Firat University - YMH414 Graduation Project, Spring 2019-2020 Project - Heliport Aircraft and Ship Detection Using Faster R-CNN
Benim ortamımda kullandığım Anaconda Versiyonu = Anaconda 3-2020.02 Python 3.7
İlk olarak geliştirme yapacağımız ortam dizinini oluşturuyoruz. Ben "C:" dizininin altına "bitirme" isminde bir dizin oluşturuyorum.
cd C:\
mkdir bitirme
https://github.com/tensorflow/models adresinden Tensorflow Object Detection API dosyaları indirilir. İndirilen sıkıştırılmış dosyayı oluşturduğumuz "C:\bitirme" dizini içerisine atıyoruz. İsminide "models" olarak değiştiriyoruz.
Faster RCNN modelini indirip "C:\bitirme\models\research\object_detection" dizini içerisine çıkartıyoruz.
https://github.com/furkanatesli/harita-kiymetlendirme adresindeki repo indirilir. İndirilen sıkıştırılmış dosyayı "C:\bitirme\models\research\object_detection" dizini içerisine çıkartıyoruz.
Ben sanal ortamda Python => 3.5 Tensorflow => 1.15.0 versiyonlarını kullanacağım.
İlk olarak sanal ortamı oluşturuyoruz.
conda create -n bitirme pip python=3.5
Oluştuduğumuz sanal ortamı aktif ediyoruz.
activate bitirme
pip'i Güncelliyoruz.
python -m pip install --upgrade pip
Tensorflow yüklüyoruz.
pip install --ignore-installed --upgrade tensorflow==1.15.0
pip install --ignore-installed --upgrade tensorflow-gpu==1.15.0
Ve ardından gerekli olan diğer kütüphaneleri yüklüyoruz.
conda install -c anaconda protobuf
pip install pillow
pip install lxml
pip install Cython
pip install contextlib2
pip install jupyter
pip install matplotlib
pip install pandas
pip install opencv-python
Python path'ımızı oluşturup path'a ekliyoruz.
set PYTHONPATH=C:\bitirme\models;C:\bitirme\models\research;C:\bitirme\models\research\slim
set PATH=%PATH%;PYTHONPATH
Protobuf'ları derliyoruz.
protoc --python_out=. .\object_detection\protos\anchor_generator.proto .\object_detection\protos\argmax_matcher.proto .\object_detection\protos\bipartite_matcher.proto .\object_detection\protos\box_coder.proto .\object_detection\protos\box_predictor.proto .\object_detection\protos\eval.proto .\object_detection\protos\faster_rcnn.proto .\object_detection\protos\faster_rcnn_box_coder.proto .\object_detection\protos\grid_anchor_generator.proto .\object_detection\protos\hyperparams.proto .\object_detection\protos\image_resizer.proto .\object_detection\protos\input_reader.proto .\object_detection\protos\losses.proto .\object_detection\protos\matcher.proto .\object_detection\protos\mean_stddev_box_coder.proto .\object_detection\protos\model.proto .\object_detection\protos\optimizer.proto .\object_detection\protos\pipeline.proto .\object_detection\protos\post_processing.proto .\object_detection\protos\preprocessor.proto .\object_detection\protos\region_similarity_calculator.proto .\object_detection\protos\square_box_coder.proto .\object_detection\protos\ssd.proto .\object_detection\protos\ssd_anchor_generator.proto .\object_detection\protos\string_int_label_map.proto .\object_detection\protos\train.proto .\object_detection\protos\keypoint_box_coder.proto .\object_detection\protos\multiscale_anchor_generator.proto .\object_detection\protos\graph_rewriter.proto .\object_detection\protos\calibration.proto .\object_detection\protos\flexible_grid_anchor_generator.proto
Ve son olarak şu komutlar çalıştırılır.
python setup.py build
python setup.py install
Ben bu projede uydu görüntülerinden Heliport, Uçak ve Gemi görüntülerini bulup etiketledim sizde istediğiniz nesneye ait görüntüleri bulup işleme yapabilirsiniz.
https://github.com/tzutalin/labelImg adresinden labelleme uygulamasını indirip kullanabilirsiniz.
Ben 20|80 olarak test ve eğitim verilerimi ayırdım bu ayırdığımız verileri. "C:\bitirme\models\research\object_detection\images" dizini içerisindeki train ve test klasörlerine labelli halleri ile atıyoruz.
Daha sonra labellerimize ait csv dosyalarını oluşturmak için "C:\bitirme\models\research\object_detection" dizininde bulunan xml_to_csv.py dosyasını çalıştırıyoruz.
python xml_to_csv.py
Bu kod "C:\bitirme\models\research\object_detection\images" dizininde train_labels.csv ve test_labels.csv iki adet dosya üretecektir.
"C:\bitirme\models\research\object_detection\generate_tfrecord.py" dosyası içerisindeki kodlar 31.satırdan itibaren bu şekilde düzenlendi.
# TO-DO replace this with label map
def class_text_to_int(row_label):
if row_label == 'heliport':
return 1
elif row_label == 'ucak':
return 2
elif row_label == 'gemi':
return 3
else:
None
.record dosyalarının oluşturulması için aşağıdaki komutlar sırasıyla çalıştırılır.
python generate_tfrecord.py --csv_input=images\train_labels.csv --image_dir=images\train --output_path=train.record
python generate_tfrecord.py --csv_input=images\test_labels.csv --image_dir=images\test --output_path=test.record
"C:\tensorflow2\models\research\object_detection\training" dizininde uzantısı .pbtxt olan bir labelmap.pbtxt dosyasını oluşturuyoruz.
Bu dosyanın içerisine id ve name'leri generate_tfrecord.py dosyasında verdiğimiz düzene göre veriyoruz.
item {
id: 1
name: 'heliport'
}
item {
id: 2
name: 'ucak'
}
item {
id: 3
name: 'gemi'
}
"C:\bitirme\models\research\object_detection\samples\configs\faster_rcnn_inception_v2_pets.config" dosyasını "C:\bitirme\models\research\object_detection\training" dizini içerisine kopyalıyoruz.
"C:\bitirme\models\research\object_detection\training\faster_rcnn_inception_v2_pets.config" dosyasını açarak içerisindeki satırları şu şekilde düznliyoruz.
- satırda sınıf sayısını veriyoruz benim 3 adet sınıfım var.
num_classes: 3
- satırda model yolumuzu belirtiyoruz.
fine_tune_checkpoint: "C:/bitirme/models/research/object_detection/faster_rcnn_inception_v2_coco_2018_01_28/model.ckpt"
- satırda train.record dosyamızın yolunu belirtiyoruz.
input_path: "C:/bitirme/models/research/object_detection/train.record"
- satırda labelmap.pbtxt dosyamazın yolunu belirtiyoruz.
label_map_path: "C:/bitirme/models/research/object_detection/training/labelmap.pbtxt"
- satırda test resimi sayısını belirtiyoruz.(Sadece resim sayısı)
num_examples: 86
- satırda test.record dosyamızın yolunu belirtiyoruz.
input_path: "C:/bitirme/models/research/object_detection/test.record"
- satırda labelmap.pbtxt dosyamazın yolunu belirtiyoruz.
label_map_path: "C:/bitirme/models/research/object_detection/training/labelmap.pbtxt"
Tüm aşabalar doğu şekilde tamamlandıktan sonra eğitimi başlatıyoruz.
python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/faster_rcnn_inception_v2_pets.config
Yeni bir Anaconda Promt açıyoruz. Sanal ortama aktif ediyoruz. "C:\bitirme\models\research\object_detection" dizinine gidiyoruz.
tensorboard --logdir=training
Bu komut bize localde :6006 portunda çalışan bir web sayfası oluşturuyor. Bu sayfaya giderek eğitime ait kayıtları görsel bir şekilde görüntüleyebiliriz.
classification_loss grafiği.
localization_loss grafiği.
TotalLoss grafiği.
Ve daha birçok grafiği Tensorboard ile görüntüleyebilirsiniz.
Eğitimden aldığımız sonuç grafını çıkarmamız gerekiyor. Bunun için aşağıdaki komutu XXXX olan yerlere son eğitimin seri numarasını yazıyoruz.
python export_inference_graph.py --input_type image_tensor --pipeline_config_path training/faster_rcnn_inception_v2_pets.config --trained_checkpoint_prefix training/model.ckpt-XXXX --output_directory inference_graph
Hem Uçak hemde Heliport olan bir uydu görüntüsü testi.
Hem Uçak hemde Heliport olan bir uydu görüntüsü testi.
Gemi olan bir uydu görüntüsü testi.
Heliport olan bir drone videosu testi.
