[OpenCV] 1주차 - YOLOv5를 이용해 클라이밍 홀드 인식

작성자	김명원
일 시	2024. 3. 14 (목) 18:00 ~ 21:00
장 소	복지관 b128-1호
참가자 명단	임혜진, 이재영, 성창민, 김명원, 장원준
사 진

 

YOLO5 모델을 이용하기 위해서 공식 github 계정의 파일을 다운로드하고, 필수 라이브러리를 설치하는 명령을 입력한다.

!git clone https://github.com/ultralytics/yolov5

 

Python에서 사용되는 os모듈을 이용하기 위해 현제 작업 디렉토리를 변경한다.

그 뒤 %pip 명령어를 사용해 YOLO5 모델을 실행하기 위해 필요한 Python 패키지들을 설치한다.

import os

os.chdir('/content/yolov5')

%pip install -qr requirements.txt #-qr : q(출력되는 메시지 최소화), r(requirments.txt 파일에서 패키지 목록을 읽어 설치)

결과 -

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 195.4/195.4 kB 2.0 MB/s eta 0:00:00

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 721.2/721.2 kB 8.9 MB/s eta 0:00:00

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 62.7/62.7 kB 7.8 MB/s eta 0:00:00

 

https://universe.roboflow.com/climbing-rmbhd/climbing-eeqyl/dataset/1/images

climbing Object Detection Dataset and Pre-Trained Model by climbing

여기에 있는 클라이밍 홀드 데이터를 학습시키로 했다.

Train 데이터는 262개와 Test 데이터 15개, Vaild 데이터 10개를 이용해 모델을 학습시킬 것이다.

 

이렇게 저장한 데이터의 이름을 편의상 custom_dataset으로 바꾼 뒤

unzip 명령으로 데이터 셋 파일의 압축을 해제한다.

!unzip "../custom_dataset.zip"

 

압축 해제가 완료되면 현 작업 디렉토리가 yolo5였기 때문에 yolo5/custom_dataset/ 경로에 데이터셋이 위치하게 된다.

 

custom_dataset.yaml 파일을 만들어서 다음과 같은 설정정보를 입력한다.

-----------------------------------------------------------------------------------------------

path: /home/user/다운로드/climbing
train: train/images
val: valid/images
test: test/images

nc: 15
names: ['1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '11', '12', '13', '14', '15']

-----------------------------------------------------------------------------------------------

이 데이터에서 암벽의 다양한 색과 클라이머까지 분류했다. 총 클래스는 15개로 학습을 시킨 뒤 번호에 맞는 색을 찾아 이용할 것이다.

 

https://example.com/path/to/train.py에서 train.py 파일을 다운로드

!wget -O /content/train.py https://example.com/path/to/train.py

 

다운받은 train.py 파일을 시행시키고  /content/yolov5/custom_dataset.yaml에 있는 경로와 학습시킬 에폭 수를 전달해 모델을 학습시킨다.

!python train.py --data "/content/yolov5/custom_dataset.yaml" --epochs 100

결과 - Results saved to runs/train/exp12

exp12에 weights/last.pt와 weights/best.pt 2개의 가중치가 저장되었다. 이중 weights/best.pt를 이용해 사진과 영상에 있는 홀드를 탐지한다.

 

vaild데이터를 활용해 만들어진 모델을 검증한다.

!python val.py --data "/content/yolov5/custom_dataset.yaml" --weights "/content/yolov5/runs/train/exp12"

검증된 결과는 confusion matrix, F1 curve 등과 같은 차트로 저장된다.

 

이제 객체를 탐지할 사진이나 영상을 학습된 가중치를 통해 모델을 적용한다.

!python detect.py --weights "/content/yolov5/runs/train/exp12/weights/best.pt" --source "/content/클라이밍 6개월 실력변화.mp4"

영상은 자동으로 프레임을 나눠 프레임마다 객체를 탐지하게 된다

클라이밍 6개월 실력변화.mp4

15.19MB

객체를 탐지한 후 바운더리 박스로 분류한 영상

클라이밍 홀드를 인식하기 위해 YOLOv5를 선택했다.
객체를 탐지한 영상을 보면 탐지한 객체의 정확도가 기대한 것보다 높지 않았다.
더 많은 데이터를 수집하고 다양한 모델들을 사용한 뒤 비교해 보아야 할 것 같다.