Object Detection | yolov8 예제1(저장된 datasets)

yolov8를 이용한 object detection 예제

1. YOLOv8 설치

!pip install ultralytics

 

• 주피터노트북에서 실행할 경우 프로그래스바를 실행하기 위해서 다음을 설치한다. (필수는 아님)
  pip install ipywidgets 
  or conda install -y -c conda-forge ipywidgets

2. 추론(predict)

2-1. CLI (command line interface)에서 터미널 명령어로 추론/평가/학습을 진행

2-2. Python lib 를 이용해 코드상에 원하는 추론/평가/학습을 진행

 

---

2-1. CLI (command line interface)

 

1. 모델 로딩 

• Ultralytics에서 제공하는 Pretrained Model이나 직접 학습시킨 모델을 이용해 추론한다.
• Ultralytics는 Object Detection을 위한 Pretrained 모델을 제공한다.
  • Object Detection 모델은 COCO dataset으로 학습되었다.
  • 모델 명을 지정하면 자동으로 다운로드를 받는다.

2. CLI

yolo task=detect mode=predict model=model_path source=추론할_image_path

명령프롬프트 실행

: cd  [yolo가 다운로드 된 파일 디렉토리]
-> conda activate torch 
-> yolo (yolo 실행) 
-> CLI  명령어 

 

• CLI 명령어 구조
  : yolo task=detect|classify|segment mode=train|val|predict model=yolov8n.yaml|yolov8n.pt|.. arg

 

• https://github.com/ultralytics/ultralytics#models

• https://docs.ultralytics.com/cfg/

 

이미지파일 예제

#이미지파일예제
yolo task=detect mode=predict model=models/yolov8s.pt source =01_test_image/1.jpg save = True  save_txt= True line_width = 1 conf=0.7

# 위 예제 설명
yolo   task=detect #어떤 작업을 할지
        mode=predict  # 그 작업안에서 어떤 일을 할지
        model=models/yolov8s.pt # fine tuning 시 사용할 모델
        #옵션
        source =01_test_image/1.jpg # mode = predict에서 추론할 대상 경로
        save = True #결과를 표현한 이미지 저장 여부
        save_txt= True # 결과 라벨파일 저장 여부
        line_width = 1 # bounding box(bbox) 선 굵기
        conf=0.7 #confidence threshold(c_score 가 지정한 값 이상인 것만)

 

결과 : runs 폴더 > detect > predict - 1.jpg파일과 labels폴더 생성

 

 

동영상촬영 예제

#동영상 촬영 예제
yolo task=detect mode=predict model=models/yolov8s.pt source=0 save = True show= True

# 위 예제 설명
yolo task=detect mode=predict model=models/yolov8s.pt 
     source=0 # 정수 - web cam id
     save = True show= True
        # 종료 시 명령 프롬프트 화면에서 ctl+ c

결과 :  runs 폴더 > detect > predict2 - 0.avi파일 생성

 

 

 

2-2. Python lib 를 이용해 코드상에 원하는 추론/평가/학습을 진행

 

import

import ultralytics
from ultralytics import YOLO #모델 클래스

ultralytics.__version__

 

 

1. 이미지 파일 추론

모델 생성 + 추론

# 모델 생성
model = YOLO("model/yolov8n.pt")#객체 생성시 pretrained 모델파일의 경로를 지정.(없으면 다운로드)
                              # task => 설정한 모델 파일에 따라서 결정.
    
# 추론
image_path = "01_test_image/1.jpg"
results = model(image_path) # 추론 -> 필요한 설정들을 파라미터로 지정

 

•  추론 결과 result에 저장

print(type(results)) # 추론한 사진별로 결과를 따로 생성한 뒤에 리스트로 묶어준다
print(len(results))
print(type(results[0]))# 첫번째 이미지에 결과

 

 

• 결과 확인

import matplotlib.pyplot as plt
import cv2

plt.imshow(results[0].plot()) # 원본이미지에 추론 결과를 표시한 결과 이미지르 반환( ndarray : )
plt.show

 

 

• 추론결과 저장 

save = True

r= model(image_path, save=True, save_txt=True , conf =0.7) # 결과저장 경로까지 반환 runs\detect\predict4

 

 

2. 웹 이미지 추론 - url지정

# web상 이미지 추론 -> url지정 .
url = "https://i.namu.wiki/i/JNKvslt1j4AioYDmWSiZdcJBzwWD2-XibS8JYqMiQcSpF5GSUzYHVdVBsSOPElngPI5CfiAUf0oM3bXXzFr30w.webp"
r = model(url, save = True)

3. 한번에 여러장 추론

• 추론할 파일 경로를 리스트로 묶어서 추론 - 추론성능이 좋지않은 경우 생김

 

glob로 파일 경로 묶기

from glob import glob
img_list = glob("01_test_image/*.jpg") + ["02_test_image/banana.jpg"]
img_list

 

추론

r = model(img_list, save = True)

runs\detect\predict4 폴더로 이동하면 저장된 파일 확인가능

 

 

4. 동영상 추론

• source에 동영상 파일 경로를 지정
  
  • frame 단위로 추론

 

Import + 모델정의

위에서 했지만 한번 더 추가해서 흐름익혀

#모델 import

import ultralytics
from ultralytics import YOLO #모델 클래스

ultralytics.__version__ 

#모델 정의

model = YOLO("models/yolov8n.pt")

 

동영상 추론 

show = True 이므로 동영상에 detection이 적용된 화면이 뜬다(cmd > ctrl+c 혹은 kernel을 종료해야 꺼짐)

r = model("01_test_image/indo_stcreet.mp4",save = True, show=True)

 

프레임의 개수는 350개가 확인되었다. 

위의 코드를 실행하면 350개의 프레임에 대한 detection이 감지된다.

len(r) # 350 -> frame

 

 

마지막 프레임의 결과 확인

• r[-1].plot()[:,:,:,::-1]

# 마지막 프레임의 결과 확인
plt.imshow(r[-1].plot()[:,:,::-1]);
# [:,:,::-1]: 이 부분은 이미지의 색상 채널을 반전시키는 역할
# 이미지의 색상 채널은 보통 Red (빨강)<Green (초록)< Blue (파랑) 순서로 배열

 

모델에 정수를 넣으면 웹캠이 열린다.

웸캠도 종료하려면 cmd → ctrl+C

# r = model(0, #정수: 웹캠 id
#          show = True)

 

 

 

3. 추론 결과 조회 - 속성과 추가정보 조회

1. 모델의 추론결과는 list에 담김 => Results에 담아서 반환

• Results : 임지 하나에 대한 추론 결과를 담는 객체 

2. Results.속성 으로 result에 담긴 추론결과를 조회

• 추론 종류에 따른 속성
      - Detection: result.boxes - Boxes type
      - Segmentation: result.masks - Masks type
      - Classification: result.probs - torch.Tensor type
      - Pose estimator: result.keypoints - Keypoints  type
• 추가 정보
      - Results.orig_img: 추론한 원본 이미지
      - Results.orig_shape: 추론한 원본 이미지의 크기 (height, width)
      - Results.path: 추론한 원본이미지의 경로
      - Results.names: class2classname 정의한 딕셔너리 (key: 클래스, name: 클래스 이름)

 

 

이미지지정

print('총 이미지수:', len(result_list))
result = result_list[0] # 첫번째 이미지에 대한 결과

 

정보조회

print('원본이미지 경로:', result.path)
print('원본이미지 size:', result.orig_shape)
print('원본이미지 :', type(result.orig_img), result.orig_img_dtype)

 

 

class

#class
from pprint import pprint
pprint(result.names)

 

 

 

 

Objext detection 결과값 조회

: Boxes로 반환한다.

 

 

 

Object Detection결과를 다음 ->bbox 위치 + object class

# result_list[0]
boxes = result.boxes
print(type(boxes)) # Object Detection결과를 다음 ->bbox 위치 + object class

 

찾은 object의 정보

# 찾은 object 정보
print(boxes.cls.shape) #boxes.cls : ㅐobiect의 class(index) => [8] => 찾은 object가 8개, 8개 class
boxes.cls
for c, p in zip(boxes.cls,boxes.conf ):
    pirnt(f"{c} - {result.names[c.item()]}, {p*100:.3f}%")

 

 

찾은 object의 class 확률

print(boxes.conf.shape) # 찾은 object의 class 확률
boxes.conf

 

bbox의 위치

# bbox 위치
print(boxes.xyxy, boxes.xyxy.shape, sep ='\n') #shape: [8: 찾은 object의 개수, 4: 좌표(좌상단 xy, 우하단 xy)]

# 출력결과
# [바운딩 박스 좌표 데이터] -> 나중에 변환해야함
# (바운딩 박스 좌표 데이터의 형태 정보)


print(boxes.xyxyn, boxes.xyxy.shape, sep ='\n') #xyxyn=> o~1사이로 noramlize(정규화) -> 이미지 크기 대비 비율.

# bbox 위치 - xyxyh :conter x y 좌표,bbox의 너비 ,높이
print(bbox.xywh, bexes.xywh.shape, sep = '\n')
print(bbox.xywhn, bexes.xywh.shape, sep = '\n') #xywhn -> noramlinze(이미지 크기 대비 비율)

 

 

 

원본이미지에 bbox치고 class 출력

# 원본 이미지에 bbox를 치고 class를 출력
import cv2
from ultralytics import YOLO

#1. 모델 생성
model = YOLO("models/yolo8n.pt")
#2 추론
result_list = model("01_test_image/1.jpg")

#3. 추론 결과를 이용한 추가 작업 ==> bbox를 그리기

result = result_list[0]

# 원본이미지를 복사
org_img = result.orig_img
img = org_img.copy()

# bbox 추론결과를 조회
boxes = result.boxes
xyxy_list = boxes.xyxy # 좌상단, 우하단 좌표(bbox위치)
cls_list = boxes.cls # class index
conf_list = boxes.conf # class 확률


# tensor -> ndarray변환시 -> CPU로 이동 시킨 후 변환가능
for xyxy, cls, conf in zip(xyxy_list, cls_list, conf_list):
    pt1 = xyxy[:2].to("cpu").numpy().astype("int32") # 좌상단 좌표
    pt1 = xyxy[2:].to("cpu").numpy().astype("int32") # 우하단 좌표
    cls_name = result.names[cls.item()]
    txt = f"{cls_name} - {conf.item()*100:.2f}%"
    
#     image에 bbox
    cv2.rectangle(img, pt1 = pt1, pt2 = pt2, color(255,255,255), thickness =1)
    #label text
    cv2.putText(img, text = txt, org=pt1, fontFace= cv2.FONT_HERSHEY_COMPLEX, fontScale = 0.5,
               color=(225,225,225), thinckness =1, lineType=cv2.LINE_AA)
    
###img 출력
cv2.imshow("result", img)
cv2.waitKey()
cv2.destroyAllWindows()