Différences

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

--- yolo_avec_mes_propres_images [2019/04/09 13:52] – [50 000 images 640x640 créées avec OpenCV] serge
+++ yolo_avec_mes_propres_images [2020/12/27 15:08] (Version actuelle) – serge
@@ Ligne 1: / Ligne 1: @@
 ====== 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>
-{{ chappe.jpeg?400 }}
+<WRAP center round box 60% centeralign>
+**{{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>
-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]]**
 ====Les sources sur GitHub====
   * **[[https://github.com/sergeLabo/semaphore_cv_yolo|semaphore_cv_yolo]]**
@@ Ligne 18: / Ligne 32: @@
 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 24: / Ligne 38: @@
 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,et en créant un fichier image.txt pour chaque image.png dans le même dossier, exemple:
+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 |}}
+===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 44: / Ligne 61: @@
 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]]
-Une image:
-{{ :2019_04:shot_0_a.jpg?400 |}}
@@ Ligne 59: / Ligne 69: @@
   * **[[yolo_darknet_sur_un_portable_optimus|Yolo Darknet sur un portable Optimus]]**
-{{tag> ia sb semaphore yolo_darknet}}
+{{tag> ia sb semaphore yolo_darknet }}