AlexeyAB/darknet Yolo v4, v3 and v2 for Windows - 학습 방법

아래의 게시글을 참고하여 수행하고 번역 후 요약해 보았다.

https://github.com/AlexeyAB/darknet#how-to-train-to-detect-your-custom-objects

GitHub - AlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Da

 

학습방법

 

1. 미리 학습된 가중치 yolov4.conv.137 파일(162 MB)을 다운 받는다. 

2. yolov4-custom.cfg 파일을 복사하여 yolo-obj.cfg 파일을 생성한 후, 아래의 내용을 변경한다. 
아래의 예시는 분류해야할 classes=3인 경우이다.

• batch=64
• subdivisions=16
• max_batches=6000 분류해야하 할 객체(object) 1개당 2000을 곱하면 된다. 
• steps=4800,5400 max_batches의 80%, 90%의 값으로 설정한다.
• network size는 width=416 height=416으로 설정하거나 32배수로 설정한다.
  : darknet/cfg/yolov3.cfg 파일의 경우, 8행 라인에 있다.
  
   
• classes=3 분류해야할 객체(object)의 수를 설정한다. 
  : darknet/cfg/yolov3.cfg 파일의 경우, 610, 696, 783행 라인에 있다.
   
   
• filters=24 filters의 값은 ( classes + 5 ) * 3의 값으로설정한다.
  : darknet/cfg/yolov3.cfg 파일의 경우,  603,  689,  776행  라인에  있다.
• [Gaussian_yolo] 레이어를 사용할 경우, filters=36 filters의 값은 ( classes + 5 ) * 3의 값으로설정한다.
  darknet/cfg/Gaussian_yolov3_BDD.cfg 파일의 경우, 604, 696, 789 행 라인에 있다.
  

 

3. "build\darknet\x64\data\" 경로의 obj.names에 분류할 객체의 이름을 설정한다.

person
bicycle
car

 

4."build\darknet\x64\data\" 경로의 obj.data에 분류할 객체의 수를 설정한다.

classes = 3
train  = data/train.txt
valid  = data/test.txt
names = data/obj.names
backup = backup/

 

5. 인식할 이미지 파일은 "build\darknet\x64\data\obj\" 경로에 저장한다.

6. 학습할 이미지의 datasets은 YOLO MARK를 이용하여 생성할 수 있다.
Yolo v2 & v3: https://github.com/AlexeyAB/Yolo_mark

GitHub - AlexeyAB/Yolo_mark: GUI for marking bounded boxes of objects in images for training neural network Yolo v3 and v2

YOLO MARK를 이용하여 이미지의 인식할 객체를 bounding box로 지정하면 아래의 형식으로 저장된다.

<object-class> <x_center> <y_center> <width> <height>

※ 주의: bounding box의 <x_center> <y_center> 좌표는 중심 좌표이다. (왼쪽 상단의 좌표가 아님)

1 0.716797 0.395833 0.216406 0.147222
0 0.687109 0.379167 0.255469 0.158333
1 0.420312 0.395833 0.140625 0.166667

 

7. convolutional layers로 미리 학습된 파일을 다운 받은 후, "build\darknet\x64" 경로에 저장한다.

• for yolov4.cfg, yolov4-custom.cfg (162 MB): yolov4.conv.137 (Google drive mirror yolov4.conv.137 )
• for yolov4-tiny.cfg, yolov4-tiny-3l.cfg, yolov4-tiny-custom.cfg (19 MB): yolov4-tiny.conv.29
• for csresnext50-panet-spp.cfg (133 MB): csresnext50-panet-spp.conv.112
• for yolov3.cfg, yolov3-spp.cfg (154 MB): darknet53.conv.74
• for yolov3-tiny-prn.cfg , yolov3-tiny.cfg (6 MB): yolov3-tiny.conv.11
• for enet-coco.cfg (EfficientNetB0-Yolov3) (14 MB): enetb0-coco.conv.132

8. 아래의 cmd 명령어를 이용하여 학습을 시작한다.

• : (Windows) darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137
• : (Linux) ./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137

 

끝.