Éditeur : Abhilash Nelson

Prix : 69 $

Durée du cours : 4 heures

->

Langue du cours : Anglais

La description

Salut!

bienvenue dans mon nouveau cours ‘Démarrage rapide de la détection d’objets personnalisés YOLO avec Python’. Ceci est le quatrième cours de ma série Computer Vision.

Comme vous le savez, la détection d’objets est les applications les plus utilisées de la vision par ordinateur, dans lesquelles l’ordinateur sera capable de reconnaître et de classer les objets à l’intérieur d’une image.

Nous nous concentrerons spécifiquement sur (YOLO), Vous ne regardez qu’une seule fois, qui est un algorithme de reconnaissance d’objets en temps réel efficace qui est présenté dans Darknet, un cadre de réseau de neurones open source

Ce cours est également divisé en deux moitiés. La première moitié traitera de la reconnaissance d’objets à l’aide d’un ensemble de données prédéfini appelé ensemble de données coco qui peut classer 80 classes d’objets. Et la seconde moitié, nous allons essayer de créer notre propre jeu de données personnalisé et de former le modèle YOLO. Nous allons essayer de créer notre propre modèle de détection des coronavirus.

Voyons maintenant la liste des sujets intéressants qui sont inclus dans ce cours.

Dans un premier temps, nous aurons une session théorique d’introduction sur le système de détection d’objets YOLO.

Après cela, nous sommes prêts à procéder à la préparation de notre ordinateur pour le codage python en téléchargeant et en installant le paquet anaconda et nous vérifierons et verrons si tout est bien installé.

La plupart d’entre vous ne viennent peut-être pas d’un environnement de programmation basé sur python. Les quelques sessions et exemples suivants vous aideront à acquérir les compétences de base en programmation python pour poursuivre les sessions incluses dans ce cours. Les sujets incluent l’affectation Python, le contrôle de flux, les fonctions et les structures de données.

Ensuite, nous installerons installer OpenCV, qui est la bibliothèque Open Source Computer Vision en Python.

Ensuite, nous aurons une introduction aux réseaux de neurones convolutifs, son fonctionnement et les différentes étapes impliquées.

Nous allons maintenant passer à la partie 1 qui implique la détection et la reconnaissance d’objets à l’aide d’un modèle pré-formé YOLO. nous aurons un aperçu du modèle yolo dans la prochaine session, puis nous mettrons en œuvre la détection d’objets yolo à partir d’une seule image.

Souvent, YOLO redonne plus d’une détection réussie pour un seul objet dans une image. Cela peut être résolu en utilisant

une technique appelée NMS ou Non Maxima Suppression. Nous mettrons cela en œuvre lors de notre prochaine session.

Et en utilisant cela comme base, nous allons essayer le modèle yolo pour la détection d’objets à partir d’une vidéo webcam en temps réel et nous vérifierons les performances. Plus tard, nous l’utiliserons pour la reconnaissance d’objets à partir du fichier vidéo pré-enregistré.

Ensuite, nous procéderons à la partie 2 du cours dans laquelle nous tenterons de former un modèle darknet YOLO. Un modèle qui peut détecter le coronavirus à partir d’une image au microscope électronique ou d’une sortie vidéo.

Avant de poursuivre l’implémentation, nous discuterons des avantages et des inconvénients de l’utilisation d’un modèle de jeu de données pré-formé et d’un modèle formé de jeu de données personnalisé. Également sur le GPU gratuit offert par google colab et ses fonctionnalités.

Dans la prochaine session, nous commencerons par la phase 1 de notre modèle personnalisé dans laquelle nous ferons les étapes de préparation pour implémenter le modèle personnalisé. Nous allons d’abord télécharger la source darknet depuis github et la préparer. Nous téléchargerons ensuite les fichiers de poids requis pour les tests et la formation. Nous éditerons ensuite les fichiers de configuration requis pour le préparer à notre détecteur de coronavirus personnalisé.

Dans la deuxième phase de notre modèle personnalisé, nous commencerons à collecter les données requises pour former le modèle. Nous collecterons les images de coronavirus sur Internet autant que possible et les organiserons dans un dossier. Ensuite, nous allons étiqueter ou annoter l’objet coronavirus à l’intérieur de ces images à l’aide d’un outil d’annotation open source appelé labelImg. Ensuite, nous diviserons l’ensemble de données collectées, 80% pour la formation et 20% pour les tests. Et enfin éditera la préparation des fichiers avec l’emplacement des jeux de données de formation et de test.

Maintenant que tous nos fichiers sont prêts, dans notre troisième phase, nous allons les compresser et les télécharger dans google drive. Après cela, nous allons créer un bloc-notes google colab et configurer le runtime colab pour utiliser le service GPU rapide, puissant mais gratuit fourni par google. Ensuite, nous allons monter notre lecteur Google sur notre runtime colab et décompresser le zip darknet que nous avons téléchargé.

Parfois, les fichiers modifiés dans des environnements non Unix peuvent avoir des problèmes lors de la compilation du darknet. Nous devons convertir l’encodage de dos en unix comme prochaine étape. Ensuite, nous allons compiler le code source du framework darknet et procéder au test du framework darknet avec un exemple d’image dans notre quatrième phase.

Le runtime gratuit basé sur GPU fourni par google colab est volatile. Il sera réinitialisé toutes les 12 heures. Nous devons donc enregistrer nos poids périodiquement pendant la formation sur notre Google Drive qui est un stockage permanent. Donc, dans notre phase cinq, nous lierons un dossier de sauvegarde dans google drive au runtime colab.

Enfin, dans notre phase 6, nous sommes prêts à poursuivre la formation de notre modèle de coronavirus personnalisé. Nous continuerons à surveiller la perte pour chaque itération ou époque comme nous l’appelons en termes de réseau nerual. Notre modèle enregistrera automatiquement les poids à chaque 100e époque en toute sécurité dans notre dossier de sauvegarde Google Drive.

Nous pouvons voir une diminution continue des valeurs de perte à mesure que nous traversons l’époque. Et après un grand nombre d’itérations, notre modèle entrera dans un état de convergence ou de flatline dans lequel il n’y aura plus d’amélioration de la perte. à ce moment nous obtiendrons un poids final

Plus tard, nous utiliserons ce poids pour faire des prédictions pour une image contenant du coronavirus. Nous pouvons voir que notre modèle détecte clairement les objets. Nous allons même essayer cela avec un fichier vidéo.

Nous ne pouvons pas prétendre qu’il s’agit d’un modèle de détection de coronavirus à part entière, sans défaut et prêt pour la production. Il y a encore place à amélioration. Mais de toute façon, en construisant ce modèle personnalisé, nous avons parcouru toutes les étapes et le processus de fabrication d’un modèle yolo personnalisé qui sera une expérience formidable et précieuse pour vous.

Et plus tard dans une courte session, nous discuterons également de quelques autres études de cas dans lesquelles nous pouvons implémenter un modèle YOLO personnalisé, les changements que nous pourrions avoir besoin d’apporter pour former ces modèles, etc.

C’est tout sur les sujets qui sont actuellement inclus dans ce cours rapide. Le code, les images et les poids utilisés dans ce cours ont été téléchargés et partagés dans un dossier. Je vais inclure le lien pour les télécharger dans la dernière session ou la section des ressources de ce cours. Vous êtes libre d’utiliser le code dans vos projets sans poser de questions.

De plus, après avoir terminé ce cours, vous recevrez un certificat d’achèvement de cours qui ajoutera de la valeur à votre portefeuille.

Alors c’est tout pour le moment, à bientôt dans la salle de classe. Bon apprentissage et bon moment.