Roboflow は、物体検出 AI で使用する画像に注釈を付けるためのプラットフォームです。

このプラットフォームは、海難救助のためのコンピューター ビジョン協会である C2SMR c2smr.fr に使用しています。

この記事では、このプラットフォームを使用し、Python でモデルをトレーニングする方法を説明します。

私の github でさらにサンプル コードを見つけることができます: https://github.com/C2SMR/detector

I - データセット

データセットを作成するには、https://app.roboflow.com/ にアクセスし、次の画像に示すように画像に注釈を付け始めます。

この例では、将来の画像内での水泳選手の位置を予測するために、すべての水泳選手を迂回させます。
良好な結果を得るには、すべてのスイマーをトリミングし、オブジェクトの直後に境界ボックスを配置してオブジェクトを正しく囲みます。

すでにパブリック roboflow データセットを使用できます。このためには https://universe.roboflow.com/

II - トレーニング

トレーニング段階では roboflow を直接使用できますが、3 回目以降は料金が発生するため、ラップトップで行う方法を説明します。

最初のステップは、データセットをインポートすることです。これを行うには、Roboflow ライブラリをインポートします。

pip install roboflow

モデルを作成するには、Ultralytics ライブラリでインポートできる YOLO アルゴリズムを使用する必要があります。

pip install ultralytics

私のスクリプトでは、次のコマンドを使用します:

py train.py api-key project-workspace project-name project-version nb-epoch size_model

次を取得する必要があります:

• アクセスキー
• ワークスペース
• roboflow プロジェクト名
• プロジェクト データセットのバージョン
• モデルをトレーニングするエポック数
• ニューラル ネットワークのサイズ

最初に、スクリプトはトレーニングを容易にするために、ワークアウト前のデータを含むデフォルトの yolo ウェイトである yolov8-obb​​.pt をダウンロードします。

import sys
import os
import random
from roboflow import Roboflow
from ultralytics import YOLO
import yaml
import time


class Main:
    rf: Roboflow
    project: object
    dataset: object
    model: object
    results: object
    model_size: str

    def __init__(self):
        self.model_size = sys.argv[6]
        self.import_dataset()
        self.train()

    def import_dataset(self):
        self.rf = Roboflow(api_key=sys.argv[1])
        self.project = self.rf.workspace(sys.argv[2]).project(sys.argv[3])
        self.dataset = self.project.version(sys.argv[4]).download("yolov8-obb")

        with open(f'{self.dataset.location}/data.yaml', 'r') as file:
            data = yaml.safe_load(file)

        data['path'] = self.dataset.location

        with open(f'{self.dataset.location}/data.yaml', 'w') as file:
            yaml.dump(data, file, sort_keys=False)

    def train(self):
        list_of_models = ["n", "s", "m", "l", "x"]
        if self.model_size != "ALL" and self.model_size in list_of_models:

            self.model = YOLO(f"yolov8{self.model_size}-obb.pt")

            self.results = self.model.train(data=f"{self.dataset.location}/"
                                                 f"yolov8-obb.yaml",
                                            epochs=int(sys.argv[5]), imgsz=640)



        elif self.model_size == "ALL":
            for model_size in list_of_models:
                self.model = YOLO(f"yolov8{model_size}.pt")

                self.results = self.model.train(data=f"{self.dataset.location}"
                                                     f"/yolov8-obb.yaml",
                                                epochs=int(sys.argv[5]),
                                                imgsz=640)



        else:
            print("Invalid model size")



if __name__ == '__main__':
    Main()

III - ディスプレイ

モデルをトレーニングした後、重みに対応するファイル best.py と last.py を取得します。

ultralytics ライブラリを使用すると、YOLO をインポートし、体重をロードしてからテストビデオをロードすることもできます。
この例では、追跡機能を使用して各水泳選手の ID を取得しています。

import cv2
from ultralytics import YOLO
import sys


def main():
    cap = cv2.VideoCapture(sys.argv[1])

    model = YOLO(sys.argv[2])

    while True:
        ret, frame = cap.read()
        results = model.track(frame, persist=True)
        res_plotted = results[0].plot()
        cv2.imshow("frame", res_plotted)

        if cv2.waitKey(1) == 27:
            break

    cap.release()
    cv2.destroyAllWindows()


if __name__ == "__main__":
    main()

予測を分析するには、次のようにモデル json を取得できます。

 results = model.track(frame, persist=True)
 results_json = json.loads(results[0].tojson())