KT AIVLE(KT 에이블스쿨) 5기 DX트랙_ 딥러닝 심화_시각지능

Object Detection

: Classification + Localization(위치 정보)  

: Multi-Labeled Classification + Bounding Box Regression

- 여러 개의 Object들의 위치를 Bounding Box로 지정하여 찾음

 

[ 주요개념 ]

1) Bounding Box(위치 정보)

- 하나의 Object가 있는 최소 크기 박스 

- Ground-Truth Bounding Box / Predicted Bounding Box

 

2) Classification(분류) 

- 데이터를 미리 정의된 여러 범주로 분류하는 것 
- 지도학습의 일부로서 모델은 레이블이 지정된 학습 데이터를 통해 학습됨 

 

3) Confidence Score

- Bounding Box 안에 정말 Object가 있는지 확신의 정도 

- Ground-Truth Bounding Box의 Confidence Score = 1

- Predicted Bounding Box의 Confidence Score = 0 ~ 1

   => 1에 가까울수록 Object가 있다!

   => 0에 가까울수록 Object가 없다!

 

4) IoU (Intersection over Union)

- 교집합 / 합집합 = 0 ~ 1

- 두 박스가 겹치는 정도

- 두 박스의 중복 영역 크기를 통해 측정 -> 겹치는 영역이 넓을수록 좋은 예측

   => 0 ~ 1 사이의 값

   => 값이 클수록 좋은 예측! 

 

5) NMS (Non-Maximum Suppression)

- 동일 Object에 대한 중복된 예측 박스 제거

- 특정 Object라고 예측한 Bounding Box의 중복을 제거함 

 

6) Precision, Recall, AP, mAP 

Accuracy		Predicted
		Positive	Negative
Actual	Positive	TP	FN
	Negative	FP	TN

- Precision : TP / (TP + FP) : 모델이 Object라 예측한 것 중 실제 Object의 비율

- Recall : TP / (TP + FN) : 실제 Object 중 모델이 예측하여 맞춘 Object의 비율

- Average Precision (AP): Precision - Recall Curve (그래프 아래의 면적)

- mean Average Precision (mAP): 각 클래스별 AP를 합산하여 평균을 낸 것 

* Precision - Recall Curve : Curve 아래 영역 -> Average Precision  (mean AP 평가지표)

 

7) Annotation 

- 정답 Bounding Box에 대한 정보! 

- 이미지 내 Detection 정보를 별도의 설명 파일로 제공되는 것

- Object의 Bounding Box 위치나 Object 이름 등을 특정 포맷으로 제공

=> YOLO에서 txt 파일   ex) 한고은.png, 한고은.txt 

 

UltraLytics : YOLO v8

- 데이터셋 

  1) train set - images: 이미지 파일 

                     - labels: txt 파일 (클래스 정보와 위치 정보) 

  2) valid set - images

                      - labels 

=> (데이터셋의 경로, 클래스의 수, 클래스명) -> YAML(학습시킬 때 사용)  

# 라이브러리 설치 
!pip install ultralytics

# 라이브러리 불러오기
from ultralytics import YOLO

# 모델 선언: 모델 구조 및 가중치 설정
model = YOLO()

# 모델 학습: 학습에 관련된 설정 가능
model.train()

# 모델 검증: 학습된 모델 성능을 검증
# model.val() # 생략 가능 

# 예측값 생성: 데이터의 예측 결과 생성
model.predict(save=True, save_txt=True)

 

- 의미: class, x, y, width, height

 

Roboflow : Computer Vision 

-> 다른 사람이 만들어 놓은 데이터셋을 끌어다 사용해보기

-> 나만의 데이터셋을 만들어 사용해보기  (직접: 이미지 수집 + Annotation) 

 

[ 모델 구조에 사전 학습 가중치도 가져와서 사용해보기 ] 

# 모델 구조 및 사전 학습 가중치 선택하기
model_transfer = YOLO(model='yolov8n.pt', task='detect')

# 모델 학습하기
model_transfer.train(model='/content/yolov8n.pt',
                    data='/content/futbol-players-7/data.yaml',
                    epochs=1,
                    patience=5,
                    seed=2024,
                    pretrained=True,
                    )

# 예측해보기 
model_transfer.predict(source=image_path, save=True,
                       conf=0.1,
                       iou=0.9
                       )

 

+) 관련 책 & 강의 추천

- 비전 시스템을 위한 딥러닝

- 밑바닥부터 시작하는 딥러닝 

- 모두를 위한 인공지능 (인프런)