まずYOLOv３とは
物体認識モデルの一つ
他のモデルとの比較や性能、構造については
一般物体認識手法の把握
検出アルゴリズムの紹介
YOLPv3論文日本語訳
を読んでまずYOLOの概観を知る
実装してみる
開発環境
MacBook Pro(13-inch, 2017)
macOS Mojave 10.14.5
python 3.7.1
環境構築
pipenvで仮装環境を構築
仮装環境をつくりたいディレクトリに移動
$cd test_yolov3
仮装環境の構築
$pipenv install --Python 3.7.1
環境に入る+次回以降はpipfile に入ってるPackageInstall（必要ならUpdata）
http://pynote.hatenablog.com/entry/pipenv-usage
$ pipenv shell
(test_yolo) bash-3.2$
(test_yolo) bash-3.2$ pipenv install
必要なパッケージのインストール
*ここでMatplotlibのインストールでエラーが出たので、参考1,参考2
を元にmatplotlibrcのpathを調べて
vimでmatplotlibrcを編集
$python -c "import matplotlib;print(matplotlib.matplotlib_fname())"
$cd ~~~~~~~~~~~~~~~~~~/matplotlibrc
$vi matplotlibrc
backend : macosx-> backend : macosx
に変更。
その上で再度
$ pipenv install opencv-contrib-python
$ pipenv install numpy
$ pipenv install matplotlib-python
YOLOv3の設定
本家以外に色々あってややこしい。。。
1. 公式サイトのコードで認識
git clone https://github.com/pjreddie/darknet
$ cd darknet
$ make
$ wget https://pjreddie.com/media/files/yolov3.weights
$ ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
DATAの自作
- https://qiita.com/watakandhi/items/7981f05e6cfc1b69737c
- https://nmxi.hateblo.jp/entry/2019/02/28/104546
- https://demura.net/misc/14458.html
- https://qiita.com/tk-tkhs/items/eb74ea516cadfaa202a0
- 次に不要なコードが省かれた Pytorch仕様のYOLOv3 を使うことに これはCOCOデータセットの学習済みモデル。後にオリジナルのデータセットを学習させることも可能
(test_yolo) $ git clone https://github.com/ayooshkathuria/pytorch-yolo-v3.git
(test_yolo) $ cd pytorch-yolo-v3
(test_yolo) $ wget https://pjreddie.com/media/files/yolov3.weights
**Mac wget -> curl https://pjreddie.com/media/files/yolov3.weights -0
とするといいそうです（私はbrew install wgetしました）
認識テスト
- あらかじめ用意した画像データ imgsフォルダに認識させたい画像いれる。 detフォルダに認識後の画像が入る。
$ python detect.py --images imgs --det det
- 動画認識のデモ
$python video_demo.py --video sample.mp4
- リアルタイムで内蔵カメラで撮影した画像の認識
$python cam_demo.py
YOLOv３の編集について
どのgithubコードをメインにするかによって実行コマンドが違う。
公式のDarknetをcloneした場合、画像の書き出しや座標出力をimage.cファイルの編集により可能となるそう。
ただし、コンパイル$makeが毎度必要
https://pycarnival.com/yolo_python_opencv/GPU使うにはmakefileを編集すればいい
これも変更したらコンパイル$makeが毎度必要