LoginSignup
6
2

More than 3 years have passed since last update.

@unyacat

YOLOv3-tf2 を使った物体検出 —独自データセットの用意からリアルタイム検出まで—

Last updated at Posted at 2020-11-17

はじめに

はじめまして．私はアルバイトで深層学習を用いた分析などをしている大学生です．
物体検出を扱うことがあったのですが，調べることも多く手間取りました．
そこで，作業を進める中で得たことを自分なりにまとめてみました．

方針

これから物体検出を試してみようとする人に向けての記事です．
Tensorflow2 を使いたいという条件で自前で画像を用意して学習させて，実際に動かしてみます．
精度の向上等を主にするものではありません．

YOLOv3-tf2 とは

物体検出モデルの YOLOv3 の Tensorflow2 代替実装です．今回はこちらのリポジトリを利用します．

$ git clone https://github.com/zzh8829/yolov3-tf2.git

データセットを作る

学習させるためのデータセットを作ります．
データセットは基本画像ファイルとアノテーションファイルの2つから成ります．
アノテーションとは対象となる物体の名前，座標や状態を記載しておくラベル付けのファイルのことです．

実際に写真を撮って1枚ずつ labelImg 等のアノテーションツールを利用してラベル付けを行います．
labelImgで1枚1枚ラベル付けする

このようにできることがベストですが，相応の手間と時間がかかってしまいます．

そこで今回は物体の透過画像を背景画像に貼って擬似的に画像を生成し，アノテーションを作ることにします．
対象の物体の画像に偏りができてしまうので注意が必要ですが，手間を減らして完璧な精度を持ったアノテーションと画像のセットを量産できるメリットがあります．

画像

Python では Pillow(PIL) を使うことで画像の操作をすることができます．
背景はリアルな画像だけでなくランダムな単色画像を背景にする混ぜることで背景画像に依存しない学習が望めます．
物体も回転や明度変更を行うことで汎化性能の向上を図れます．
回転すると画像サイズが変わるため物体のギリギリになるようにアノテーションできるように処理する必要があります．
生成した画像

Python での実装(クリックして展開)
from PIL import Image, ImageEnhance, ImageDraw
import os
import random

# 画像サイズ
size = (4608, 3456)
# 生成枚数
num_of_images = 100

dirs = ["watch", "ramune"]
# dirs = os.listdir('./Photos')

for i in range(num_of_images):
    # 物体情報を保持する
    obj_details = []

    # 背景画像
    red = random.randint(0, 255)
    green = random.randint(0, 255)
    blue = random.randint(0, 255)
    bg = Image.new('RGB', size, (red, green, blue))
    # bg = Image.open('background.jpg')

    # 物が置けない場所を管理する
    # - 透過していると物が置ける(もっといい処理ありそう)
    # - 重なったり，実際に存在し得ない場所に配置されないようにする
    deployable_area = Image.new('RGBA', size, (0, 0, 0, 0))


    for j in range(len(dirs)):
        photos = os.listdir("./Photos/" + dirs[j])
        obj = Image.open("./Photos/" + dirs[j] + "/" + photos[i % len(photos)])

        # 明度変更
        obj = ImageEnhance.Brightness(obj).enhance(random.uniform(0.7, 1.3))

        # 回転
        obj = obj.rotate(angle=random.randint(0, 360), expand=True, fillcolor=(0, 0, 0, 0))
        # 回転により生まれた余計な部分を削除する
        crop = obj.convert('RGB').getbbox()
        obj = obj.crop(crop)

        while True:
            obj_x = random.randint(0, bg.size[0] - obj.width)
            obj_y = random.randint(0, bg.size[1] - obj.height)
            # 配置可能か検証
            for _x in range(obj_x, obj_x + obj.width):
                for _y in range(obj_y, obj_y + obj.height):
                    if deployable_area.getpixel((_x, _y)) == (0, 0, 0, 255):
                        break
                else:
                    continue
                break
            else:
                break
            continue


        obj_details.append(
            {
                "xmin": obj_x,
                "xmax": obj_x + obj.width,
                "ymin": obj_y,
                "ymax": obj_y + obj.height,
                "name": dirs[j]
            }
        )

        print(obj_x, obj_y, "に", dirs[j], "を配置")
        for _x in range(obj.width):
            for _y in range(obj.height):
                if obj.getpixel((_x, _y)) != (0, 0, 0, 0):
                    deployable_area.putpixel((_x + obj_x, _y + obj_y), (0, 0, 0, 255))


        bg.paste(obj, (obj_x, obj_y), obj.split()[3])

    bg.save("./dataset/images/" + str(i).zfill(len(str(num_of_images))) + ".jpg")

アノテーション

アノテーションは PascalVOC 形式で作ります．作るのは以下のような画像と同名の XML ファイルです．

001.xml
<annotation>
    <filename>001.jpg</filename>
    <size>
        <width>4608</width>
        <height>3456</height>
        <depth>3</depth>
    </size>
    <object>
        <name>watch</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>928</xmin>
            <ymin>1162</ymin>
            <xmax>1533</xmax>
            <ymax>1861</ymax>
        </bndbox>
    </object>
</annotation>

記載されている内容は

  • filename: 対象の画像名です．
  • size
    • width/height: 画像の縦横pxです．
    • depth: 色の層です．3 は RGB の 3 色に対応します．白黒であれば 1 です．
  • object
    • name: 物体の名前です．
    • pose: Left, Frontal, Right, Rear など物体の向きを記述できます． 特に指定がなければ Unspecified です．
    • truncated: オブジェクトの一部分に対応していることを示します．例えば人に対する上半身のみ，や画像で見切れている場合に 1 を指定します．そうでなければ 0 です．
    • difficult: 認識が難しいオブジェクトを示します．例えば他の要素を含まないと認識できないものであるときは1 を指定します．そうでなければ 0 です．
    • bndbox: 物体の存在する範囲を指定します．左上座標をxmin/ymin, 右下座標を xmax/ymax に記述します．

PascalVOC 形式には他にも記述可能な項目がありますが，このリポジトリを利用する上で必要なことは以上です．
形式の詳細はこちら: The PASCAL Visual Object Classes Challenge 2007 (VOC2007) Development Kit

画像とアノテーションのフォルダは分けておきます．

XML は Python なら ElementTree ライブラリで作れます．

Python 実装例(クリックして展開)
import xml.etree.ElementTree as Et

# from PIL import Image
# bg = Image.new('RGB', size, (red, green, blue))
# obj_details = [{
#                    "xmin": 131,
#                    "xmax": 176,
#                    "ymin": 309,
#                    "ymax": 403,
#                    "name": "book"
#               }]

root = Et.Element("annotation")
filename = Et.SubElement(root, "filename")
filename.text = str(i).zfill(len(str(num_of_images))) + ".jpg"
size = Et.SubElement(root, "size")
width = Et.SubElement(size, "width")
width.text = str(bg.size[0])
height = Et.SubElement(size, "height")
height.text = str(bg.size[1])
width = Et.SubElement(size, "depth")
width.text = str(3)

for obj_detail in obj_details:
    object = Et.SubElement(root, "object")
    name = Et.SubElement(object, "name")
    name.text = obj_detail["name"]
    pose = Et.SubElement(object, "pose")  # Pose
    pose.text = "Unspecified"
    truncated = Et.SubElement(object, "truncated")  # truncated
    truncated.text = str(0)
    difficult = Et.SubElement(object, "difficult")  # difficult
    difficult.text = str(0)
    bndbox = Et.SubElement(object, "bndbox")
    xmin = Et.SubElement(bndbox, "xmin")
    xmin.text = str(obj_detail["xmin"])
    xmin = Et.SubElement(bndbox, "xmax")
    xmin.text = str(obj_detail["xmax"])
    ymin = Et.SubElement(bndbox, "ymin")
    ymin.text = str(obj_detail["ymin"])
    ymax = Et.SubElement(bndbox, "ymax")
    ymax.text = str(obj_detail["ymax"])

xml = Et.ElementTree(root)
xml.write("./dataset/xml/" + str(i).zfill(len(str(num_of_images))) + ".xml", encoding="utf-8")


学習の前に座標がずれていないか確認しておくと良いでしょう．

TFRecord を作る

学習には画像とアノテーションをまとめた TFRecord 形式のファイルを生成する必要があります．

その前に train として使う画像のリスト，val として使う画像のリスト，学習させる物体が書かれたリストが書かれたファイルを作ります．
改行してファイル名を記述していきます．拡張子は不要で，train に利用したい画像が 001.jpg から 100.jpg なら

train.txt
000
001
002
...
(略)
...
100

と順に記述して適当に train.txt のように名前をつけて保存しておきます．val.txt も同様に行います．

物体が書かれたリストも同じように改行して記述していきます．

dataset.names
apple
orange
...
(略)
...
banana

適当に dataset.names のように名前をつけて保存します．

ここまでで以下のようにな構造になっているといい感じです．

dataset
|--images
|  |--000.jpg
|  |--001.jpg
|  |--...
|--xml
|  |--000.xml
|  |--001.xml
|  |--...
|--train.txt
|--val.txt
|--dataset.names

リポジトリのコードは VOC2012 データセットに対応しているので，リポジトリのコードを適宜変更します．変更箇所は以下の3つです．

yolov3-tf2/tools/voc2012.py
# 20-21行目: 画像を読み込めるように
img_path = os.path.join(FLAGS.data_dir, 'images', annotation['filename'])

# 95-96行目: train.txt / val.txt を読み込めるように
image_list = open(os.path.join(FLAGS.data_dir, '%s.txt' % FLAGS.split)).read().splitlines()

# 99-100行目: XML を読み込めるように
annotation_xml = os.path.join(FLAGS.data_dir, 'xml', name + '.xml')

ここまで来たら準備完了です．TFRecord を生成するには以下を実行します．

$ python tools/voc2012.py \
  --data_dir './dataset' \
  --split train \
  --output_file ./dataset/dataset_train.tfrecord

$ python tools/voc2012.py \
  --data_dir './dataset' \
  --split val \
  --output_file ./dataset/dataset_val.tfrecord

学習させる

転移学習をさせるための元の重みデータをダウンロードしてくる必要があります．

$ wget https://pjreddie.com/media/files/yolov3.weights -O data/yolov3.weight

また，重みデータを変換するために，以下を実行します．

$ python convert.py

適宜引数を変えて以下を実行します．

$ python train.py \
    --dataset ./dataset/dataset_train.tfrecord \
    --val_dataset ./dataset/dataset_val.tfrecord \
    --classes ./dataset/dataset.names \
    --num_classes 20 \ 
    --mode fit --transfer darknet \
    --batch_size 16 \
    --epochs 50 \ 
    --weights ./checkpoints/yolov3.tf \
    --weights_num_classes 80

./checkpoint/ に記録されていきます．

学習が停滞したら EarlyStopping が効きます．

検出させてみる

Webカメラからの入力を受け付けているので試してみます．
実際にラムネ(2枚)と時計(5枚)の画像を貼り付けた画像を100枚ほど生成して学習させてみました．

python detect_video.py --video 0 --weight ./checkpoint/yolov3_train_42.tf --num_classes 2 --classes ./dataset/dataset.names

精度は怪しいですが用意する手間を考えたらかなりよくできたのではないでしょうか．(映像が汚くて申し訳ない)

output.gif

これから

このリポジトリには性能評価指標である mAP が実装されていません．
要望は多いようで最近の Issue にもあります．yolov3-tf2/issues/125 は古いながらも参考になりそうです．
時間があれば試してみます．

6
2
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
6
2