Google Colab’da YOLO V4 Eğitimi



Original Source Here

Google Colab’da YOLO V4 Eğitimi

Colaboratory (ya da kısaca “Colab”), tarayıcınızda Python’u yazmanızı ve çalıştırmanızı sağlar. Üstelik:

• Hiç yapılandırma gerektirmez

• GPU’lara ücretsiz erişim imkanı sunar

• Kolay paylaşım imkanı sunar

İster öğrenci ister veri bilimci ister yapay zeka araştırmacısı olun, Colab işinizi kolaylaştırabilir.

Sizler için örnek bir eğitim anlatacağım.

Öncelikle drive’ımıza obj.zip ve test.zip dosyamızı yüklüyoruz ve bir tane de colab dosyası açıyoruz.

Çalışma zamanı> çalışma zaman türünü değiştir diyoruz ve

Gpu seçeneğini seçiyoruz ve sağ üst köşedeki bağlan butonuna basıyoruz.

Google Colab eğitim yapmak için hazır artık.

İlk olarak darknet framwork’ünü çekiyoruz daha sonra opencv ve gpu değerlerimizi değiştiriyoruz.

Ve son komutumuz ile framwork kurulumumuz gerçekleşiyor.

Eğitim den sonra testlerde bize yardımcı olacak yardımcı fonksiyonları yazıyoruz. Ve alttaki kod ile Google drivemıza bağlanıyoruz. Ve link e tıklayıp drive’ımızı seçip gelen kodu çalışan satıra yapıştırıp enter yapıyoruz.

Sonraki işlemlerde drive dizinimize gidiyoruz, dizinde neler var kontrol ediyoruz ve zip dosyalarımızı yükleyip zipten çıkarıyoruz.

1-Sonraki satırda darknet içindeki cfg dosyasını drivemıza çekip düzenliyoruz.

-batch = 64 ve subdivision 16.

-max_batches değerini (2000 * eğitilen sınıf sayısı) değerine eşitliyoruz.

-steps değerlerini (%80 of max_batches) , (%90 of max_batches) yapıyoruz.

— [yolo] başlığı altındaki classes değerlerini eğitim yaptığımız sınıf sayısı ile değiştiriyoruz.

-filters değişkenlerini de (eğitim yapacağımız sınıf sayısı + 5 )*3 değerine eşitliyoruz — — son iki işlemi 3 kere aratarak yapıyoruz ve classes ve filtres değerlerini kendi eğitmimize göre değiştiriyoruz.

2- aynı dosya yolunda tex editöre giriyoruz ve 1- obj.names isimli bir dosya oluşturalım ve dosyayı eğitim yapacağımız classların isimlerini yazıyoruz.

ÖRNEĞİN

Car

Guitar

2-Aynı klasör içinde obj.data isimle bir dosya oluşturarak içine eğitim yapacağımız class sayısını, eğitim yaparken kullanacağımız train.txt, text.txt ve obj.names isimli dosyaların adreslerini ve eğitim sonucu bulduğumuz ağırlıkları kaydedeceğimiz dizini yazıyoruz. ve kaydediyoruz

ÖRNEĞİN

classes = 2

train = data/train.txt

valid = data/test.txt

names = data/obj.names

backup = /mydrive

ve buları yaptıktan sonra bu dosyaları tekrar darknet e yüklüyoruz.

Yine drive dosyamıza gidip dizin içinde text editörü açıyoruz. Başlık ismini ve yazı kısımlarına aşağıdaki iki py dosylarının içeriklerini yazıp kaydediyoruz.

1-

generate_train.py

import os

image_files = []

os.chdir(os.path.join(“data”, “obj”))

for filename in os.listdir(os.getcwd()):

if filename.endswith(“.jpg”):

image_files.append(“data/obj/” + filename)

os.chdir(“..”)

with open(“train.txt”, “w”) as outfile:

for image in image_files:

outfile.write(image)

outfile.write(“\n”)

outfile.close()

os.chdir(“..”)

2-

generate_test.py

import os

image_files = []

os.chdir(os.path.join(“data”, “test”))

for filename in os.listdir(os.getcwd()):

if filename.endswith(“.jpg”):

image_files.append(“data/test/” + filename)

os.chdir(“..”)

with open(“test.txt”, “w”) as outfile:

for image in image_files:

outfile.write(image)

outfile.write(“\n”)

outfile.close()

os.chdir(“..”)

ve bu hazırladığımız dosyaları sşadğıdaki ilk satır ile yüklüyoruz. Çalıştırıyoruz ve data klasörümüzü kontrol ediyoruz.

Son satırda ise Convolutional Layer indiriyoruz. Eğitmimize yardımcı olucak bu satır.

Ve eğitmimiz için başlatma komutumuzu çalıştırıyoruz.

Eğer ki bazı olumsuz nedenlerden dolayı eğitiminiz durur ise aşağıdaki komutu çalıştırarak eğitiminizi devam ettirebilrisiniz.

Aşağıdaki komut ile de isteğinize bağlı olarak eğtim grafiğinizi görebilirsiniz.

imShow(‘chart.png’)

Eğitiminizi durdukdurktan sonra aşağıdaki komut ile ağırlıkları çekebilrsiniz.

!./darknet detector map data/obj.data cfg/yolov4-obj.cfg /mydrive/yolov4/backup/yolov4-obj_best.weights

Alttaki komutlardan ilki ile cfg ‘nizi test moduna alır ikincisinde ise dosya yolundaki fotoğrafı belirleyerek testinizi gerçekleştirebilirsiniz.

Test görseli

Yolo V4 ile bu şekilde eğitminizi gerçekleştirebilirsiniz. Bu eitimde kendi dosya dizinlerime göre yaptım sizde kendi dosya yollarınıza göre değişiklik yapıp gerekli düzenlemeyi yaptığınızda ve doğru bir dataset ile eğitim gerçekleştirdiğinizde başarılı olacaktır. Umarım faydalı olmuştur sizler için.

AI/ML

Trending AI/ML Article Identified & Digested via Granola by Ramsey Elbasheer; a Machine-Driven RSS Bot

%d bloggers like this: