unizard
commented
5 years ago @nhk9680 결론이 제공자측의 잘못으로 학습할수 없다 라는게 결론인가요?
Open nhk9680 opened 5 years ago
unizard
commented
5 years ago @nhk9680 결론이 제공자측의 잘못으로 학습할수 없다 라는게 결론인가요?
nhk9680
commented
5 years ago @unizard 아니요, 누락된 파일은 Warning으로만 뜨는 걸 보면 추후 진행에는 문제가 없는 듯 합니다. 아직 진행중이라 결론은 정리해서 작성할 예정입니다.
nhk9680
commented
5 years ago 
우선 drive에 업로드 된 영상에 문제가 있는지 재생했지만 정상적으로 나옵니다.
colab에서만 이러한 증상이 생기는 건지 로컬에서도 뽑아봤지만, 정상적으로 나옵니다.
imshow()에 문제가 있었다면 다운로드한 이미지는 정상적으로 나와야하지만 그렇지 않습니다.
하나만 그런것도 아니고 모든 프레임이 저렇게 나와서 구글링 중입니다.
unizard
commented
5 years ago @nhk9680 R 채널이 소실되었다는게 어떤의미죠? 지금 콘이 주황색이 아니여서 R채널 소실이라고 보는거죠? 저거 RGB 채널이 BGR로 저장되어 있어서 그래요. 뒤집어서 출력해보세요.
nhk9680
commented
5 years ago @nhk9680 R 채널이 소실되었다는게 어떤의미죠? 지금 콘이 주황색이 아니여서 R채널 소실이라고 보는거죠? 저거 RGB 채널이 BGR로 저장되어 있어서 그래요. 뒤집어서 출력해보세요.
감사합니다! 원래대로 잘 뽑힙니다.
image=cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
같은 코드, 같은 소스인데 colab에서만 반전되는게 신기하네요..
unizard
commented
5 years ago @nhk9680 코랩에서만 반전이 된다는건 좀 이상한게... 저 현상은 opencv를 사용하면 항상생기는 현상이예요. Opencv의 칼라영상 로더의 채널저장법이 기타 라이브러리들과 차이가 있어요. 아마 로컬머신에서 저런 문제가 발생하지 않은것 처럼 보였다면 분명 시각화하는 부분이 opencv가 아닌 matlabplot 과 같이 다른 라이브러리를 사용하고 있었을겁니다.
nhk9680
commented
5 years ago # SSD with Mobilenet v2 configuration for MSCOCO Dataset.
# Users should configure the fine_tune_checkpoint field in the train config as
# well as the label_map_path and input_path fields in the train_input_reader and
# eval_input_reader. Search for "PATH_TO_BE_CONFIGURED" to find the fields that
# should be configured.
model {
ssd {
num_classes: 3
box_coder {
faster_rcnn_box_coder {
y_scale: 10.0
x_scale: 10.0
height_scale: 5.0
width_scale: 5.0
}
}
matcher {
argmax_matcher {
matched_threshold: 0.5
unmatched_threshold: 0.5
ignore_thresholds: false
negatives_lower_than_unmatched: true
force_match_for_each_row: true
}
}
similarity_calculator {
iou_similarity {
}
}
anchor_generator {
ssd_anchor_generator {
num_layers: 6
min_scale: 0.2
max_scale: 0.95
aspect_ratios: 1.0
aspect_ratios: 2.0
aspect_ratios: 0.5
aspect_ratios: 3.0
aspect_ratios: 0.3333
}
}
image_resizer {
fixed_shape_resizer {
height: 300
width: 300
}
}
box_predictor {
convolutional_box_predictor {
min_depth: 0
max_depth: 0
num_layers_before_predictor: 0
use_dropout: false
dropout_keep_probability: 0.8
kernel_size: 1
box_code_size: 4
apply_sigmoid_to_scores: false
conv_hyperparams {
activation: RELU_6,
regularizer {
l2_regularizer {
weight: 0.00004
}
}
initializer {
truncated_normal_initializer {
stddev: 0.03
mean: 0.0
}
}
batch_norm {
train: true,
scale: true,
center: true,
decay: 0.9997,
epsilon: 0.001,
}
}
}
}
feature_extractor {
type: 'ssd_mobilenet_v2'
min_depth: 16
depth_multiplier: 1.0
conv_hyperparams {
activation: RELU_6,
regularizer {
l2_regularizer {
weight: 0.00004
}
}
initializer {
truncated_normal_initializer {
stddev: 0.03
mean: 0.0
}
}
batch_norm {
train: true,
scale: true,
center: true,
decay: 0.9997,
epsilon: 0.001,
}
}
}
loss {
classification_loss {
weighted_sigmoid {
}
}
localization_loss {
weighted_smooth_l1 {
}
}
hard_example_miner {
num_hard_examples: 3000
iou_threshold: 0.99
loss_type: CLASSIFICATION
max_negatives_per_positive: 3
min_negatives_per_image: 3
}
classification_weight: 1.0
localization_weight: 1.0
}
normalize_loss_by_num_matches: true
post_processing {
batch_non_max_suppression {
score_threshold: 1e-8
iou_threshold: 0.6
max_detections_per_class: 100
max_total_detections: 100
}
score_converter: SIGMOID
}
}
}
train_config: {
batch_size: 12
optimizer {
rms_prop_optimizer: {
learning_rate: {
exponential_decay_learning_rate {
initial_learning_rate: 0.004
decay_steps: 800720
decay_factor: 0.95
}
}
momentum_optimizer_value: 0.9
decay: 0.9
epsilon: 1.0
}
}
fine_tune_checkpoint: "/content/models/research/pretrained_model/model.ckpt"
fine_tune_checkpoint_type: "detection"
# Note: The below line limits the training process to 200K steps, which we
# empirically found to be sufficient enough to train the pets dataset. This
# effectively bypasses the learning rate schedule (the learning rate will
# never decay). Remove the below line to train indefinitely.
num_steps: 1000
data_augmentation_options {
random_horizontal_flip {
}
}
data_augmentation_options {
ssd_random_crop {
}
}
}
train_input_reader: {
tf_record_input_reader {
input_path: "/content/object_detection_demo/data/annotations/train.record"
}
label_map_path: "/content/object_detection_demo/data/annotations/label_map.pbtxt"
}
eval_config: {
num_examples: 8000
# Note: The below line limits the evaluation process to 10 evaluations.
# Remove the below line to evaluate indefinitely.
max_evals: 10
}
eval_input_reader: {
tf_record_input_reader {
input_path: "/content/object_detection_demo/data/annotations/test.record"
}
label_map_path: "/content/object_detection_demo/data/annotations/label_map.pbtxt"
shuffle: false
num_readers: 1
}저장용
각종 파일 format
| 확장자명 | 용도 |
|---|---|
| pb | Binary Graph |
| pbtxt | Text Graph |
| ckpt | 학습 변수 체크포인트 |
| record | Binary 학습 데이터 |
freeze_graph : ckpt -> pb
코드
Object detection Tensorflow API
detection boxes 값의 의미
(left, right, top, bottom) = (xmin * im_width, xmax * im_width, ymin * im_height, ymax * im_height)정규화된 좌표, 즉 상대적인 좌표를 제공합니다.
matplotlib 사용시 loop로 인한 memory leack (overflow) 문제
.clf(),.close(),import gc; gc.collect()등을 사용하면 된다고 합니다.다음 계획
Dataset이나 Video를 로드하여 demo를 출력해볼 예정
colab으로 학습해보기
다음 계획
rkdogo08 님의 dataset 리뷰 보고 적용하기
NotfoundError : No such file or directory
!cd models/research안하고!python models/research/object_detection/~했을 때:보다시피 실행했던 기본 경로가 /content 이다 보니,
object_detection폴더를 찾지 못한다.해결 시도
ln -s /models/research/object_detection object_detection결과
이는 현재 제공자 측에서 파일이 누락된 상태에서 발생하는 warning입니다.
그러나 이는 예제파일일 뿐, custom dataset으로 학습 시에는 문제되지 않습니다.
디렉토리에 결과를 보면
반복적으로 생성된 파일들이 tfrecord임을 추정할 수 있지만,
!ls *.record를 실행하면라고 에러를 뱉어냅니다.
!ls pet_faces_train.record-00000-of-00010.record해도 결과는마찬가지입니다.