Yolo v5 환경 세팅 및 데이터 학습 진행 튜토리얼

Yolo v5 환경 설정

아래 주소는 Yolo v5의 깃허브 주소다.

https://github.com/ultralytics/yolov5

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

Yolo v5를 사용하기 위해서는 python은 3.6.0 버전 이상, PyTorch는 1.7 이상의 버전이 필요하다.

가상 환경 만들기

python 버전이 3.8인 가상 환경을 만들어 준다.

// yolov5라는 이름의 python 3.8버전 가상환경 만들기
$ conda create -n yolov5 python=3.8

// 가상환경 실행
$ conda activate yolov5

Yolo v5 깃허브 clone

yolo v5의 깃허브를 clone 하고 필수 패키지와 pytorch를 install 한다.

$ git clone https://github.com/ultralytics/yolov5
$ cd yolov5
$ pip install -r requirements.txt

pre-trained 모델 다운로드

Yolo v5의 pre-trained 된 모델을 다운로드하는 링크다.

Yolo v5는 s, m, l, x 4가지 버전이 존재한다. s는 가장 성능이 낮지만 FPS가 가장 높고, x는 성능이 가장 높지만 FPS가 가장 낮은 특징을 가진다.

 

https://github.com/ultralytics/yolov5/releases

Releases · ultralytics/yolov5

---

2. 데이터 및 디렉터리 설정

Yolo v5작동 시 데이터 디렉터리 폴더 설정이 필요하다.

사진과 같이 디렉터리를 구성하고 데이터를 넣어야 한다.

해당 포스팅에는 데이터를 라벨링 하는 방법은 다루지 않도록 한다.

 

---

3. YAML 파일 설정

3-1 ) yaml 파일 생성

custom data에 맞춰 yaml 파일을 생성해야 한다.

data 폴더 안에 있던 yaml파일을 살펴보면 다음과 같이 구성되어 있는 것을 알 수 있다.

아래 예시처럼 custom data에 맞춰 yaml 파일을 생성하자.

 

1) train data 경로

2) vaild data 경로

3) 클래스 개수

4) 클래스 이름

custom.yaml 예시

train: /working/data/images/train
val: /working/data/images/valid

nc: 1
names: ['word']

---

3-1 ) model yaml 변경

model 디렉토리 안에 다음 4가지의 yaml 파일이 존재한다.

다음 4가지 중 원하는 모델의 yaml파일을 선택해 열어준 뒤 클래스 개수에 해당하는 nc의 값만 탐지할 객체에 수에 맞게 변경해 준다.

---

4. (Optional) Weights & Biases Logging 

wandb로깅 툴은 Tensor flow의 Tensorboard와 비슷하게 실시간 학습과정을 시각화해서 볼 수 있고 validation result를 시각화해주는 툴이다. train code를 돌리면 자동으로 사용할 것인지 물어본다.

4-1) 설치

$ pip install wandb

4-2) 회원가입

해당 사이트에 가서 가입하고 나온 key를 사용하면 된다.

https://wandb.ai/site? utm_campaign=repo_yolo_traintutorial 

Weights & Biases – Developer tools for ML

 

---

5. 학습

$ python train.py --img 400 --batch 16 --epochs 3 --data '/data/custom.yaml' --cfg '/models/yolov5m.yaml' --weights yolov5s.pt --name jobs --project 프로젝트명

--batch : batch 사이즈

--epochs : epoch 수

--data : 만든 yaml 파일 경로

--cfg : 모델의 yaml 파일

--weights : 전이 학습에서 사용할 weight

--name : 학습된 정보를 runs 폴더안에 저장할 이름 

--project : wandb에 저장할 프로젝트명

---

6. 테스트

$ python detect.py --source ./data/images/test이미지.jpg --weights 'runs/test/weights/best.pt' --img 416 --conf 0.5 --save-txt

--source : 테스트할 이미지 파일

--weights : train.py에서 학습이 완료된 weight (best.pt - 가장 성능이 좋은 weight 파일, last.pt - 최신 weight 파일)

--conf : 바운딩 박스를 그리는 기준이 될 0 ~ 1 사이의 conf_threshold 값