Différences

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

--- yolo_avec_mes_propres_images [2019/03/20 16:29] – [Création de 27 images pour 27 classes d'objets avec un canal alpha] serge
+++ yolo_avec_mes_propres_images [2020/12/27 15:08] (Version actuelle) – serge
@@ Ligne 1: / Ligne 1: @@
-====== YOLO with my own dataset ======
+====== Yolo Darknet Préparation de mes propres images ======
-<WRAP center round box 80% centeralign>
+<WRAP center round box 60% centeralign>
-**{{tagpage>semaphore|Sémaphores}}**  ....  **{{tagpage>bge|Blender Game Engine}}** ....  **{{tagpage>ia|Intelligence Artificielle}}**
+**{{tagpage>ia|Intelligence Artificielle}}**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Fyolo_avec_mes_propres_images|English Version]]**
+</WRAP>
+<WRAP center round box 60% centeralign>
+**[[les_pages_intelligence_artificielle_en_details|Les Pages Intelligence Artificielle en détails]]**
 </WRAP>
-<WRAP center round box 80% centeralign>
+<WRAP center round box 60% centeralign>
-**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]]**
+**{{tagpage>semaphore|Sémaphores}}**  ....  **{{tagpage>bge|Blender Game Engine}}**
 </WRAP>
+<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>
 =====Création du set d'apprentissage=====
+Nos images sont des images du **[[:jeu_du_semaphore_dans_le_blender_game_engine|sémaphore]]**
 ====Les sources sur GitHub====
+  * **[[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 40x40
+  * 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 !
 Puis les images sont retaillées pour contenir au plus près les sémaphores.
-====70.000 images créées avec OpenCV====
+====60 000 images 640x640 créées avec OpenCV====
-Images: 1024x1024
+===Images===
+En insérant une des images ci-dessus sur un shot d'une video, avec variation taille position couleur flou du sémaphore.Une image:
-En insérant une des images ci-dessus sur un shot d'une video, avec variation taille position flou du sémaphore,
+{{ media_01:shot_0_a.jpg?400 |}}
+===Fichier txt localisant le ou les objets dans l'image===
-et en créant un fichier image.txt pour chaque image.png dans le même dossier, exemple:
+Créer un fichier image.txt pour chaque image.png dans le même dossier, exemple:
-  shot_68000_n.txt pour shot_68000_n.png
+  shot_680_n.txt pour shot_680_n.png
 Pour chaque fichier *.txt
   <object-class> <x> <y> <width> <height>
@@ Ligne 43: / Ligne 61: @@
 0,40625 0,43752 0,625 0,625
-=====Fichier de la liste des images avec leur chemin, training et test=====
-===Installation de pymultilame===
-======
-  * **[[https://medium.com/@manivannan_data/how-to-train-yolov2-to-detect-custom-objects-9010df784f36|Détection avec YOLO v2]]** Ce tuto parle d'un script python: process.py
-Je l'ai amélioré et renommer create_train_test_txt.py
-Il faut adapter current_dir à votre cas, c'est le dossier où sont toutes les images, sans sous-dossiers.
-<file python create_train_test_txt.py>
-#!/usr/bin/env python3
-# -*- coding: UTF-8 -*-
-# Installation de pymultilame
-# sudo pip3 install -e git+https://github.com/sergeLabo/pymultilame.git#egg=pymultilame
-from pymultilame import MyTools
-mt = MyTools()
-# Dossier des images et txt, à adapter à votre cas
-current_dir = '/media/data/3D/projets/mon_semaphore/mon_semaphore/shot'
-# liste de toutes les images
-files = mt.get_all_files_list(current_dir, '.jpg')
-test_percentage = 10
-index_test = int(len(files)/test_percentage)
-counter = 0
-test, train = "", ""
-for f in files:
-    if counter < index_test:
-        test += f + "\n"
-    else:
-        train += f + "\n"
-    counter += 1
-# Ecriture dans les fichiers
-mt.write_data_in_file(test, "test.txt", "w")
-mt.write_data_in_file(train, "train.txt", "w")
-print("Done.")
-</file>
-===Exemple===
-{{ :2019_03:yolo_0_a.png?400 |}}
-=====YOLO Darknet avec mes propres images=====
-Nos images sont des images du **[[jeu_du_semaphore_dans_le_blender_game_engine|sémaphore]]**
-Nous allons créer 27 classes des 27 lettres possibles.
-====Quel YOLO ?====
-  * **[[https://pjreddie.com/darknet/|Le projet YOLO]]**
-  * **[[https://github.com/pjreddie/darknet|pjreddie/darknet]]** les sources de YOLO darknet
-  * **[[https://github.com/AlexeyAB/darknet|AlexeyAB/darknet forked from pjreddie/darknet]]** pour linux et avec un readme très riche
-  * **[[https://medium.com/@manivannan_data/how-to-train-yolov3-to-detect-custom-objects-ccbcafeb13d2|Détection avec YOLO v3]]**
-  * **[[https://medium.com/@manivannan_data/how-to-train-yolov2-to-detect-custom-objects-9010df784f36|Détection avec YOLO v2]]** pour construire le dataset. L'auteur colle son logo dans des images du monde réel.
-====Implementations possibles====
-  * **[[https://pjreddie.com/darknet/|Darknet]]** Implémentation "officielle"
-  * **[[https://github.com/AlexeyAB/darknet|AlexeyAB/darknet]]** Fork du précédent, bien pour sa doc
-  * **[[https://github.com/thtrieu/darkflow/|Darkflow]]** Mal documenté !!
-=====Implémentations de AlexeyAB/darknet=====
-Avec les images, les fichiers test.txt et train.txt, nous passons sur **YOLO**, avec ou sans GPU.
-  * **[[yolo_v3_sur_un_portable_optimus|Mon YOLO pour un Prix Nobel]] sur portable Optimus**
-  * **[[yolo_sans_carte_graphique|YOLO sans carte graphique]] Tous les calculs se font sur le GPU**, un certain temps de 1 jour pour 900 images 416x416 !!
-===== DARKFLOW Perdu marche pas et mal expliqué =====
-==== Avec ou sans GPU====
-  * **[[https://medium.com/@monocasero/object-detection-with-yolo-implementations-and-how-to-use-them-5da928356035|Détection d'objet avec YOLO]]** implémentations et comment les utiliser avec ses propres données: [[https://github.com/thtrieu/darkflow/|darkflow sur GitHub]]
-====Dépendances====
-Sur debian 10 buster
-Requis:
-  * python 3.7
-  * tensorflow 1.0
-  * opencv 3
-  sudo pip3 install tensorflow
-  sudo pip3 install numpy
-  sudo pip3 install opencv
-  sudo pip3 install  pytest
-Version:
-  * tensorflow 1.13.1
-  * opencv 4.0.0
-====Bazar ====
+=====Les étapes suivantes=====
-  * Chemins relatifs depuis le dossier root des sources
+  * **[[yolo_sans_carte_graphique|Yolo Darknet sans carte graphique]]**
-  * Dans le fichier flow, corriger python en python3
+  * **[[yolo_darknet_sur_un_portable_optimus|Yolo Darknet sur un portable Optimus]]**
-    * #! /usr/bin/env python3
-  * Les labels doivent être dans un format "annotation" !!
-  * **Pour la suite, rien n'est bien expliqué !!**
-  * structure des dossiers, des fichiers ...
-{{tag> ia sb semaphore }}
+{{tag> ia sb semaphore yolo_darknet }}