【機械学習】SSD300を使って物体検出をしてみよう

高速で物体検出をしていこうと思うと、SSD(Single Shot MultiBox Detector)というものと Yolo(You only look once) の二つが人気です。

今回は、そのうちのSSDを使っていきたいと思いますが、先に物体検出ってどういう感じのものかを下に乗せておきます。

 

 

それと、この記事ではSSDの中身を詳しく説明するのではなく、まずSSDをどのように実行していけばいいのかを説明していきます。

 

 


参考にさせて頂いたサイト

SSD: Single Shot MultiBox Detector 高速リアルタイム物体検出デモをKerasで試す - Qiita
リアルタイムに物体検出するのってどうやるんだろう?と思い調べてみたら、想像以上に高機能なモデルが公開されていたので試してみました。こんな感じです。 自動運転で良く見るようなリアルタイムの物体認識をしています。このモデルは「Sin...

基本的にこのサイトを参考にさせて頂きました。

 

 


必要な実行環境

他の記事の「深層学習を用いて画像判定AIを作ってみよう。(その1環境構築)」というもので、Anaconda3でGPU環境を構築する必要があります。

深層学習を用いて画像判定AIを作ってみよう。【Pythonの実行環境構築#1】 | 趣味ブログ
深層学習を使うので、今回はPython3を使って機械学習アプリを作っていきます。Anaconda3のインストールまず、Python3を使える環境を作るため、Anaconda3をインストールしていきます。 ここを開いて、Download No
  • Tensorflow-gpu 1.12.0
  • cuDNN7.1.4
  • CUDA9.0

 


SSD Keras

windowsであれば、コマンドプロンプトから以下を入力して、レポジトリをクローンします。

“git clone https://github.com/rykov8/ssd_keras.git”

“cd ssd_keras”

 

次に、学習済みモデルを https://github.com/rykov8/ssd_keras からダウンロードします。

 

上のようなページへ移動したら、”here”というリンクに移動し、以下の”weights_SSD300.hdf5“をダウンロードします。

先ほどクローンしたレポジトリのpicsフォルダにサンプル画像が入っているので、ジュピターノートブックから、”SSD.ipynb”を開きます。

ジュピターノートブックを開く際は、コマンドプロンプトに”jupyter notebook “と入力するか、anaconda navigatorから開くこともできます。

 

そこから、SSD.ipynbを開くと、以下の画像のように先のサンプル画像の物体検出されています。

サンプル画像があるpicsフォルダの画像を自分で検証したいものに取り換えてやってみても良いでしょう。

これで、先のダウンロードした学習済みモデルには、

 

‘Aeroplane’, ‘Bicycle’, ‘Bird’, ‘Boat’, ‘Bottle’,
‘Bus’, ‘Car’, ‘Cat’, ‘Chair’, ‘Cow’, ‘Diningtable’,
‘Dog’, ‘Horse’,’Motorbike’, ‘Person’, ‘Pottedplant’,
‘Sheep’, ‘Sofa’, ‘Train’, ‘Tvmonitor’

 

が入っているので、この中のものは検出が可能になります。

もちろん学習済みモデルを独自モデルにすることはできますが、それは後程に。

 

ですが、今回やりたいことは動画の中での物体検出なので、次に進みます。

そして物体検出に進む前に、Kerasのバージョン2以上の場合は以下の変更が必要になります。変更する箇所が多いので、エディタ機能で置換などを使うと手早くできます。

変更箇所は下にも載せておきましたが、https://qiita.com/ttskng/items/4f67f4bbda2568229956

を参考にさせてもらいました。

 

 

ssd.py:

  • (13行目) from keras.layers import merge  => from keras.layers import concatenate 
  • (282,290,298,316行目) merge => concatenate
  • (258,265,272,287行目) mode=’concat’の部分だけ削除
  • concat_axis=1  =>  axis=1

のように変更します。


ssd_layers.py :

  • (111行目) def get_output_shape_for(self, input_shape): => def compute_output_shape(self, input_shape):

のように変更します。

 


SSD_training.ipynb :

nb_epoch = 30
history = model.fit_generator(gen.generate(True), gen.train_batches,
                              nb_epoch, verbose=1,
                              callbacks=callbacks,
                              validation_data=gen.generate(False),
                              nb_val_samples=gen.val_batches,
                              nb_worker=1)

の部分を以下に変更します。
epochs = 30
batch_size=16 #例
history = model.fit_generator(gen.generate(True), 
                     steps_per_epoch =gen.train_batches//batch_size,
                              epochs=epochs, verbose=1,
                              callbacks=callbacks,
                              validation_data=gen.generate(False),
                              validation_steps=gen.val_batches,
                              workers=1)


videotest.py:

  • (87行目)vidw = vid.get(cv2.CAP_PROP_FRAME_WIDTH)
  • (88行目)vidh = vid.get(cv2_CAP_PROP_FRAME_HEIGHT)
  • (93行目)vid.set(cv2.CAP_PROP_POS_MSEC, start_frame)

のように変更します。

 

以上のように変更できたら、動画の物体検出に移ります。

 


 

まず、ssd_kerasにあるtesting_utils/videotest.pyのコードを修正します。

videotest.py :

  • (87行目)vidw = vid.get(cv2.CAP_PROP_FRAME_WIDTH)
  • (88行目)vidh = vid.get(cv2.CAP_PROP_FRAME_HEIGHT)

のように変更します。

また物体検出したい動画を指定するのは、videotest_example.pyで行います。

videotest_example.py :

  • (24行目)vid_test.run(‘path/to/your/video.mkv’)のpath/to/your/video.mkvの部分を動画名に変更します。

ここでの検証動画が決まっていない場合には、PEXELS VIDEOS でダウンロードですると良いでしょう。

 

準備ができたら、”videotest_example.py”と実行してみましょう。

 

下にサンプル動画を載せておきます。

 

 

 

 

 

コメント