The latest articles on DEV Community by GFStealer-666 (@gfstealer666). https://dev.to/gfstealer666 https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F1063155%2Fd3b8b34e-ce6f-4e76-9b5f-8ab8eaf5edd6.jpeg https://dev.to/gfstealer666 en GFStealer-666 Tue, 11 Apr 2023 14:23:51 +0000 https://dev.to/gfstealer666/kaaraich-yolo-alkrithuemainkaartrwcchcchabwatthu-object-detection-3lef https://dev.to/gfstealer666/kaaraich-yolo-alkrithuemainkaartrwcchcchabwatthu-object-detection-3lef <p><strong>ก่อนอื่นเรามาทำความรู้จัก YOLO กันก่อน</strong><br> <strong>YOLO คืออะไร?</strong></p> <p>YOLO ย่อมากจาก "You Only Look Once" เป็นโมเดลอัลกอริทั่มในการตรวจจับวัตถุ<br> ที่ถูกสร้างขึ้นโดยนายJoseph Redmon </p> <p><strong>หลักการทำงานคร่าวๆของ YOLO</strong> คือการแบ่งภาพออกเป็นช่องๆขนาด N*N หละจะใช้อัลกอริทั่มคำนวนค่าความเป็นไปได้ของข่องนั้นๆ ว่าจะเป็นวัตถุที่อยู่ใน dataset หรือไม่</p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fmcbh9enanta5bsvnan1k.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fmcbh9enanta5bsvnan1k.png" alt="Image description"></a></p> <p><strong>หัวข้อถัดไป การตรวจจับวัตถุ</strong><br> <strong>การตรวจจับวัตถุคืออะไร?</strong></p> <p>การตรวจจับวัตถุ หรือ <em>Object Detection</em> คือความสามารถในการตรวจจับวัตถุและบ่งบอกว่าวัตถุนั้นคืออะไรได้อย่างถูกต้อง <br> โดยเป็นหนึ่งในหน้าที่การทำงานของเทคโนโลยี Computer vision ที่จะทำการฝึกฝนระบบ AI คอมพิวเตอร์<br> ให้สามารถมองเห็นและเข้าใจในสิ่งที่มนุษย์สามารถทำได้ผ่านการรับค่ารูปภาพ วิดิโอต่างๆ โดยเป็น Object detection <br> นั้นเป็น Machine learning แบบ <strong>Deep learning</strong> เนื่องจากเป็นการสอนและฝึกฝนAI ให้ทำหน้าที่ได้เหมือนมนุษย์ </p> <p>โดย ณ ปัจจุบัน YOLO มีถึง Version 8 ในบทความนี้เราจะใช้ YOLOV5 โดยจะต่างกันตรง Feature ที่เพิ่มเข้ามาในเวอร์ชั่นหลังๆนั้นเอง</p> <p>เอาหละ เมื่อเกริ่นคร่าวๆเสร็จแล้วเรามาเริ่มกันเลยดีกว่า!</p> <p><strong>ขั้นตอนแรก</strong></p> <p>เปิด Google Colab ใช่แล้วเราจะใช้ Google Colab ในบทความนี้ เนื่องจากว่าเป็นภาษา Python และจำเป็นติดตั้ง Library ค่อนข้างเยอะ<br> เราเลยตัดปัญหาใช้ Google colabเลยง่ายดี ลิ้งไป <a href="https://colab.research.google.com/" rel="noopener noreferrer">Google Colab</a></p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fk5qp3vlgwggc2imkjope.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fk5qp3vlgwggc2imkjope.png" alt="Image description"></a></p> <p>ให้ทำการสร้าง notebook อันใหม่ขึ้นมาโล่ด!<br> <strong>อย่าลืมเปลี่ยนชื่อ notebook ด้วยนะจะได้ไม่สับสนทีหลัง</strong></p> <p><strong>ขั้นตอนที่ 2</strong><br> โคลนลิ้ง Git hub ของ YoloV5 มาลงโฟลเดอร์ภายใน Colab โดยใช้ชุดโค้ดคำสั่งดังนี้</p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> !git clone https://github.com/ultralytics/yolov5 %cd yolov5 %pip install -qr requirements.txt </code></pre> </div> <p>และจากนั้นจะมีโฟลเดอร์ชื่อ yolov5 มาแบบนี้ </p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fjju8wqi66eb40vagdewp.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fjju8wqi66eb40vagdewp.png" alt="Image description"></a></p> <p><strong>ข้อควรระวัง!!! ถ้ากดรัน Code นี้หลายๆรอบ จะทำให้โฟลเดอร์ซ้อนกันเรื่อยๆแบบนี้ จะมีปัญหาในการดึงค่า path ภายหลัง</strong></p> <p><strong>ขั้นตอนที่ 3</strong> </p> <p>รันโค้ดชุดนี้ เพื่อ import library เพิ่มเติม</p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> import torch from yolov5 import utils display = utils.notebook_init() </code></pre> </div> <p>ถ้าใครมีปัญหาแนะนำให้ดูเรื่อง Path ของโฟลเดอร์ yolov5 ดีๆ<br> รันเสร็จจะได้แบบนี้ </p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F06nqtj5iiyxt6u9t11v7.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F06nqtj5iiyxt6u9t11v7.png" alt="Image description"></a></p> <p><strong>ขั้นตอนที่ 4</strong></p> <p>จัดเตรียม dataset ในการเทรน model ของเรา<br> โดยในบทความครั้งนี้จะใช้ไฟล์ชื่อ coco128.yaml เนื่องจากเป็นไฟล์ที่ YOLOV5 มีในตัว ถือว่าค่อนข้างสะดวก<br> หรือถ้าอยากจะเทรน dataset แบบ custom สามารถไปแก้ไขภายในไฟล์ได้<br> ใช้โค้ดชุดนี้ในการรันคำสั่ง </p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> !python train.py --img 640 --batch 8 --epochs 10 --data coco128.yaml --weights yolov5s.pt --cache </code></pre> </div> <p><strong>โดยค่าข้างในเราสามารถปรับแต่งเองได้ ดังนี้</strong></p> <ol> <li>image จะกำหนดค่าขนาดของภาพที่ใช้ในการเทรน</li> <li>batch จะเป็นการแบ่ง datasetให้เล็กลง ว่าจะหารเท่าไร (ในที่นี้คือ 128/8 จะได้เท่ากับ 16)</li> <li>epochs ให้เทรนทั้งหมดกี่ครั้งหลังจากรัน batch ทั้งหมด จะเพิ่มค่าความแม่นยำ</li> <li>data ไฟล์ที่จะใช้เทรนในที่นี้คือ coco128.yaml</li> <li>weights output ไฟล์ที่เทรนเสร็จแล้ว</li> </ol> <p><strong>ทริค!! ในส่วนของ cache ใช้คำสั่ง --cache ram หรือ --cache disk ในการทำให้เทรนเร็วขึ้นแต่กินสเปคคอมนะจ๊ะ</strong></p> <p><strong>ขั้นตอนที่ 5</strong></p> <p>รอเทรน ใช่แล้วรอเทรนให้เสร็จยังไงหละ รออย่างเดียวจะค่อนข้างนาน<br> โดยจะรันทั้งหมดตามค่า epochs ว่ากี่รอบโดยเริ่มจาก 0 <br> ในที่นี้ก็คือ 0-9 รอบ รอไป!</p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fsxlfv6u9rgyalklh0ydq.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fsxlfv6u9rgyalklh0ydq.png" alt="Image description"></a></p> <p>ใช้เวลาค่อนข้างนานยิ่งถ้าไม่ได้ใช้ ram หรือ disk หละก็อย่างต่ำครึ่งชม.ต้องมา</p> <p>เทรนเสร็จแล้ว! จะได้ภาพคร่าวๆดังนี้</p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fon6wkrvpklhtiehscmfu.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fon6wkrvpklhtiehscmfu.png" alt="Image description"></a></p> <p>และดูว่าไฟล์จะไปเซฟที่ไหน ถ้าเกิดเราเทรนหลายๆครั้งและยกเลิกชื่อโฟลเดอร์จะเปลี่ยนไป<br> <strong>ให้หาโฟลเดอร์ชื่อ weight/ และใช้ไฟล์ best.pt แบบนี้</strong> </p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Flj074cvt9efucjpgwnqq.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Flj074cvt9efucjpgwnqq.png" alt="Image description"></a></p> <p><strong>ขั้นตอนที่ 6</strong></p> <p>อัพภาพขึ้น Google colab สามารถข้ามตรงนี้ได้ถ้าอยากอัพไฟล์ขึ้นเอง</p> <p>*<em>โดยจะใช้โค้ดคำสั่งชุดนี้ *</em></p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> from google.colab import files uploaded = files.upload() </code></pre> </div> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F89p5orvjtnuyhyui91fe.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F89p5orvjtnuyhyui91fe.png" alt="Image description"></a></p> <p>หละก็อัพโหลดภาพขึ้นโหลดหลังจากนั้นจะแก้ชื่อภาพหรือย้ายไปโฟลเดอร์ไหนตามใจได้เลยจ้า</p> <p>พอได้มากดคลิ๊กขวา! แหละ Copy path มันมาซะ เราจะเอาไปใช้ในขั้นตอนต่อไป!</p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fzcv5neh0piu0nz5g5axj.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fzcv5neh0piu0nz5g5axj.png" alt="Image description"></a></p> <p><strong>ขั้นตอนที่ 7</strong></p> <p>ได้เวลาแห่งความจริงในการตรวจจับภาพ</p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fxqz0jyu0uxa26e8ovrbx.jpg" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fxqz0jyu0uxa26e8ovrbx.jpg" alt="Image description"></a></p> <p>ใช้โค้ดคำสั่งชุดนี้ในการรัน</p> <div class="highlight js-code-highlight"> <pre class="highlight plaintext"><code> !python detect.py --source /content/yolov5/myfriend.jpg --weights /content/yolov5/runs/train/exp/weights/best.pt </code></pre> </div> <p>โดยหาไฟล์ชื่อ detect.py ให้เจอนะ ถ้าใครไม่มี! กลับไปขั้นตอนที่ 2 ด่วน</p> <p>ต่อมาคือการ<strong>ใช้ path ไฟล์</strong></p> <p>--source คือ ต่ำแหน่งของภาพที่ก็อปมาเมื่อกี้ มาวางตรงนี้โล่ด<br> --weight คือ model ที่เราเทรนเสร็จแล้ว copy path ไฟล์ best.pt มาแปะ</p> <p><strong>แล้วก็รันโล่ด!!!</strong></p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F9yipcau5ood94pbk72qu.png" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F9yipcau5ood94pbk72qu.png" alt="Image description"></a></p> <p>จะได้ผลลัพธ์ออกมาประมาณนี้ <br> <strong>เนื่องจากกำหนดขนาดไฟล์ภาพเป็น 640 ภาพเลยจะมีขนาดแคบกว่าปกติ</strong></p> <p>ตัวอย่างที่ 1 : <br> <a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Febdpw024akkaufam38h7.jpg" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Febdpw024akkaufam38h7.jpg" alt="Image description"></a></p> <p>ตัวอย่างที่ 2 :</p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fp83uk6purd0uys8kdlnd.jpg" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fp83uk6purd0uys8kdlnd.jpg" alt="Image description"></a></p> <p>ตัวอย่างที่ 3 :</p> <p><a href="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F9hw5a6tyd6goxtzz0u23.jpg" class="article-body-image-wrapper"><img src="https://media.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F9hw5a6tyd6goxtzz0u23.jpg" alt="Image description"></a></p> <p>*<strong><em>เห็นว่าจะมี error อยู่ตรงหน้ากากปิดหน้าที่ AI ตรวจจับเป็นโทรศัพท์มือถือแทน แนะนำว่าควรเพิ่มจำนวนครั้งที่เทรน เพื่อเพิ่มค่าความแม่นยำขึ้น</em></strong>*</p> <p>และนี้ก็เป็น Tutorial คร่าวๆสำหรับผู้เริ่มใช้ YoloV5 อัลกอริทึ่มในการทำ Object detectionแบบเริ่มต้นนะครับ ขอบคุณที่อ่านมาจนจบถึงตอนนี้ หวังว่าบทความนี้จะเป็นประโยชน์ไม่น้อยก็มากต่อผู้อ่านนะครับ <strong>ขอบคุณครับผม</strong>!</p> <p><strong>Reference ทั้งหมดที่ใช้นะ</strong><br> เนื่องจากบล็อกนี้เขียนขึ้นมาใหม่เอง <br> เป็นการรรวมกันของหลายๆเว็บจึงมีเรฟค่อนข้างเยอะ</p> <ul> <li><a href="https://www.datacamp.com/blog/yolo-object-detection-explained" rel="noopener noreferrer">https://www.datacamp.com/blog/yolo-object-detection-explained</a></li> <li><a href="https://www.analyticsvidhya.com/blog/2022/06/yolo-algorithm-for-custom-object-detection/" rel="noopener noreferrer">https://www.analyticsvidhya.com/blog/2022/06/yolo-algorithm-for-custom-object-detection/</a></li> <li><a href="https://github.com/ultralytics/yolov5/wiki#tutorials" rel="noopener noreferrer">https://github.com/ultralytics/yolov5/wiki#tutorials</a></li> <li> <a href="https://www.v7labs.com/blog/yolo-object-detection#:%7E:text=YOLO%20(You%20Only%20Look%20Once,for%20its%20speed%20and%20accuracy" rel="noopener noreferrer">https://www.v7labs.com/blog/yolo-object-detection#:~:text=YOLO%20(You%20Only%20Look%20Once,for%20its%20speed%20and%20accuracy</a>.</li> <li><a href="https://docs.ultralytics.com/yolov5/train_custom_data/" rel="noopener noreferrer">https://docs.ultralytics.com/yolov5/train_custom_data/</a></li> <li><a href="https://medium.com/@model.predict/epoch-%E0%B8%81%E0%B8%B1%E0%B8%9A-iterations-%E0%B9%81%E0%B8%A5%E0%B8%B0-batch-size-%E0%B9%81%E0%B8%95%E0%B8%81%E0%B8%95%E0%B9%88%E0%B8%B2%E0%B8%87%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%AD%E0%B8%A2%E0%B9%88%E0%B8%B2%E0%B8%87%E0%B9%84%E0%B8%A3-c16f1c6a0c8e" rel="noopener noreferrer">https://medium.com/@model.predict/epoch</a></li> </ul> python deeplearning yolo tutorial