• 코랩 파일

책 그림 8-17

• 사물검출이란 다수의 사물이 존재하는 상황에서 각 사물의 위치와 클래스를 찾는 기술.
• 현업사례:
  1. 딥노이드 회사의 선배는 인천공항에서 위반된 물품을 사물검출하는 기술을 구현하고 유지보수를 하고 있습니다.
  2. 딥노이드 회사의 폐사진에서 폐결절 부분을 찾아내는 사물검출
  3. 일본에서 도심에서 거리의 유동인구를 카운트 해서 인구가 많아지면 경고 메세지를 발동

<yolo의 원리>

책 그림 8-18

1. 원본이미지가 신경망에 입력이 됩니다.
2. 입력이미지에서 후보영역(region proposals) 를 여러개 추출합니다. 후보영역은 물체가 있을 가능성이 높은 부분을 뜻합니다.
3. 후보영역중에 물체로 보이는 가장 확률이 높은 사진을 추출
4. cnn 신경망에 입력해서 분류합니다.

■ 성능을 올리는 방법

1. 데이터 증강 : 데이터를 다양하게 변형해서 학습 데이터의 다양성을 높이는 방법을 사용합니다.

   • 욜로는 자동으로 이미지를 증식 시키는 기능이 있습니다.

   #모델 학습 실행
   
   model.train(
   data=data_yaml,  # 학습에 사용할 데이터 경로 (data.yaml 파일)
   epochs=100,  # 학습을 반복할 횟수
   imgsz=640,  # 640x640 해상도 크기 , 이미지 크기
   batch=16,  # 한번에 학습할 이미지의 갯수
   name='pineapple_apple_detector',  # 프로젝트 이름
   workers=8  # 데이터 로딩에 사용할 CPU 코어 수,
   								##### 추가
   augment= True   # 데이터 증강 자동 활성화
   								##### 추가
   )
   

2. 더 큰 Yolo 모델 사용

   1. 가장 가벼운 모델 : model = YOLO('yolov8v.pt')
   2. 2. 중간 모델 : model = YOLO('yolov8m.pt')
   3. 3. large 모델 : model = YOLO('yolov8l.pt')