はじめに

〜本記事で分かること〜

【Google ColabでYOLO v3をテストするやり方】

以前、他の記事を見て実装を試みたのですが、上手くいかなくて...。
「bin.bash : darknet is directory」とかエラー出るし。
ちゃんと記事の通りに従ったんですけどね〜。っていう人向けです。

実験環境

Windows10 professional
python 3.6.6
TensorFlow 1.10.0

つらつらと記述しましたが、インターネットさえ繋がっていれば問題ないかと...。
今回、OSとかGPUとかほぼ関係ないので！
PythonやTensorflowなどの環境もGoogle Colab上で完結していますしね。

つまり、ネット環境の整ったPCがあれば問題ないです。便利な世の中になりましたね。

実装

まず、Google Colabを開きます。こちらから、アクセスできます。
もし、Googleアカウントを持っていないよ！って方は、この際なので作ってしまいましょう！
3分もあればすぐ作れちゃいます！

アクセスしますと、違うタブに移行します。
ここでは、下の図のようなウィンドウが開かれると思いますが
「ノートブックを新規作成」をクリックしましょう。

そして、Google Colabのトップページがこんな感じ。↓
上の画像の赤枠から新しくコードを生成していきます。

すると、新しくブロックが生成されているかと思います。
ここにコードを書いていくわけですね。
因みに、このブロックを「セル」と言ったりします。

さてさて、本番はここからです。
先程生成したセルに以下のコードを打ち込んでください。
次に実行します。実行方法は

「Ctrl」+「Enter」を押す。
セルの横にある実行ボタンを押す。
「ランタイム」→「現在のセルを実行」を押す。

があります。どれでも構いません。


%%bash
git clone https://github.com/pjreddie/darknet
cd darknet
make

実行が完了しましたら、「コード」を押して、また新しくセルを生成します。
そして以下のコードを打ち込んで下さい。打ち終わったら実行。
このセルでは、ディープラーニングにおいての必須級アイテム「重み」を入手しています。


!wget https://pjreddie.com/media/files/yolov3.weights

そして、いざっ！　テストへ！！
新しくセルを生成して、以下のコードを打ち込み、実行です！

詳細な説明は省きますが、以下のコードでは、
「用意された関数」「dataファイル」「cfgファイル」「weightsファイル」「テスト画像」
で構成されています。それぞれを適宜変更することで
皆さんの用意した画像でも物体検出ができてしまうわけです。


!./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

結果

ちゃんと出力されるかなぁっとワクワクしていましたが、
一向に表示される気配がありません。
失敗か？と思いきや、ちゃんと保存されていました！

上の画像のサイドバーにある橙色で囲われた「ファイル」をクリックして、
darknet → prediction.jpgの順に開いてみて下さい。

こんな画像が出力されれば、成功です！
犬と自転車、それからトラックがしっかりと検出されていますね！

さいごに

この記事では、Google Colabを用いてYOLO v3のテスト実装を行いました。
去年はなぜか分かりませんが、うまくいかなかったんですよね〜。
結果、途中で諦めてしまったわけですが...。
今回は事前学習済みモデルを使ったテストのみだったので、次は学習の記事でも
書いてみたいと思います。

※あくまで私のための備忘録なので、完成度については多めに見てくださると嬉しいです。