keras-yolo3 Personalsoft - Recorte de Imágenes- Votre

Introducción

Para la arquitectura seleccionada, Yolov3, se realizó algunas modificaciones y se conservó la forma de ejecución del código del repositorio original.

Una implementación desde Keras de Yolo v3 (Tensorflow backend) inspirada por allanzelener/YAD2K.

---

Librerías

• Tensorflow (si no se cuenta con gpu).
• Tensoflow-gpu
• keras
• Numpy
• PIL
• os
• Augmentor

Inicio rápido

1. Descargar YOLOv3 weights (pesos) de la página YOLO website.
2. Convertir el modelo YOLO Darknet a un modelo de Keras.
3. Ejecutar YOLO detection.

* Use los comandos de consola para ejecutar Yolo V3; el script de yolo_video.py
  contiene el código para ejecutar Yolo v3 para imágenes.
En consola ejecute cada linea para convertir los pesos y ejecutar un ejemplo de una imagen
wget https://pjreddie.com/media/files/yolov3.weights
python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5
python yolo_video.py [OPTIONS...] --image, for image detection mode, OR
python yolo_video.py [video_path] [output_path (optional)]

Para Tiny YOLOv3, se hace de manera similar, sólo es específicar la ruta del modelo y el anchor con --model model_file and --anchors anchor_file, respectivamente.

Uso

Use --help para ver el uso de yolo_video.py:

usage: yolo_video.py [-h] [--model MODEL] [--anchors ANCHORS]
                     [--classes CLASSES] [--gpu_num GPU_NUM] [--image]
                     [--input] [--output]

Argumentos posicionales:
  --input        Video input path
  --output       Video output path

Argumentos opcionales:
  -h, --help         muestra esto mensaje de ayuda y salir
  --model MODEL      Ruta de archivo con los pesos (weight) del modelo, default model_data/yolo_weights.h5
  --anchors ANCHORS  Ruta de los anchor definidos, default
                     model_data/yolo_anchors.txt
  --classes CLASSES  ruta de las class definitions, default
                     model_data/coco_classes.txt
  --gpu_num GPU_NUM  Número de GPU a usar, default 1
  --image            Modo Image detection, ignorará todos los argumentos poscisioneles.

---

4. MultiGPU uso: use --gpu_num N para usar N GPUs. Esto es pasado a Keras multi_gpu_model().

Training

1. Genere su propio archivo de clases como sigue: Una fila para cada imagen;
   Formato de la fila: ruta_image box1 box2 ... boxN;
   Formato de la caja: x_min,y_min,x_max,y_max,class_id (sin espacios).
   ##For VOC dataset, try python voc_annotation.py
   Aquí está un ejemplo:

   path/to/img1.jpg 50,100,150,200,0 30,50,200,120,3
   path/to/img2.jpg 120,300,250,600,2
   ...
   

2. Asegúrese que ejecutó python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5,pues en la carpeta model_data se genera el archivo de pesos convertido con nombre "yolo", por lo que se debe cambiar el nombre a "yolo_weights" con formato .h5, quedando en la ruta como model_data/yolo_weights.h5. ésto es para cargar los pesos preentrenados, así está en los scripts.

Algunas modificaciones realizadas para adaptar el modelo a nuestro objetivo de segmentar imágenes:

1. Se modifica los anchors con 9 opciones Ubicado en la carpeta model_data.
2. Se modefica las clases de la carpeta model_data con las 7 nuevas clases (mano,cabeza,pie,piernas,cuerpo,rostro,brazo).
3. Modificar a conveniencia el script train.py e inicie el entreno python train.py
   Use sus pesos entrenados con la opción de comando --model model_file cuando use yolo_video.py Recuerde modificar la ruta de la clase y el anchor con --classes class_file and --anchors anchor_file, respectivamente.

Modificaciones del script train.py

* La función model.fit_generator() tiene capas congeladas y se modifica los epoch con: epoch=1 y el initiial_epoch=0 (lineas 63 y         64), además de el tamaño del batch igual a 8 imágenes para evitar que se llene la memoria RAM; lo demás por defecto.
* La función model.fit_generator() [linea 83] descongela las capas congeladas y realiza un entrenamiento profundo:
  se modifica los epoch con: epoch=3 y el initiial_epoch=1 (lineas 82 y 83), esta función es para cuando no se tiene buenos        
  resultados, un entrenamiento profundo; lo demás del script queda igual, Default.

Si usted quiere usar los pesos (weights) preentrenados originales de YOLOv3, haga lo siguiente: 1. wget https://pjreddie.com/media/files/darknet53.conv.74
2. Renombre el archivo como darknet53.weights
3. python convert.py -w darknet53.cfg darknet53.weights model_data/darknet53_weights.h5
4. use model_data/darknet53_weights.h5 en train.py

---

A tener en cuenta.

1. El ambiente de prueba (test) es:

   • Python 3.5.2
   • Keras 2.1.5
   • tensorflow 1.6.0

2. Se usan los anchors por defecto. si se cambian los anchors, probablemente se necesiten algunos cambios.

3. Siempre cargue los pesos preentrenados y congele las capas en el primer stage del entrenamiento ó trate de entrenar Darknet.Esto es por si hay algún warning.

4. MultiGPU uso: --gpu_num N para usar N GPUs. Esto es pasado a Keras multi_gpu_model().

5. Para acelerar el proceso de entrenamiento con las capas congeladas se puede usar train_bottleneck.py, esto calculará las caracteristicas del bottleneck del primer modelo congelado y luego entrenará con las últimas capas. Esto hace que el entrenamiento en CPU tenga posiblemente un tiempo razonable. See this for more information on bottleneck features.