728x90
반응형
YOLO 객체탐지 네트워크
📍 YOLO(You Only Look Once)
- '욜로'라고 칭한다.
- 한개의 네트워크(계층, 모델 같은 의미로 칭함)에서 객체(물체, 사물)을 탐지
- 탐지된 객체의 영역(바운딩 박스-사각형)과 객체의 이름(사람, 고양이...)을 표시해 주는 기능을 수행함
- 객체 탐지 기술이라고 해서 "Object Detection"이라고 언어 소통이 된다.
📍 객체탐지
- 객체탐지는 컴퓨터 비전 기술의 세부 분야 중 하나로
- 주어진 이미지 또는 영상 내에 사용자가 관심있는 객체를 탐지하는 기술을 의미함
- 객체탐지 모델을 만들기에 앞서 바운딩 박스를 만드는 것이 우선시 되어야 함
- 바운딩 박스란? 사각형의 시작 좌표(x1, y1), 종료 좌표(x2, y2)로 표현되는 타겟 위치(객체 위치)를 사각형으로 표현한 것을 의미함
📍 YOLO 원리
- 이미지를 입력으로 받음(이미지파일 또는 카메라에서 들어오는 영상)
- 이미지파일, 영상파일 등을 이용해서 numpy의 배열(array)로 데이터 생성이 가능하다면 처리가능
- 이미지를 내부를 격자(그리드)로 세분화해서 예측하는 구조를 가짐
- 예측된 부분은 바운딩박스로 그려줌
- 이미 훈련된 모델을 사용할 수 있기 때문에 별도의 훈련모델을 생성하지 않아도 됨
- (경우에 따라, 별도의 객체 인지를 위해 재훈련하여 사용하는 경우도 있음)
📍 YOLO 사용법
- Yolo를 사용하기 위해서는 YOLO 기반의 딥러닝 프레임워크가 필요함
📍 YOLO 기반의 딥러닝 프레임워크 종류
💡 DarkNet 프레임워크
- Yolo 개발자가 만든 프레임워크
- 장점 : 객체 탐지 속도가 빠름, GPU 또는 CPU와 함께 사용 가능
- 단점 : 리눅스 운영체제(os)에서 안정적으로 작동됨
: GPU와 CPU 동시 사용 시에 속도가 빠름
💡 Darkflow 프레임워크
- DarkNet 프레임워크를 Tensorflow에 적용한 것
- 장점 : DarkNet과 동일
: 리눅스, 윈도우, 맥과 호환가능
- 단점 : 설치가 매우 복잡함
💡 OpenCV 프레임워크
- 주로 사전 개발테스트 시에 많이 사용되는 프레임워크
- 장점 : 설치가 간단하며 리눅스, 윈도우, 맥과 호환가능
- 단점 : CPU에서만 작동함
: 실시간 영상 처리시에 속도가 다소 느릴 수 있음
YOLO 모델 및 환경파일 다운로드 및 설정
0. 파일관리 폴더 생성
- ./yolo/config
1. YOLO 가중치(weights)파일 다운로드 받기
- https://pjreddie.com/media/files/yolov3.weights
- https://pjreddie.com/media/files/yolov2.tiny.weights
- config 폴더 안에 다운받은 2개의 파일 위치 시키기
2. YOLO 환경설정 파일 다운받기
- https://github.com/pjreddie/darknet 접속 후 Code [다운로드] > darknet-master.zip
- cfg 폴더 안에 → "yolov3.cgf", "yolov2-tiny.cgf" 2개 파일을 config 폴더 안에 위치 시키기
- data 폴더 안에 → "coco.names" 1개 파일을 config 폴더 안에 위치 시키기
🔎 coco.names
> YOLO가 인지할수 있는 객체들
> 종속변수, 라벨링 데이터
🔎 yolov3.cfg
> 욜로가 정의한 모델 이름
> 모델 설정 환경 파일
※ .cfg : 모델 훈련 / 검증을 위한 환경 설정 파일
3. 테스트 데이터 다운로드 하기(자동차 데이터셋 사용)
- https://www.kaggle.com/sshikamaru/car-object-detection
- 오른쪽 상단 [다운로드] 클릭 > archive.zip 다운로드 완료 > 압축풀기
- 다운로드 폴더 내에 "data" 폴더를 사용
- data 폴더 이름을 cardataset으로 변경후 yolo/ 폴더 밑으로 위치 시키기
4. OpenCV 프레임워크 설치하기
- 가상환경 활성화 > pip install opencv-python
사용할 라이브러리
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
''' OpenCV 프레임워크 라이브러리 '''
import cv2
자동차 데이터셋에서 바운딩 박스 정보 읽어들이기
'''
자동차 이미지별 > 바운딩박스 정보 데이터 읽어들이기
- 변수명 : box
- 사용데이터파일 : train_solution_bounding_boxes (1).csv
'''
box = pd.read_csv('./yolo/cardataset/train_solution_bounding_boxes (1).csv')
box
자동차 이미지에 바운딩박스 표시하기(Object Detection)
- 샘플 자동차 이미지 1개 가지고 오기
- imread() : 이미지 파일을 읽어들이는 함수
- 반환값은 이미지 데이터(3차원 이미지 픽셀 데이터)
- .shape시 나오는 결과값 > 높이, 너비, 채널(흑백은 0, 컬러는 3(RGB 또는 BGR))
sample1 = cv2.imread('./yolo/cardataset/training_images/vid_4_1000.jpg') print(sample1.shape) sample1
- 색상 채널 순서 정의하기
- Yolo에서는 현대 색상순서를 RGB를 사용함
- 저장된 이미지 데이터의 순서는 BGR을 사용하고 있음
- 색상순서를 RGB로 바꾸는 작업이 필요함
sample = cv2.cvtColor(sample1, cv2.COLOR_BGR2RGB) sample - 사용하는 이미지 파일이름에 해당하는 바운딩박스의 xy 좌표값 추출하기
- vid_4_1000.jpg 이미지 파일이름은 0번째 인덱스에 있음
- 0번째 인덱스의 모든 컬럼값 추출하기
point = box.iloc[0] point, type(point)
- 시작 좌표(xmin, ymin)와 종료 좌표(xmax, ymax) 추출하기
- 시작 좌표 변수 : pt1 = (xmin, ymin)
- 종료 좌표 변수 : pt2 = (xmax, ymax)
- 시작과 종료 좌표는 튜플 타입으로 생성
- 각 포인트 값은 정수 타입으로 변환
pt1 = (int(point["xmin"]), int(point["ymin"])) pt2 = (int(point["xmax"]), int(point["ymax"])) pt1, type(pt1), pt2, type(pt2)
이미지 보이기
- 이미지 픽셀 데이터를 이미지로 보이기
- 이미지 픽셀 데이터의 차원은 3차원
plt.imshow(sample)
- 자동차 좌표값을 이용해서 이미지에 바운딩박스 그리기
- rectangle() : 사각형(바운딩박스는 사각형으로 표시하기 위해)을 그리는 함수
- sample : 원본 이미지 데이터
- pt1 : 박스의 시작점 좌표
- pt2 : 박스의 종료 좌표
- color : 박스 선의 색
- thickness : 박스 선의 굵기 지정
cv2.rectangle(sample, pt1, pt2, color=(255, 0, 0), thickness=2) ''' 이미지에 바운딩박스를 그리고 잘 보이는지 다시 imshow() 하기 ''' plt.imshow(sample)
기존의 그림에 바운딩박스라는 하나의 그림이 더 그려진 것
- 이미지 파일(vid_4_10000.jpg)에 대한 바운딩 박스 그려보기
''' 이미지 불러오기 ''' sample2 = cv2.imread('./yolo/cardataset/training_images/vid_4_10000.jpg') ''' RGB 순서로 변경하기 ''' sample = cv2.cvtColor(sample2, cv2.COLOR_BGR2RGB) ''' 해당 이미지 파일에 대한 좌표값 추출하기 ''' point = box.iloc[1] ''' 시작좌표 종료좌표 생성하기 ''' pt1 = (int(point["xmin"]), int(point["ymin"])) pt2 = (int(point["xmax"]), int(point["ymax"])) ''' 원본 이미지에 바운딩 박스 그리기 ''' cv2.rectangle(sample, pt1, pt2, color=(255, 0, 0), thickness=2) ''' 이미지에 바운딩박스를 그리고 잘 보이는지 다시 imshow() 하기 ''' plt.imshow(sample)
YOLO에서 제공된 가중치 모델을 이용해서 객체(자동차) Detection하기
📍 사용되는 파일
- yolov3.weignts : 이미 훈련된 모델의 가중치 데이터 파일
- yolov3.cfg : yolo 모델 매개변수 설정 파일
- coco.names : 인식(감지)된 객체의 레이블 명칭(이름)이 저장된 파일
- 가중체 데이터 및 환경설정 파일 읽어들이기
- DNN(심층신경망) 모델을 사용하여 모델 셋팅하기
- 첫번째 인자 : 가중치 파일
- 두번째 인자 : 모델 설정 파일
net = cv2.dnn.readNet("./yolo/config/yolov3.weights", "./yolo/config/yolov3.cfg") net
- 레이블 명칭(이름) 데이터 읽어들이기
- 인식한 객체에 대한 이름을 표시하기 위함
''' 저장할 변수 정의 ''' classes = [] # open() : 파일 열기 # - 모드 : r 읽기모드, w 쓰기모드, b 바이너리 # as(별칭) f에는 열려있는 파일 정보가 담겨있음 with open("./yolo/config/coco.names", "r") as f : # strip() : 왼쪽 오른쪽 공백제거 # readlines() : 파일 내에 문장들을 행단위로 모두 읽어들이기 classes = [line.strip() for line in f.readlines()] classes
- YOLO가 사용하는 계층 구조 확인하기
- 우리가 사용했던 summary()함수의 기능과 유사
net.getLayerNames()
- YOLO에서 사용하는 출력계층 확인하기
- YOLO는 객체 검출을 위해서 여러 개의 출력 계층을 사용하고 있음
- 객체 탐지 시에 출력계층에서 출력해준 값들을 이용해서 사용
> 바운딩 박스의 좌표값, 객체 인지 정확도, 인지된 객체의 레이블 명칭(이름) 등의 출력을 담당함
- net.getUnconnectedOutLayers()
: 출력계층 추출함수로 출력계층의 인덱스 위치를 반환해줌
: 다음 계층과 연결되지 않은(UnConnect) 마지막 계층(OutLayer)을 추출하는 함수
- layer_names[i-1]
: -1을 한 이유? 반환값의 인덱스 순서는 1부터 시작된 인덱스 값이다. 따라서 1을 빼주면 됨
output_layer = [layer_names[i-1] for i in net.getUnconnectedOutLayers()] print(net.getUnconnectedOutLayers()) output_layer
- 샘플 이미지 데이터 가져오기
img = cv2.imread("./yolo/cardataset/training_images/vid_4_10000.jpg") img - BRG를 RGB로 변환하기
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img - 바운딩박스의 시작좌표와 종료좌표값을 계산할 때 사용할 높이와 너비 추출
- yolo 출력계층에서 예측한 좌표값은 객체의 중심점 좌표에 대한 비율값을 추출함
- 비율에 실제 높이와 너비를 이용해서 예측된 중심점 좌표와 계산하여 바운딩박스의 시작좌표와 종료좌표를 정의해야 함
height, width, channel = img.shape height, width, channel
YOLO모델이 이미지 데이터를 처리하기 위한 Blob 형태의 데이터로 구조화하기
📍 Blob(Binary Large Object)
- Blob는 이미지 처리 및 딥러닝에서 사용되는 데이터 구조임
- 이미지나 동영상에서 추출된 특정 부분이나 물체를 나타내기 위한 데이터 구조형태로 되어 있음
- 주로 딥러닝 모델에 이미지를 전달하거나 이미지 프로세싱 작업에서 특정 부분을 추출하여 처리하는 데 사용되는 구조임
(객체 탐지용 데이터 구조라고 이해하면 된다)
- Yolo 모델에서 사용되는 데이터 구조가 Blob 구조를 따름
> 사용할 이미지를 Blob 데이터 구조로 변환한 후에 Yolo 네트워크(모델)에 전달하여 객체를 검출하게 됨
- Blob 데이터 구조에 포함될(된) 수 있는 값들
> 이미지 데이터 : 이미지 또는 영상 프레임(이미지)에서 추출된 특졍 영역에 대한 이미지 데이터
> 채널 정보 : 컬러 이미지인 경우 RGB 또는 BGR과 같은 컬러 정보
> 공간 차원 정보 : 높이와 너비
> 픽셀 값 범위 : 0 ~ 255까지의 값을 갖는 흑백 이미지 데이터 또는 -1 ~ 1 or 0 ~ 1 사이의 정규화 된 이미지 값
- Yolo 모델(네트워크)에서는 이미지 데이터를 바로 사용할 수 없음
> 먼저 이미지를 Blob 데이터 형태로 변환해야 함
> Blob 데이터를 통해 Yolo가 예측할 수 있도록 이미지에서 특징을 찾아내고 크기를 저장하는 작업을 수행함
> 이미지 크기 저장을 이미지 크기 정규화라고 함
→ 이미지 크기 정규화 : 사용되는 높이와 너비의 이미지 사이즈를 통일 시키는 작업
- Yolo에서 사용되는 이미지 크기
> 320 x 320 : 이미지가 작고 정확도는 떨어지지만 속도가 빠름
> 609 x 609 : 이미지가 크고 정확도는 높지만 속도가 느림
> 416 x 416 : 이미지 중간크기, 정확도와 속도가 적당함 (주로 사용되는 크기임)
- 원본 이미지 데이터를 Blob로 변환하면서, 동시에 정규화(사이즈 통일) 하기
- 사용 함수 :cv2.dnn.blobFromImage()
- 4차원으로 반환됨
- img : 원본 이미지 데이터
- 1/256 : 픽셀값에서 256으로 나누어서 데이터 정규화 진행
: 0 ~ 1 사이의 값으로 정규화
- (416, 416) : 높이와 너비의 사이즈를 통일시키는 정규화 진행
- (0, 0, 0) : 원본 이미지와 채널 값을 그레이 색으로 변환하기
- swapRB : RGB에서 R값과 B값을 바꿀 것인지 결정(기본값 False)
: True인 경우 BRG를 RGB로 변경
- crop : 크기를 조정한 후에 이미지를 자를지 여부 결정
: 일반적으로 자르면 안되기에 False 지정(기본값 False)
: 크기가 변경된 사이즈로 이미지를 변환해서 사용할지, 아니면 변경 사이즈 부분을 제외하고 자를지 결정
blob = cv2.dnn.blobFromImage( img, 1/256, (416, 416), (0, 0, 0), swapRB = True, crop = False ) blob.shape
Yolo 모델에 데이터 넣어주기(입력계층에 들어가게 됨)
''' Yolo 모델에 입력 데이터로 넣어주기 '''
net.setInput(blob)
Yolo 모델의 출력계층을 이용해서 결과 받아오기
- 입력데이터를 이용해서 예측된 출력결과 받아오기
- net.forward() : Yolo 모델이 이미지 내에 있는 객체를 인식하여 정보를 출력해준다
: 이때, 출력계층의 이름을 넣어서, 해당 출력계층의 값이 반환되게 된다.
outs = net.forward(output_layer # outs ''' array 배열의 3개 데이터를 튜플형태로 반환함 - 각 튜플은 출력계층 3개가 출력해준 값들임 ''' len(outs)
인식된 객체(물체) 좌표, 레이블명칭(이름), 정확도 확인하기
''' 인식된 객체(물체)의 인덱스 번호를 담을 변수 '''
class_ids = []
''' 인식된 객체의 인식률(정확도)를 담을 변수 '''
confidences = []
''' 인식된 객체의 좌표값을 담을 변수 '''
boxes = []
''' 출력계층이 반환한 값들을 처리하기 위하여 반복문 사용 '''
for out in outs :
# print(out)
''' 인식된 객체에 대한 정보가 담겨 있음 '''
for detection in out :
'''
- 0번 인덱스 값 : 인식된 객체(바운딩박스)의 x 중심좌표 비율값
- 1번 인덱스 값 : 인식된 객체(바운딩박스)의 y 중심좌표 비율값
- 2번 인덱스 값 : 바운딩 박스의 너비 비율값
- 3번 인덱스 값 : 바운딩 박스의 높이 비율값
- 4번 인덱스 값 : 물체 인식률
- 5번 인덱스부터 전체 : 바운딩 박스에 대한 클래스(레이블 명칭(이름)) 확률 값들
> 5번 이후의 갯수는 레이블의 갯수(클래스 수)만큼
> 레이블 이름은 실제 레이블의 값들과 비교하여 가장 높은 값을 가지는 인덱스의 값을 이용하여 실제 레이블 이름을 추출함
'''
# print(detection)
''' 인식된 객체에 대한 정보 추출하기(클래스=레이어 명칭) 확률 정보 '''
scores = detection[5:]
# print(len(scores),scores)
'''
scores 값이 가장 큰 인덱스번호 찾기
- 0은 인식 못했다는 의미
- 레이블 명칭(이름)이 있는 리스트 배열의 인덱스 값을 의미함
- 가장 큰 인덱스 값 : 레이블 명칭(이름)이 있는 리스트 배열의 인덱스 값을 의미함
'''
class_id = np.argmax(scores)
# print(class_id)
''' score 값이 가장 큰 위치의 인덱스 번호에 해당하는 값은 인식률(정확도를 의미) '''
confidence = scores[class_id]
# print(confidence)
''' 정확도(인식률, 탐지율) 50% 이상인 데이터에 대해서 처리하기 '''
if confidence > 0.5 :
# print(f"scores : {scores}")
# print(f"class_id : {class_id}")
# print(f"confidence : {confidence}")
''' 바운딩 박스의 상대적 중심 x, y좌표 비율 추출하여 실제 중심점 길이 좌표(절대 좌표)로 변환하기 '''
''' 실제 중심점 x좌표 '''
center_x = int(detection[0] * width)
''' 실제 중심점 y좌표 '''
center_y = int(detection[1] * height)
print(center_x, center_y)
''' 바운딩 박스의 상대적 너비와 높이 비율 추출하기 '''
''' 실제 너비로 변환 '''
w = int(detection[2] * width)
''' 실제 높이로 변환 '''
h = int(detection[3] * height)
print(w, h)
''' 시작점 좌표 계산하기 '''
x = int(center_x - w / 2)
y = int(center_y - h / 2)
print(x, y)
'''
- 이미지 좌표계는 좌상단이 0, 0
- 그래프 좌표계는 좌하단이 0, 0
'''
''' 실제 x, y, 너비, 높이 담기 '''
boxes.append([x, y, w, h])
''' 객체 인식률(정확도) 실수형 타입으로 담기 '''
confidences.append(float(confidence))
''' 레이블 명칭(이름) 인덱스 담기 '''
class_ids.append(class_id)
print(boxes)
print(confidences)
print(class_ids)
중복된 바운딩박스 제거하기
- 인식된 객체별로 1개의 바운딩 박스만 남기기
- cv2.dnn.NMSBoxes() : 중복 바운딩 박스 제거하는 함수
- boxes : 추출된 바운딩 박스 데이터
- confidences : 바운딩 박스별 정확도
- 0.5 : 정확도에 대한 임계값, 바운딩 박스 정확도가 0.5보다 작으며 박스 제거
- 0.4 : 비최대 억제 임계값이라고 칭한다. 이 값보다 크면 박스 제거 시킨다.
indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4) indexes
원본 이미지에 예측한 위치에 바운딩 박스와 레이블(이름), 정확도 출력하기
'''
<폰트 스타일 지정>
'''
font = cv2.FONT_HERSHEY_PLAIN
'''
<바운딩 박스의 색상 지정하기>
- 인식된 객체가 많은 경우, 각각 색상을 지정해서 구분해 줄 필요성이 있기 때문에
> 랜덤하게 색상을 추출하여 정의
- np.random.uniform() : 랜덤한 값 추출 함수
- 색상을 RGB의 형태로 추출하기 위해 값의 범위는 0 ~ 255를 사용
- 0, 255 : RGB 각 값의 랜덤 범위
- size=(len(boxes), 3) : 추출할 사이즈 : 행, 열 정의
> 인식된 각 바운딩 박스의 갯수만큼, 3개씩의 RGB값 추출을 의미함
'''
colors = np.random.uniform(0, 255, size=(len(boxes), 3))
### 인식된 객체가 있는 경우
if len(indexes) > 0 :
''' 무조건 1차원으로 변환 '''
print(indexes.flatten())
for i in indexes.flatten() :
''' x, y, w, h 값 추출하기 '''
x, y, w, h = boxes[i]
print(x, y, w, h)
''' 실제 레이블 명칭(이름) 추출하기 '''
label = str(classes[class_ids[i]])
print(label)
''' 인식률(정확도) 추출하기 '''
confidence = str(round(confidences[i], 2))
print(confidence)
''' 바운딩 박스의 색상 추출하기 '''
color = colors[i]
print(color)
''' 바운딩 박스 그리기
- 마지막 값 2 : 바운딩 박스 선의 굵기
'''
cv2.rectangle(img, (x, y), ((x + w),(y + h)), color, 2)
''' 인식된 객체의 레이블 명칭(이름)과 정확도 넣기(그리기)
* putText() : 원본 이미지에 텍스트 넣는 함수
- img : 원본 이미지
- label : 인식된 레이블 명칭(이름)
- confidence : 인식률(정확도)
- (x, y+20) : 텍스트 시작 좌표
- font : 폰트 스타일
- font 다음의 숫자 2 : 폰트 사이즈
- (0, 255, 0) : 폰트 색상
- 마지막 숫자 2 : 폰트 굵기
'''
cv2.putText(img, label + " " + confidence,
(x, y+20), font, 2, (0, 255, 0), 2)
plt.imshow(img)
### 인식된 객체가 없는 경우
else :
print("인식된 객체가 없습니다.")
Yolo 모델로 위에서 처리한 부분을 함수로 정의하기
- 함수 정의
'''
- 함수 이름 : predict_yolo(img_path)
'''
def predict_yolo(img_path) :
''' 샘플 이미지 데이터 가져오기 '''
img = cv2.imread(img_path)
''' BRG를 RGB로 변환하기 '''
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
height, width, channel = img.shape
blob = cv2.dnn.blobFromImage(
img,
1/256,
(416, 416),
(0, 0, 0),
swapRB = True,
crop = False
)
''' Yolo 모델에 입력 데이터로 넣어주기 '''
net.setInput(blob)
outs = net.forward(output_layer)
### -------------------------------------------------------------------
''' 인식된 객체(물체)의 인덱스 번호를 담을 변수 '''
class_ids = []
''' 인식된 객체의 인식률(정확도)를 담을 변수 '''
confidences = []
''' 인식된 객체의 좌표값을 담을 변수 '''
boxes = []
''' 출력계층이 반환한 값들을 처리하기 위하여 반복문 사용 '''
for out in outs :
# print(out)
''' 인식된 객체에 대한 정보가 담겨 있음 '''
for detection in out :
# print(detection)
''' 인식된 객체에 대한 정보 추출하기(클래스=레이어 명칭) 확률 정보 '''
scores = detection[5:]
# print(len(scores),scores)
'''
scores 값이 가장 큰 인덱스번호 찾기
- 0은 인식 못했다는 의미
- 레이블 명칭(이름)이 있는 리스트 배열의 인덱스 값을 의미함
- 가장 큰 인덱스 값 : 레이블 명칭(이름)이 있는 리스트 배열의 인덱스 값을 의미함
'''
class_id = np.argmax(scores)
# print(class_id)
''' score 값이 가장 큰 위치의 인덱스 번호에 해당하는 값은 인식률(정확도를 의미) '''
confidence = scores[class_id]
# print(confidence)
''' 정확도(인식률, 탐지율) 50% 이상인 데이터에 대해서 처리하기 '''
if confidence > 0.5 :
# print(f"scores : {scores}")
# print(f"class_id : {class_id}")
# print(f"confidence : {confidence}")
''' 바운딩 박스의 상대적 중심 x, y좌표 비율 추출하여 실제 중심점 길이 좌표(절대 좌표)로 변환하기 '''
''' 실제 중심점 x좌표 '''
center_x = int(detection[0] * width)
''' 실제 중심점 y좌표 '''
center_y = int(detection[1] * height)
# print(center_x, center_y)
''' 바운딩 박스의 상대적 너비와 높이 비율 추출하기 '''
''' 실제 너비로 변환 '''
w = int(detection[2] * width)
''' 실제 높이로 변환 '''
h = int(detection[3] * height)
# print(w, h)
''' 시작점 좌표 계산하기 '''
x = int(center_x - w / 2)
y = int(center_y - h / 2)
# print(x, y)
'''
- 이미지 좌표계는 좌상단이 0, 0
- 그래프 좌표계는 좌하단이 0, 0
'''
''' 실제 x, y, 너비, 높이 담기 '''
boxes.append([x, y, w, h])
''' 객체 인식률(정확도) 실수형 타입으로 담기 '''
confidences.append(float(confidence))
''' 레이블 명칭(이름) 인덱스 담기 '''
class_ids.append(class_id)
indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
### ---------------------------------------------------------------------
'''
<폰트 스타일 지정>
'''
font = cv2.FONT_HERSHEY_PLAIN
''' 바운딩 박스의 색상 지정하기 '''
colors = np.random.uniform(0, 255, size=(len(boxes), 3))
### 인식된 객체가 있는 경우
if len(indexes) > 0 :
''' 무조건 1차원으로 변환 '''
print(indexes.flatten())
for i in indexes.flatten() :
''' x, y, w, h 값 추출하기 '''
x, y, w, h = boxes[i]
# print(x, y, w, h)
''' 실제 레이블 명칭(이름) 추출하기 '''
label = str(classes[class_ids[i]])
# print(label)
''' 인식률(정확도) 추출하기 '''
confidence = str(round(confidences[i], 2))
# print(confidence)
''' 바운딩 박스의 색상 추출하기 '''
color = colors[i]
# print(color)
''' 바운딩 박스 그리기
- 마지막 값 2 : 바운딩 박스 선의 굵기
'''
cv2.rectangle(img, (x, y), ((x + w),(y + h)), color, 2)
''' 인식된 객체의 레이블 명칭(이름)과 정확도 넣기(그리기) '''
cv2.putText(img, label + " " + confidence,
(x, y+20), font, 2, (0, 255, 0), 2)
plt.imshow(img)
### 인식된 객체가 없는 경우
else :
print("인식된 객체가 없습니다.")
- 함수 호출
''' 테스트 이미지 모두 가지고 오기 '''
import glob
import random
paths = glob.glob("./yolo/cardataset/testing_images/*.jpg")
''' 랜덤하게 이미지 선택하기 '''
img_path = random.choice(paths)
img_path
''' 파일 경로의 문자열 내에 역슬래시(\)를 슬래시(/)로 바꾸기 '''
img_path = img_path.replace("\\", "/")
img_path
''' 함수 호출하기 '''
print(f"인식에 사용된 이미지 파일명 : {img_path}")
predict_yolo(img_path)
728x90
반응형
'Digital Boot > 인공지능' 카테고리의 다른 글
| [인공지능][DL] Deep Learning - YOLO / 이미지 증식 (5) | 2024.01.11 |
|---|---|
| [인공지능][DL] Deep Learning - YOLO / Camera 객체탐지 (1) | 2024.01.11 |
| [인공지능][DL] Deep Learning - 합성곱신경망(CNN) (1) | 2024.01.08 |
| [인공지능][DL] Deep Learning - RNN 응용 / 규칙기반 챗봇 (2) | 2024.01.08 |
| [인공지능][DL] Deep Learning - 순환신경망(RNN), 장기기억 순환신경망(LSTM), 게이트웨이 반복 순환신경망(GRU) (1) | 2024.01.08 |