YOLOv8 Train

YOLOv8 Train

오늘은 YOLOv8 Train에 대해서 알아보자.
데이터를 가공했다면 전이학습이 필요하다. 좋은 모델일수록 좋은 학습이 필요한데 오늘은 이런 좋은 모델을 얻기위한 학습에 대해서 알아보도록 하자. Ultralytics에서 제공하는 Classify, Detect, Segment, Track, Pose 등 다양한 방법으로 트레인 할 수 있는 방법을 제공하고 있다.

Google Colab을 사용해서 학습과정을 진행하였다.

Ultralytics 공식 홈페이지에서 확인할 수 있습니다.

1.YOLOv8와 YOLOv8 실행에 필요한 라이브러리 설치

!pip install ultralytics

import ultralytics
ultralytics.checks()

2.Downloading the Dataset

!pip install roboflow

from roboflow import Roboflow
rf = Roboflow(api_key="iS9n0*********")
project = rf.workspace("ai-e1r2s").project("driver-motion")
dataset = project.version(1).download("yolov8")

3.Load a Pre-trained model

from ultralytics import YOLO

YOLO 모델 초기화
model = YOLO('yolov8n.pt')
model = YOLO('yolov8s.pt')
model = YOLO('yolov8m.pt')
model = YOLO('yolov8l.pt')
model = YOLO('yolov8x.pt')

3-1 MS COCO Dataset에 정의되어 있는 클래스 개수와 종류 확인

print(type(model.names), len(model.names))

print(model.names)

4.Training 1) data.yaml 파일 수정

  # 불러온 파일 중 yaml 파일을 확인
  !cat /content/Driver-motion-1/data.yaml

  # PyYAML 설치
  !pip install PyYAML

  # 필요한 module import
  import yaml

  data = {'train' : '/content/Driver-motion-1/train/images',
    'val' : '/content/Driver-motion-1/valid',
    'test' : '/content/Driver-motion-1/test/images',
    'names' : ['calling', 'smoking', 'texting'],
    'nc' : 3 }

  with open('/content/Driver-motion-1/data.yaml','w') as f:
    yaml.dump(data,f)

  with open('/content/Driver-motion-1/data.yaml', 'r') as f:
    Driver_yaml = yaml.safe_load(f)
    display(Driver_yaml)

2) 불러온 pretraind-model인 yolo 모델을 기반으로, 학습 진행

  # yolov8m.pt 모델을 기반으로, 우리가 만든 data.yaml으로 학습 진행 model.train(data = '/content/Driver-motion-1/data.yaml',
        epochs=100,
        patience=25,
        batch=32,
        imgsz=500,
        project='/content/drive/MyDrive/result',
        name='sample',
        exist_ok=True)      

  # 학습된 결과물 출력 print(type(model.names),len(model.names)) print(model.names)      

  # 밑 코드는 model이 항상 yolov8n.pt로 되어있음 !yolo task=detect mode=train model=yolov8m.pt data='/content/bebeface-6/data.yaml' epochs=1 patience=12 batch=32 imgsz=640 project='/content/drive/MyDrive/KOSA3/project/result' name=sample exist_ok=True

참고 (Validate)

mAP(Mean Average Precision) : 각 클래스에 대한 Average Precision을 평균내어 얻은 값으로, 모든 클래스에 대한 성능을 종합적으로 나타냄

• 높은 mAP는 모델이 각 클래스에 대해 높은 정밀도와 재현율을 갖고 있다는 것

Box(Precision, Recall) : 각 클래스에 대한 박스 수준의 정밀도와 재현율

• 클래스 당 높은 박스 수준의 정밀도와 재현율은 모델이 해당 클래스를 얼마나 잘 감지하는지

mAP50, mAP50-95 : IoU (Intersection over Union) 임계값을 다르게 한 경우의 mAP 값

• 높은 mAP50와 mAP50-95는 모델이 다양한 IoU 임계값에서 좋은 성능을 보이는 것을 나타냅니다.

Precision, Recall : 모델의 정밀도와 재현율

• 높은 정밀도는 모델이 예측한 결과가 실제로 정답인 비율이 높다는 것
• 높은 재현율은 모든 실제 정답 중에서 모델이 얼마나 많은 것을 찾아냈는지를 나타냅니다.

import locale locale.getpreferredencoding = lambda: "UTF-8"

# training 과정에서 평가 지표를 보고 싶으면, 스크롤을 올려서 표를 찾으면 되고, # 따로 바로 보고싶으면 이 코드를 실행시키면 된다
!yolo task=detect mode=val model=/content/drive/MyDrive/KOSA3/project2/result/sample/weights/best.pt data=/content/Driver-motion-1/data.yaml

5.Prediction

1) 방법1 CLI

  !yolo task=detect mode=predict model=/content/drive/MyDrive/KOSA3/project2/result/sample/weights/best.pt conf=0.25 source=/content/drive/MyDrive/KOSA3/project/data/prediction save=True

2) 방법2
model = YOLO(“/content/drive/MyDrive/KOSA3/project2/result/sample/weights/best.pt”)

  # source = '내가 테스트할 사진이나 영상 미리 넣어놓기'
    results = model.predict(source = "/content/drive/MyDrive/KOSA3/project/data/custom_test_img", save=True)

3) 저장 import shutil

복사할 폴더의 경로

source_folder = "/content/runs/detect/predict3"

Google Drive에 저장할 경로

destination_folder = "/content/drive/MyDrive/KOSA3/project/prediction/predict1" # 이미존재하는 폴더일 때 여기 뒤 숫자 바꾸기

shutil을 사용하여 폴더 복사

shutil.copytree(source_folder, destination_folder)

print(f"{source_folder} 폴더를 {destination_folder}로 복사 완료")

6.Export

model = YOLO("/content/drive/MyDrive/KOSA3/project2/result/sample/weights/best.pt")

model.export(format="onnx", imgsz=[480,640])

이러한 과정을 통해 모델의 결과를 얻을 수 있다.