-objects 입니다.

yolov3로 이미지를 학습하고 테스트해보겠습니다.

1. darknet에 들어갑니다.

2. darknet의 cfg폴더 안에 있는 yolov3.cfg 파일을 vi를 사용해서 열어줍니다. 

 ≫ batch를 설정하는 라인을 찾아 batch=64로 변경

 ≫ subdivisions를 설정하는 라인을 찾아 subdividions=8로 변경 (저는 16으로 변경했습니다.)

[net]
# Testing
# batch=1
# subdivisions=1
# Training
batch=64
subdivisions=16
width=608
height=608
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

 ≫ [yolo] 레이어를 설정하는 라인을 찾아 각각 classes를 해당하는 클래스 수로 설정(spider하나의 클래스로 classes=1로 수정)

607 [yolo]
608 mask = 6,7,8
609 anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
610 classes=1
611 num=9
612 jitter=.3
613 ignore_thresh = .7
614 truth_thresh = 1
615 random=1
 
693 [yolo]
694 mask = 3,4,5
695 anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
696 classes=1
697 num=9
698 jitter=.3
699 ignore_thresh = .7
700 truth_thresh = 1
701 random=1
 
780 [yolo]
781 mask = 0,1,2
782 anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
783 classes=1
784 num=9
785 jitter=.3
786 ignore_thresh = .7
787 truth_thresh = 1
788 random=1

 ≫ [yolo] 레이어 바로 위 [convolution] 레이어의 filter를 filter=(classes+5)*3으로 수정(classes가 1인 경우 filter=18로 수정)

599 [convolutional]
600 size=1
601 stride=1
602 pad=1
603 filters=18
604 activation=linear
 
685 [convolutional]
686 size=1
687 stride=1
688 pad=1
689 filters=18
690 activation=linear
 
772 [convolutional]
773 size=1
774 stride=1
775 pad=1
776 filters=18
777 activation=linear

3. darknet의 data폴더 안에 있는 coco.names에 자신이 사용하는 class의 이름으로 수정

spider

4. darknet의 cfg폴더 안에 있는 coco.data에 자신의 classes의 수, train.txt, coco.names의 위치 수정

classes= 1
train  = data/train.txt
valid  = data/train.txt
#valid = data/coco_val_5k.list
names = data/coco.names
backup = backup/

5. Yolo_mark를 통해 이미지의 Bounding Box의 좌표 txt파일, 이미지를 darknet/data/img에 저장

 ≫ ⑤ Yolo_mark로 따로 기재

6. darknet에 convolution layer 다운

wget https://pjreddie.com/media/files/darknet53.conv.74

8. 학습 실행 

./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74 -gpu 0,1,3

실행 화면 

 

실행이 끝나면 backup폴더에 weight 파일이 생깁니다.

이를 가지고 test를 실행하면 됩니다.

---

training이 다될때 까지 기다리면 시간 낭비입니다. 중간에 생성되는 weight파일로 테스트를 해보면 됩니다.

하지만 컴퓨터의 성능따라 weight이 생성되는게 매우 느리기 때문에 저는 파일을 수정해서 300번 마다 weight파일이 생성되도록 만들었습니다.

darknet/examples/detector.c로 들어갑니다.

136 행의  if(i%10000==0 || (i < 1000 && i%100 == 0))를 수정하시면 됩니다.

---

다음은 test를 실행해 보겠습니다.

./darknet detect cfg/yolov3.cfg backup/yolov3_1500.weights data/spider.jpg