Custom Detectron2 Training!! (Person Detection)-챕터 2 모델 훈련시키기(구글 colab)

목차

EP1. 데이터셋 만들기

EP2. 모델 훈련시키기

EP3. 정확도 확인하기

EP4. 예측하기

 

 

---

2. 모델 훈련시키기

구글드라이브 - 새폴더 생성(ex. detectron2)

구글드라이브 - 새폴더 생성(ex. detectron2)

---

마우스우클릭 - 더보기 - Google Colaboratory 클릭

---

런타임(화면상단) - 런타임유형변경 - None->GPU로 변경

왼쪽 폴더 - 드라이브마운트(중앙폴더) - Google Drive에 연결 클릭

---

폴더를 하나씩 눌러보면 drive/My Drive/Coding/detectron2 폴더가 보인다.

---

설치시작!

폴더 우클릭 - 경로복사 - 코드 첫 줄에 %cd /content/drive/My Drive/Coding/detectron2 입력

%cd /content/drive/My Drive/Coding/detectron2

 

---

torchvision 설치

# torchvision 설치
!pip install -U torch torchvision
!pip install git+https://github.com/facebookresearch/fvcore.git
import torch, torchvision
torch.__version__

---

detectron 오리지널 github clone (%cd 경로는 본인 경로에 맞게 수정해야합니다.)

# detectron2 original repo clone
%cd /content/drive/My Drive/Coding/detectron2
!git clone https://github.com/facebookresearch/detectron2 detectron2_repo
!pip install -e detectron2_repo

---

상단(런타임) - 런타임 다시시작 클릭

---

라이브러리 import

# You may need to restart your runtime prior to this, to let your installation take effect
# Some basic setup
# Setup detectron2 logger
import detectron2
from detectron2.utils.logger import setup_logger
setup_logger()

# import some common libraries
import matplotlib.pyplot as plt
import numpy as np
import cv2
from google.colab.patches import cv2_imshow

# import some common detectron2 utilities
from detectron2.engine import DefaultPredictor
from detectron2.config import get_cfg
from detectron2.utils.visualizer import Visualizer
from detectron2.data import MetadataCatalog, DatasetCatalog
           

---

내가 만든 데이터셋 폴더 생성 - data/images , images안에는 사진 넣고 data폴더에는 trainval.json 라벨 업로드.

(업로드방법은 로컬폴더에서 그냥 드래그해서 폴더에 넣으면 업로드됨)

# data folder make
%cd /content/drive/My Drive/Coding/detectron2
!mkdir data
%cd data
!mkdir images
%cd ..
!pwd          

사진들을 images 폴더로 드래그앤드랍

아까 coco 포멧으로 변경한 라벨 데이터를 data 폴더로 드래그앤드랍

 

 

최종 데이터 업로드 사진

 

---

 

person 객체를 추가

# coco 데이터셋에 person 객체instance를 추가해준다.
from detectron2.data.datasets import register_coco_instances
register_coco_instances("person", {}, "./data/trainval.json", "./data/images")

person_metadata = MetadataCatalog.get("person")
dataset_dicts = DatasetCatalog.get("person")

---

레이블 데이터 체크

import random

for d in random.sample(dataset_dicts, 3):

    img = cv2.imread(d["file_name"])
    visualizer = Visualizer(img[:, :, ::-1], metadata=person_metadata, scale=0.5)
    vis = visualizer.draw_dataset_dict(d)
    cv2_imshow(vis.get_image()[:, :, ::-1])

 

---

Training 시작 - 완료되면 detectron2/output 폴더에 모델가중치가 저장된다.

from detectron2.engine import DefaultTrainer
from detectron2.config import get_cfg
import os

cfg = get_cfg()
cfg.merge_from_file("./detectron2_repo/configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml")
cfg.DATASETS.TRAIN = ("person",)
cfg.DATASETS.TEST = ()   # no metrics implemented for this dataset
cfg.DATALOADER.NUM_WORKERS = 2
cfg.MODEL.WEIGHTS = "detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl"  # initialize from model zoo
cfg.SOLVER.IMS_PER_BATCH = 2
cfg.SOLVER.BASE_LR = 0.02
cfg.SOLVER.MAX_ITER = 300    # 300 iterations seems good enough, but you can certainly train longer
cfg.MODEL.ROI_HEADS.BATCH_SIZE_PER_IMAGE = 128   # faster, and good enough for this toy dataset
cfg.MODEL.ROI_HEADS.NUM_CLASSES = 1  # 1 classes (person)

os.makedirs(cfg.OUTPUT_DIR, exist_ok=True)
trainer = DefaultTrainer(cfg)
trainer.resume_or_load(resume=False)
trainer.train()

 

 

 

 

EP1 : 데이터셋 만들기가 궁금하시다면 hansonminlearning.tistory.com/52

Custom Detectron2 Training!! (Person Detection)-챕터 1 데이터셋 만들기

EP3 : 모델 테스트하기 궁금하시다면 (제작중)

 

 

---