Window - YOLO Maker를 이용한 Custom 학습 및 검출

☞ 문서의 내용은 가장 하단 참고문헌 및 사이트를 참고하여 필자가 보기 쉽도록 정리한 내용입니다. ☞ 틀린 내용 및 저작권 관련 문의가 있는 경우 문의하시면 수정 및 삭제 조치하겠습니다. YOLO Maker를 위한 환경 구성하기 ※ YOLO Maker를 이용한 custom 학습 및 검출은 Yolo 환경이 필요합니다. 환경 구축은 링크에서 확인 할 수 있습니다. YOLO Mark 설치 및 실행 이미지에서 객체를 라벨링하기 위해서 Yolo Mark를 다운로드 합니다. 다운로드는 (https://github.com/AlexeyAB/Yolo_mark)에서 할 수 있습니다. 다운로드 받은 Yolo_maker -> yolo_mark.sln을 실행합니다. 빌드 환경을 Release/ x64로 변경합니다. OpenCV..

• format_list_bulleted Machine learning/Yolo3
• · 2020. 7. 22.
• textsms

YOLO v3 윈도우 설치

Yolo(You only look once)란 무엇인가? Yolo는 합성곱 신경망(Convolutional Neural Network) 기반의 모델 중 하나이다. Yolo는 아래의 그림에서 보이는 것 처럼 이전에 나온 다른 CNN보다 최적화가 잘되어 있다. 2020.07.13을 기준으로 Yolo v4가 나와있다. Yolo를 활용하면 특정 물체를 찾고자 하는 다양한 프로그램을 제작할 수 있다. Yolo의 좀 더 자세한 설명이 필요하시면 다음 링크를 참고해주세요. Yolo v3 설치하기 윈도우 버전 Yolo를 설치하기 전 미리 설치되어 있어야 하는 프로그램 Visual Studio (https://visualstudio.microsoft.com/ko/vs/older-downloads/) NVIDIA CUDA..

• format_list_bulleted Machine learning/Yolo3
• · 2020. 7. 13.
• textsms

Intersect over Union[IoU] C++ / Python 코드

IOU(Intersect over Union) IoU는 아래의 그림[1] 같이 구해진다. 예측된 바운더리 박스와 사용자가 설정한 바운더리 박스 간 중첩되는 부분의 면적을 측정해서 중첩된 면적을 합집합의 면적으로 나눠준다. IoU의 계산 결과 값이 0.5 이상이면 제대로 검출(TP)되었다고 판단한다. 만약 0.5 미만이면 잘못 검출(FP)되었다고 판단한다. (이 값은 임의의 값으로 설정할 수 있다.) 중첩 영역 계산 중첩 영역 계산은 박스 A, 박스 B의 왼쪽 상단, 오른쪽 하단의 좌표 값을 이용하여 중첩 부분의 왼쪽 상단, 오른쪽 하단의 값을 구한다. 그리고 width, height 값을 이용하여 Overlapping region 값을 구한다. 결합 영역 계산 중첩 영역 계산을 이용하여 구한 Overla..

• format_list_bulleted Machine learning/CNN Network
• · 2020. 7. 12.
• textsms

mAP(Mean Average Precision) 정리

mAP 합성곱 신경망(Convolutional Neural Network CNN)의 모델 성능 평가는 아래 그림과 같이 mAP를 이용하여 평가하는 것을 볼 수 있다. mAP를 이해하기 위해서는 우선 precision, recall , AP(Average Precision)에 대해 이해해야 한다. ※ Precision-recall 곡선과 , Average precision은 컴퓨터비전(Computer Vision)에서 물체 검출(Object Detection) 알고리즘 성능 평가를 위해 사용되는 방법이다. 예를 들어 2개의 알고리즘이 있다고 하자, 첫 번째 알고리즘은 사람을 검출할 수 있는 검출율이 99%이다. 하지만 1장당 10건 정도의 오검출이 발생된다. 두 번째 알고리즘은 검출율이 50%이다. 하지만..

• format_list_bulleted Machine learning/CNN Network
• · 2020. 7. 12.
• textsms