Buradasın
Real Time Custom Object Detection Eğitim Serisi: Label Mitch ve TensorFlow ile Veri Seti Hazırlama
youtube.com/watch?v=_QYlZtG8q10Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitmen tarafından sunulan teknik bir eğitim serisinin ikinci bölümüdür. Eğitmen, izleyicilere adım adım kodlama sürecini göstermektedir.
- Video, Label Mitch programının Windows Anakonda IDE'si üzerinden kurulumunu ve veri setinin hazırlanmasını anlatmaktadır. İlk bölümde Chrome eklentisi kullanılarak "mask" adlı bir nesne için veri seti oluşturulurken, ikinci bölümde XML dosyalarının CSV formatına dönüştürülmesi ve ardından bu CSV dosyalarının TF Record formatına dönüştürülmesi gösterilmektedir.
- Eğitim serisi, bir sonraki videoda hazır bir SSD modeli üzerinden eğitim yapılacağı ve daha sonra 450 fotoğraflı bir video setinin nasıl oluşturulacağı anlatılacağı bilgisiyle devam edecektir.
- 00:09Real Time Custom Object Detection Video Serisi
- Bu video, real time custom object detection video serisinin ikinci videosu olup, Label Mitch programını kurma, data set indirme ve etiketleme sürecini içermektedir.
- Önceki videoda model master dosyası indirilmiş, research içerisinde kurulum yapılmış ve hazır bir model webcam detection kodunda test edilmiştir.
- Bu videoda model master dosyasına gerekli dosyalar oluşturulacak ve Label Mitch programı kurulacaktır.
- 01:24Dosya Yapısı Oluşturma
- Model master dosyasına "kastım objektif" adında bir klasör oluşturulmuş ve içerisine "data", "images" ve "training" klasörleri eklenmiştir.
- Training klasörüne "test" ve "train" adında iki alt klasör oluşturulmuştur.
- Label Mitch programı bu klasöre kurulacaktır.
- 02:18Label Mitch Kurulumu
- Label Mitch programı GitHub'dan indirilmiştir.
- Windows Anakonda IDE ile çalışılacağı belirtilmiştir.
- Kurulum için Proto programı kullanılarak gerekli komutlar çalıştırılmıştır.
- 04:37Chrome Eklentisi Kurulumu
- Resimleri otomatik indirmek için Chrome eklentisi kurulmuştur.
- İndirilen resimlerin konumu "model master" klasörünün "custom object image" klasörüne ayarlanmıştır.
- Maske maskeleri için internet araması yapılmış ve resimler indirilmiştir.
- 07:31Resimlerin Temizlenmesi
- İndirilen resimlerden eğitimde sıkıntıya çıkaracak datalar çıkarılmıştır.
- Kullanılacak resimler seçilip "kastım object" klasörünün "image" klasörüne taşınmıştır.
- Resimlerin isim karmaşası olduğu belirtilmiştir.
- 08:28Resimlerin Etiketlenmesi
- Label Mitch programı çalıştırılarak "image" klasörü açılmıştır.
- "Maske" adında bir etiket oluşturulmuş ve resimler etiketlenmiştir.
- Her kaydetme işlemi sonrası XML dosyaları oluşturulmuş ve bu dosyaların silinmemesi gerektiği belirtilmiştir.
- 11:39Data Set Oluşturma
- Etiketlenen resimler "test" ve "train" klasörlerine ayrılmıştır.
- İyi bir dataset seçimi eğitim için önemlidir.
- Etiketlenen resimlerin TensorFlow'a göre ayarlanması gerektiği belirtilmiştir.
- 12:25XML'den CSV'ye Dönüşüm
- XML to CSV ve test generate record adlı iki dosya bulunmaktadır.
- XML to CSV dosyası indirilerek çalıştırılacaktır.
- Kodda kullanılacak kütüphaneler ve oluşturulacak dosyanın kalınlıkları belirtilmiştir.
- 13:31CSV Dosyasının Oluşturulması
- Image train ve test klasörlerinden verilerin nasıl kaydedileceği ve bir pirinç çıkarılacağı belirtilmiştir.
- Python kodu çalıştırılarak CSV dosyası oluşturulmuştur.
- CSV dosyası data klasörü içerisinde image altında test ve train etiketlerine göre ayrılmıştır.
- 15:11TF Record Dosyalarının Oluşturulması
- Generate tf record komutu ile üç input verilmektedir: CSV dosyaları, TF record dosyalarının çıkacağı yer ve resimlerin bulunduğu yer.
- Row label kısmına etiketin ismi yazılmalıdır.
- Resimlerin JPG formatında olduğu belirtilmiştir.
- 16:27Test ve Train Verilerinin TF Record'a Dönüştürülmesi
- Test verileri için CSV dosyası, test record dosyası ve resimlerin bulunduğu yer belirtilerek kod çalıştırılmıştır.
- Train verileri için de benzer şekilde kod çalıştırılmıştır.
- TF record dosyaları TensorFlow anlayacağı şekilde oluşturulmuştur.
- 17:53Gelecek Videolar Hakkında Bilgi
- Bir sonraki videoda oluşturulan dosyalar model masters'ın API dosyasına bırakılacaktır.
- Hazır bir SSD modeli indirilecek ve daha önceden eğitilmiş ağırlıklar üzerinden eğitime başlanacaktır.
- Dördüncü videoda 450 fotoğraf edilen bir video gösterilecek, datasetin nasıl alınacağı, eğitim oranı ve test sonuçları anlatılacaktır.