[AI] Yolo v4를 이용한 강아지 인식 인공지능

728x90

2022.05.23.-2022.06.02.

본 프로젝트는 YOLO v4를 사용하여 강아지 데이터를 학습하여 강아지를 검출하는 프로젝트이다.

본 프로젝트는 yolo-mark를 사용하여 직접 라벨링 과정을 거쳐 학습 데이터 4000장,

테스트 데이터 1000장으로 데이터셋을 구축하였고 15000번의 학습을 진행하였다.

OS : Windows 10

CPU : Intel(R) Core(TM) i7-6700 CPU @ 3.40GHz 3.40 GHz

RAM : 16GB

GPU : RTX 2060

CUDA : 10.1

cuDnn : 7.6.4

opencv : 3.4.8

Visual Studio 2017

라벨링 도구 : Yolo-mark

학습 모델 : Yolo v4

CUDA와 cuDNN은 학습을 CPU가 아닌 GPU를 사용하여 실행하기 위한 프로그램이다.

Darknet Yolov4 프로젝트는 다음 주소에서 공유되는 오픈 소스를 다운 받는다.

https://github.com/AlexeyAB/darknet

이 후, darrknet에서 자신의 개발환경에 맞게 수정한다.

여기서 말하는 개발환경은 OpenCV와 CUDA, cuDNN에 대한 경로를 설정해주는 과정을 말한다.

여러 과정을 거치면 YOLO를 실행할 수 있는 세팅을 마칠 수 있다.

Yolo-mark를 이용하여 이미지에 객체를 인식시켜 학습 데이터를 만드는 방법은 다음과 같다.

img 폴더에는 우리가 학습시킬 이미지 4천장이 들어있는 파일이다.

다 학습과 트레이닝 데이터를 정의하는 data파일에 대해 설명한다.

obj.names는 classes의 종류가 담긴 네임파일이다.

우리가 검출할 classes의 이름은 dog로 설정한다.

classes : 비행기, 자동차, 강아지, 고양이 등을 감지할 데이터 종류의 수이다. 우리는 강아지를 검출하기 위해 classes의 값을 1로 작성하였다.

train : 학습할 이미지의 경로가 담긴 리스트 파일이다.

names : 클래스 이름이 들어있는 리스트 파일이다.

backup : 학습된 가중치 파일인 weights 파일이 저장되는 폴더이다.

yolo-mark.cmd를 실행하여 강아지 객체를 직접 라벨링하면 된다.

이렇게 라벨링하면 라벨링 좌표가 txt 파일에 작성이 되어 저장된다.

dog1.txt 에 들어있는 내용이 강아지 객체를 라벨링한 좌표값에 대한 내용이다.

//첫 학습
darknet.exe detector train data\obj.data testcfg\yolov4-custom.cfg data\yolov4.conv.137 -gpu 0 
//이어서 학습
darknet.exe detector train data\obj.data testcfg\yolov4-custom.cfg backup\yolov4-custom_2000.weights -gpu 0 
//테스트
darknet.exe detector test data\obj.data testcfg\yolov4-custom.cfg backup\yolov4-custom_final.weights -i 0 data\testimg\dog.4001.jpg
//성능확인
darknet.exe detector map data\obj.data testcfg\yolov4-custom.cfg backup\yolov4-custom_final.weights

다음 명령어들은 YOLO를 학습시키기 위한 내용이다.

학습에 필요한 파일은 obj.data, yolov4-custom.cfg, 다크넷인 yolov4.conv.137 가 필요하다.

우리는 총 4천장의 데이터를 15000번 학습을 진행시켰고,

가중치 파일인 .weights파일은 1000장 단위로 저장되게 했다.