#Dokumentacja skryptów

Implementacja yolov3 Pytorch

Użyta implementacja pochodzi z repozytorium i została zmodyfikowana na potrzeby projektu

Użyty model sieci: yolov3-spp

W katalogu znajdują się pliki konfiguracyjne dla poszczególnych modeli. W zależności od ilości klas musza zostać one odpowiednio zmodyfikowana jak opisano tutaj dodatkowo jest tutaj również opisany sposób renowania modelu na dowolnych danych.

Kod źródłowy

Głównie interesuje nas skrypt run_yolov3_process_bayes.py Który wykonuje kolejno nastęjące zadania:

1. Trenowanie modelu na danych (train.py)
2. Tworzenie katalogu z eksperymentem zawierającym:
   • najelpszy model
   • wyniki detekcji na zbiorze testowym (podzielone na błędnie sklasyfikowane i te poprawne)
   • użyty plik z nazwami klas
   • użyty plik konfiguracyjny .yml
3. Puszczanie skryptu wykonującego detekcje (detect.py)
4. Puszczanie skryptu generate-confusion-matrix.js obliczającego tzw. "macierz pomyłek" (ang. confussion matrix)

Skrypt wykonuje również trenowanie modelu wraz z optymalizacją bayesowską.

Najważniejszym plikiem który nas interesuje to config_bayes.yml oraz plik z rozszeżeniem *.data np. widok_01_21.data który zawiera konfigurację modelu. Parametry :

• classes - liczba klas wykrywanych przez model
• train - plik zawierający ścieżki do zdjeć uczących
• valid - plik zawierający ścieżki do zdjęć testowych
• names - plik z etykietami, musi być ich tyle samo co klas

Kilka uwag dotyczących pliku konfiguracyjnego config_bayes.yml

• Parametry mogą być typu:

  • discrete - dyskretne wtedy wartości jakie może on przyjmować trzeba wymienić w liście values :

      batch-size:
        type: discrete
        values: [4]
    

    albo określić przedział wartości np:

       batch-size:
           type: discrete
           min: 1
           max: 5
           step: 1
    

  • continuous - parametry ciągłe, wtedy należy określić zakres min i max (jako liczba zmiennoprzecinkowa) w jakim może mieścić się wartość parametru np:

        giou:
          type: continuous
          min: 0.0
          max: 10.0
    

Jeśli chcemy aby optymalizacja bayesowska nie została wykonana to po prostu należy ustawić wszystkie parametry jako dyskretne z jedną wartością w liście. W przypadku różnych kombinacji parametrów skrypt uruchamiający proces wykona optymalizację bayesowską.

Uruchamianie detekcji

Puszczanie detekcji odbywa się za pomocą skryptu detect.py

Parametry wywołania (te które nas interesują):

• source - źródło danych (plik/folder ze zdjęciami/nagraniami), może też być plik txt zawierający ścieżki do nagrań/zdjeć
• output - folder do którego zostanią zapisane wyniki (musi być utworzony)
• names - plik .names z etykietami klas
• weights - plik .pt z wagami modelu, zazwyczaj będzie to plik best.pt zawierający wagi dla najlepszego modelu
• test-img-size - rozmiar obrazu na jakim odbędzie się detekcja
• conf-thres - próg prawdopodobieństwa, minimalna wartość stopnia "pewności" dla której model uzna że znalazł obiekt na zdjęciu/nagraniu
• iou-thresh - próg dla współczynnika IoU, (współczynnik Jaccarda), wykorzysywany przy non-max-supression
• save-txt - flaga określająca czy skrypt ma zapisać znalezione detekcje do pliku .txt
• device - numer karty graficznej wykorzystywanej do obliczeń, w przypadku braku tej flagi model odpali się na wszystkich dostępnych

Przykładowe wywołanie:

python detect.py
--source
/home/tomekb/yolov3/data/widok_01_21/widok_01_21_test_labels.txt
--output
/home/tomekb/yolov3/experiments/2020-09-01_06-39-29/output
--names
/home/tomekb/yolov3/experiments/2020-09-01_06-39-29/widok_01_21.names
--weights
/home/tomekb/yolov3/experiments/2020-09-01_06-39-29/best.pt
--test-img-size
1024
--conf-thres
0.45
--iou-thres
0.6
--save-txt
--device
1