Respostas no Fórum
- Posts
Olá Rafael!
- Para o YOLOv8 não há uma recomendação pois depende muito do dataset e de seu tamanho ou suas características, mas uma dica geral é começar com pelo menos uns 300 epochs. Em seguida, verifique se não ocorre o overfitting, caso não ocorra continue treinando por mais tempo. Aumente para 500, 700, 1000, e assim sucessivamente. Ou seja, enquanto não ocorrer o overfitting você pode continuar sempre treinando mais. E observe a métrica mAP durante o treinamento, quando notar que ela estabilizar e não aumentar mais após algumas épocas então treinou o suficiente (porém, oscilar um pouco entre as epochs é normal).
- Para salvar direto no Drive, você pode usar o parâmetro “project” da função train().
Com ele, você pode mudar o local onde deseja que os pesos treinados sejam salvos. Se você passar um caminho que seja dentro de /content/gdrive/MyDrive/ (igual como foi demonstrado nas aulas de treinamento do YOLOv4) então os pesos atualizados serão salvos dentro do Drive. E os melhores pesos serão aqueles com “-best” no nome.
Exemplo de código:
project = ‘/content/gdrive/MyDrive/treinamentoYOLO’ # diretorio drive
resultados = model.train(data=arquivo_config, epochs=10, imgsz=640, name=’yolov8s_modelo’, project=project)Olá, acabei de verificar aqui e aparece essa mensagem agora devido a uma mudança na versão da biblioteca Numpy que é automaticamente atribuída à sessão do Colab. Até poucos dias atrás era associada uma versão onde não ocorria essa incompatibilidade, e agora o Colab associa uma recente onde ocorre atualmente um conflito e que ainda não foi resolvido pelos autores.
Para resolver, basta voltar ao outro release, para isso adicione esse comando logo antes do código onde faz o import das bibliotecas (na seção “Importação das bibliotecas”)
!pip install numpy==1.23
Ao executar esse comando provavelmente vai aparecer uma caixa no meio da tela com a mensagem “Reiniciar sessão”, clique para reiniciar. Se não aparecer, clique no botão [Restart Session] (que aparece na saída da célula que você executou o comando !pip, o botão deve aparecer ao final dessa célula, logo após os avisos).
Após reiniciar, prossiga para os imports, executando o restante do código na ordem.Se quiser conferir aqui no Colab, mas basicamente é apenas isso que precisa. Acabei de executar o mesmo código novamente e funcionou tudo corretamente agora, mas qualquer dúvida é só me avisar aqui.
Olá Edison!
Esse erro ocorre pois está apenas com 1 underline antes e 1 após a palavra version, na verdade são 2.
Ou seja, ao invés de _version_ mude para __version__
Olá Heitor!
Devido a algumas incompatibilidades com versões mais recentes das bibliotecas, é necessário agora algumas pequenas mudanças no código do repositório. A maneira mais fácil de resolver é a seguinte:
1) Alterar a primeira linha (que clona o repositório) agora deverá ser assim:
!git clone https://github.com/davidstap/AttnGAN.git
(ou seja, mudou de dvschultz para davidstap)
2) A linha de código onde atualmente está assim
!pip install torchvision==0.11.1
!pip install pyyaml==5.4.1Deverá agora ficar assim:
!pip install torch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 torchdata==0.5.1 torchtext==0.14.1
!pip3 install “cython<3.0” wheel && pip3 install –no-build-isolation “pyyaml==5.4.1”Se preferir, pode acessar o código da seção aqui.
Olá Matheus!
Para mais detalhes veja a aula “Aviso sobre atualização no Colab”, mas resumidamente, a recomendação é acessar o Colab da aula e copiar de lá os passos de instalação e configuração do ambiente, assim fica mais fácil e rápido.
O Colab referente à primeira aula sobre Mask R-CNN é esse: https://colab.research.google.com/drive/1u32bsDb9M8ir2VaZvkOyUfJJV3v6OEML?usp=sharing
E o Colab para as aulas sobre o treinamento customizado é esse: https://colab.research.google.com/drive/1CEu9aKbtM0jDZMUN2282fMwV4c-fEn5O
As mudanças estão comentadas logo no início do Colab, o que precisa fazer é basicamente baixar o repositório contendo o código atualizado para a versão 2.x do Tensorflow.
Depois disso é para conseguir executar normalmente sem essa mensagem. Mas caso continue a ver algum erro que impeça a execução do restante do código então peço que compartilhe aqui o seu Colab, pois pode haver alguma outra coisa interferindo.
Olá Sandro!
Esse erro é devido a uma incompatibilidade recente que ocorreu com a versão automaticamente atribuída para o pytorch na sessão.
Para evitar essa mensagem de erro, basta executar o comando abaixo logo no início do Colab, executando toda vez que iniciar a sessão
!pip uninstall torch -y
!python -m pip install torch==2.0.1 torchvision==0.15.2 –extra-index-url https://download.pytorch.org/whl/cu118Em seguida, pode continuar a rodar o restante do código.
Basta colar no início do Colab e executar, mas se tiver dúvidas confira aqui o Colab oficial da aula pois lá já se encontra atualizado.
Olá! Isso ocorre pois você passou da quota limite permitida para uso gratuito da GPU. Para resolver basta esperar algumas horas e então o Colab reseta essa quota e conseguirá usar a GPU de novo, mas dependendo do caso pode ser necessário aguardar até o dia seguinte. Se precisar acessar com certa urgência, use uma conta Google reserva e então conseguirá usar normalmente até que se passe algumas horas e consiga usar de novo a outra conta.
Mas essa parte do código em questão ainda não é necessário usar GPU, então você pode executar pela CPU mesmo (que não possui limites, apenas o limite máximo de duração de uma sessão que é de 12h, mas se chegar a usar tudo isso direto basta reiniciar a sessão).
Para mudar para CPU, selecione no menu do topo: Ambiente de execução > Alterar o tipo de ambiente de execução.
e em Acelerador de Hardware mude para CPU.Olá Niko e Abraão!
Recomendo seguir esse artigo pois apresenta um checklist do que fazer para treinar no AWS, talvez o problema seja devido à falta de algum detalhe (tem um vídeo bom também explicando, veja aqui).
Mas ainda quanto ao fato de desconectar do Colab, você disse que fez um bot para ficar mexendo a tela né, sugiro você também testar esse código aqui: https://stackoverflow.com/a/60579132 feito para evitar as desconexões. Teste e me avise qualquer coisa por aqui.
E quanto à sua dúvida Abraão, você pode facilmente baixar o código em um arquivo no formato .py, ou seja, o formato esperado pelo PyCharm e VSCode. Para isso, basta ir abrir o Colab que deseja baixar, e no menu do topo selecione a opção Arquivo > Fazer download > Fazer do download de .py
Olá Abraão!
Tem como sim. Para rodar no Pycharm, basicamente você só precisar copiar os códigos e reunir num único arquivo e só cuidar quando for “converter” de .ipynb (formato usado pelo Colab, que é baseado no Jupyter Notebook) para .py. Você pode fazer isso manualmente, é bem simples, só precisa se atentar à algumas funções que são usadas no Colab, como o cv2_imshow, que ficará cv2.imshow em .py. Ou ainda, você pode simplesmente baixar o código já em .py direto pelo Colab. Para isso, selecione a opção do menu: Arquivo > Download > Download .py
Se for usar a implementação com OpenCV pelo módulo DNN você precisa apenas instalar as bibliotecas necessárias (mostradas em aula) e importá-las corretamente em sua IDE, já que não estará utilizando o Darknet então não precisa executar aqueles procedimentos para compilar.
Caso use a implementação com Darknet, você precisa executar os comandos pelo Terminal / prompt de comando, então sugiro usar a IDE apenas pra executar os scripts em python. Para compilar no Windows você precisa fazer isso usando o CMake, conforme é explicado aqui (ou também pode usar esse método).
Olá Anderson!
Esse botão só libera quando conclui a aula. Ou seja, precisa chegar até o fim do vídeo e aí sim pode marcar como concluído. Eu tentei acessar aqui essa mesma aula desse curso e deu certo.
Portanto verifique se o botão continua cinza (e não clicável), avance a até chegar ao final do vídeo e verifique então se o botão se torna verde e clicável. Se isso não acontecer, aí pode ser alguma outra coisa realmente, mas a princípio deveria estar ok e é só esse pequeno detalhe que impede de clicar nele.
Olá Rafael!
Para a detecção apenas eu acho que você poderia incorporar as técnicas de pré-processamento de imagem para extrair regiões específicas nesse documento. Mas também pode ser interessante treinar uma rede neural só para essa detecção, se houver muita variedade nas imagens testadas.
Eu recomendo dar uma olhada nesse artigo pois é mostrado exatamente como fazer essa extração das regiões de interesse na imagem (no exemplo ele usa uma CNH, mas pode ser adaptado para qualquer tipo de documento), e além disso ele aborda o reconhecimento do texto (OCR).
Olá Carlos! Esse é um assunto realmente mais desafiador, mas aos poucos você vai pegando a intuição geral do assunto e tudo fará mais sentido. Embora seja explicado a parte mais técnica, ela não é necessária para se implementar, se quisesse poderia apenas considerar a parte prática (pegar e executar o código), mas se você quiser customizar e entender como realmente funciona é importante sim essa explicação mais teórica.
Mas caso não tenha entendido algo sobre o assunto, fique à vontade para enviar sua mensagem aqui.
E quanto sua dúvida, para trocar o nome das classes para português é necessário fazer uma modificação manual da função draw_panoptic_seg_predictions(), que é responsável por desenhar a segmentação sobre a imagem (e escrever os nomes das classes dentro de cada segmento). São duas listas que contém os nomes dos objetos, que são acessíveis por meta.stuff_classes e meta.thing_classes, informando esses valores durante a execução do programa você consegue visualizar todas as classes. Esses nomes são carregados através do pacote “MetadataCatalog” da biblioteca Detectron2, e infelizmente no momento ele não permite sobrescrever esses valores direto pelo próprio programa (atribuindo por exemplo ao valor de meta.stuff_classes para que seja = à uma lista que você criou, essa que conteria os nomes traduzidos) então acredito que o jeito de traduzir esses nomes seria modificando a função draw_panoptic_seg_predictions(). Dentro dessa função, você poderia por exemplo passar um dicionário Python (mais detalhes aqui), com ele você pode facilmente mapear os nomes das classes (inglês->português) e assim definir para que antes de escrever o texto seja substituído o termo em inglês pelo português.
Olá Francisco!
O arquivo .zip mencionado nessa aula seria o TreinamentoYOLO.zip, que se encontra dentro da pasta /recursos no Drive oficial do curso (link aqui https://drive.google.com/drive/folders/1pI0ImWiFNpSqaKXAqbDXXV30EueF3LGP).
Dentro desse .zip vai ter os scripts utilizados para fazer os processamentos e conversões na base de dados.
