iX Tutorial zur Objekterkennung in Python3 mit Tensorflow 2 und YOLOv3

Dieses Repository enthält Quellcode für das dreiteilige iX Tutorial Ein eigenes Deep Learning Modell für NVIDIAs Jetson Familie erstellen. Es basiert in Teilen auf Beispielen von Yun Yan (https://github.com/YunYang1994/TensorFlow2.0-Examples/tree/master/4-Object_Detection/YOLOV3). Für diese Artikelserie wurde der Quellcode ein eingen Stellen überarbeitet und weiterentwickelt um in Kombination mit Google Colab Notebooks zusammenarbeiten zu können. Neben diesem Quellcode-Repository existiert ein Daten-Repository das zwingend für die Nutzung benötigt wird. Beide Repositories sollten zusammen genutzt werden.

Installation in Google Colab

Um mit dem Tutorial innerhalb von Google Colab optimal arbeiten zu können, sollte es wie folgt installiert werden:

%cd /content/
!git clone https://github.com/rawar/ix-tut-yolov3.git

Das Daten-Repository kann dann mit

%cd /content/ix-tut-yolov3
!git clone https://github.com/rawar/ix-tut-yolov3-data.git

innerhalb des Quellcode-Repositories installiert werden.

Wo liegt was?

Im Repository ix-tut-yolov3 gibt es vier Verzeichnisse:

1. core - beinhaltet alle für das YOLOv3 Modell für Keras nötigen Dateien
2. notebooks - die Google Colab Notebooks des Tutorials
3. docs - enthält ein paar Abbildungen für dieses README
4. tests - enthält ein paar Test-Bilder

Im Hauptverzeichnis liegen die nötigen Python3-Skripte für das Modelltraining und Modelltesting.

Modell-Training

Für das Modell-Training sollte folgendes Log-Verzeichnis unterhalb von ix-tut-yolov3-data angelegt werden mit

!mkdir /content/ix-tut-yolov3/ix-tut-yolov3-data/logs

Mit Hilfe des Trainings-Skripts

!python3 train.py

lässt sich das Training starten. Aktuell wird das Model starwars_yolov3 über 50 Epochen trainiert, was 11950 Trainingsschritten entspricht.

Tensorboard

Der Fortschritt beim Modelltraining lässt sich auch in Google Colab mit Hilfe von Tensorboard verfolgen. Dazu lässt sich die Tensorboard-Erweiterung mit

try:
  %tensorflow_version 2.x
except Exception:
  pass

%load_ext tensorboard

laden und mit Hilfe des Magic-Kommandos

%tensorboard --logdir /content/ix-tut-yolov3/ix-tut-yolov3-data/logs/

laden und anzeigen.

Modell Test

Ein trainiertes Modell kann mit Hilfe von image_demo.py getestet werden. Im Verzeichnis tests finden sich ein paar Testbilder.