Différences

Ci-dessous, les différences entre deux révisions de la page.

--- yolo_avec_mes_propres_images [2019/04/09 11:24] – serge
+++ yolo_avec_mes_propres_images [2020/10/05 10:39] – ↷ Liens modifiés en raison d'un déplacement. serge
@@ Ligne 4: / Ligne 4: @@
 </WRAP>
-{{ chappe.jpeg?400 }}
+<WRAP center round box 60% centeralign>
+C'est quoi un sémaphore ?
+{{ youtube>F3sY6_fOx2I?medium }}
+{{ media_05:chappe.jpeg?400 }}
+//**[[:computer_vision_and_pattern_recognition_segmentation_d_image#mask_r-cnn_vs_yolo_vs_deeplab_xception|MASK R-CNN vs YOLO vs Deeplab Xception]]**//\\
+</WRAP>
-Cette page teste **YOLO** de [[computer_vision_and_pattern_recognition_segmentation_d_image#mask_r-cnn_vs_yolo_vs_deeplab_xception|MASK R-CNN vs YOLO vs Deeplab Xception]]
 =====Création du set d'apprentissage=====
-Nos images sont des images du **[[jeu_du_semaphore_dans_le_blender_game_engine|sémaphore]]**
+Nos images sont des images du **[[:jeu_du_semaphore_dans_le_blender_game_engine|sémaphore]]**
-Nous allons créer 27 classes des 27 lettres possibles.
 ====Les sources sur GitHub====
-  * **[[https://github.com/sergeLabo/mon_semaphore|mon sémaphore]]**
+  * **[[https://github.com/sergeLabo/semaphore_cv_yolo|semaphore_cv_yolo]]**
 ====Création de 27 images pour 27 classes d'objets avec un canal alpha=====
-Avec Blender et par un homo-sapiens
+  * Avec Blender et par un homo-sapiens
+  * Taille 320x320
-Taille 320x320
+  * Images en violet sur alpha, avec un sémaphore qui occupe toute l'image.
-Images en violet sur alpha, avec un sémaphore qui occupe toute l'image.
 Exemple pour le a:
-{{ :2019_03:a_violet.png?200 |a}}
+{{ media_01:a_violet.png?200 |a}}
 Les images sorties de Blender n'ont pas de canal alpha: passage dans Gimp pour faire un couleur (blanc) vers alpha. Il ne doit donc pas y avoir de blanc (ou de gris) dans la couleur du sémaphore !
@@ Ligne 28: / Ligne 31: @@
 Puis les images sont retaillées pour contenir au plus près les sémaphores.
-====50 000 images 640x640 créées avec OpenCV====
+====60 000 images 640x640 créées avec OpenCV====
+===Images===
-En insérant une des images ci-dessus sur un shot d'une video, avec variation taille position couleur flou du sémaphore,
+En insérant une des images ci-dessus sur un shot d'une video, avec variation taille position couleur flou du sémaphore.Une image:
+{{ media_01:shot_0_a.jpg?400 |}}
-et en créant un fichier image.txt pour chaque image.png dans le même dossier, exemple:
+===Fichier txt localisant le ou les objets dans l'image===
+Créer un fichier image.txt pour chaque image.png dans le même dossier, exemple:
   shot_680_n.txt pour shot_680_n.png
 Pour chaque fichier *.txt
@@ Ligne 50: / Ligne 54: @@
 0,40625 0,43752 0,625 0,625
-=====Fichier de la liste des images avec leur chemin, train.txt et test.txt=====
-Une solution avec:
-  **[[https://github.com/sergeLabo/semaphore_cv_yolo/blob/master/get_opencv_shot/create_train_test_txt.py|create_train_test_txt.py]]**
-Il faut adapter current_dir à votre cas, c'est le dossier où sont toutes les images, avec ou sans sous-dossiers (avec 60000 images, donc 120000 fichiers, il faut avoir des sous-dossiers).
-Et installer [[pymultilame|Python: pymultilame]]
-===Exemple===
-{{ :2019_04:shot_0_a.jpg?400 |}}
@@ Ligne 64: / Ligne 62: @@
   * **[[yolo_darknet_sur_un_portable_optimus|Yolo Darknet sur un portable Optimus]]**
-{{tag> ia sb semaphore }}
+{{tag> ia sb semaphore yolo_darknet }}