Forum Replies Created
- Posts
Olá Fogaça!
Sim, você pode continuar o treinamento usando como peso “inicial” aquele que você já treinou antes, então não há a necessidade de treinar tudo do zero. Seria como continuar o treinamento interrompido (conforme mostrado em aula), basta informar como parâmetro os pesos que foram treinados anteriormente. Além disso, antes de executar o comando novamente você precisa certificar também de fazer as modificações necessárias no arquivo .cfg para atualizar lá onde precisa indicar o número de classes treinadas, filtros, etc. E também é necessário atualizar todos os arquivos onde é definido informações sobre as classes que serão treinadas. Recomendo que ao fazer isso você carregue junto também as imagens usadas para o treinamento anterior, junto com as anotações – ou seja, estaria na prática apenas continuando o treinamento e adicionando mais imagens ao seu dataset (embora sejam imagens de classes antes não vistas).
Olá Eduardo!
O Drive com todos os recursos do curso (assim como os arquivos .py que você citou) estão no link compartilhado dentro da aula Recursos para download, na seção de Introdução.
Olá Matheus!
Esse é um problema que depende da imagem e que passou a acontecer após alguma atualização bem recente das bibliotecas. É um erro relacionado ao formato e tipo da imagem que é exibido, para resolvê-lo de forma prática basta mudar o type através da função .astype()
Portanto, acima de
mostrar(seg_regiao)
basta adicionar
seg_regiao = seg_regiao.astype(np.uint8)
Ou pode adicionar direto, assim mostrar(seg_regiao.astype(np.uint8))
Olá Julio!
Esse problema pode ocorrer dependendo de qual GPU foi atribuída em sua sessão do Colab. Na verdade, foi devido a uma mudança muito recente que esse erro começou a acontecer, mais especificamente após uma atualização do Dlib, que gerou um conflito com a GPU utilizada pelo Colab. Portanto, a solução é utilizar uma versão anterior àquela em que ocorre o problema. Escolhi a 19.22.1, que é uma versão recente também (e antes daquela que começou a dar esse problema) então se você usar essa versão o erro não ocorrerá.
Então, para resolver esse erro você precisa executar antes de import dlib a linha abaixo:
!pip install dlib==19.22.1
em seguida, execute import dlib. Se você já importou o dlib nesta sessão, basta reiniciar o ambiente de execução (selecione Runtime > Restart runtime).A melhor solução acredito ser essa, até o problema ser resolvido em alguma versão futura.
Qualquer coisa, veja aqui o Colab da aula atualizado.
Olá Jardel!
O limite de imagens a ser baixado pelo comando !python main.py downloader é feito através do parâmetro –limit basta alterar o valor dele
*por exemplo, nesse caso aqui definimos que queremos baixar 500 imagens para cada classe escolhida
!python main.py downloader –classes Apple Coffee_cup Horse –type_csv train –limit 500 –multiclasses 1
Opa, imagina!
Mas é uma boa ideia essa Jean, caso você queira ter mais garantia de que não encontrará algum conflito entre versões.
Obrigado e bons estudos!
Olá Jean!
É possível rodar tudo em sua máquina local sim. Aliás, se você usa linux é até mais fácil pois pode usar os mesmos comandos que usamos no Colab (que roda Ubuntu) então provavelmente será compatível para você. Sugiro usar os mesmos comandos, mas caso encontre algum erro durante a instalação podemos te ajudar também (caso tenha dúvidas, veja aqui).
O único detalhe é que com o Colab temos disponíveis GPUs para realizar o treinamento do modelo, o que acaba acelerando bastante o processo, até por esse motivo que ele acaba sendo muito útil. Portanto, caso você tenha uma GPU que seja suportada pelas bibliotecas então fica melhor ainda, pois você pode configurar e ter uma velocidade tão boa quanto (ou até superior) à vista no Colab. Mas caso não tenha (ou não seja compatível) não tem problema, dá para ter ótimo desempenho também (será melhor que o processamento por CPU no Colab, já que a usada lá é bem simples).
E obrigado, tenha igualmente uma ótima semana!
Olá Felix!
Seria recomendável que a estrutura de pastas seja semelhante à mostrada pois assim ficará mais fácil de gerenciar e até mesmo alterar o dataset no futuro, caso seja necessário. É assim pelo seguinte motivo: podem haver imagens que contenham dois objetos (ou mais) de classes diferentes que você marcou, então nesse caso não teria como fazer essa divisão de imagens em pastas já que essa imagem só poderia estar em uma única pasta nomeada pela classe (a não ser que você duplicasse a imagem por exemplo e copiasse essa mesma para a outra pasta, mas depois seria muito pior de gerenciar o dataset caso queira excluir ou adicionar imagens, e sem falar que é ruim ter imagens desnecessariamente duplicadas lá se não precisa).
Caso você usasse um arquivo de anotações então não precisaria mais nada pois nele já está informado essa relação de classe<->imagem para o algoritmo, por isso é mais usado quando se deseja segmentar múltiplas classes. Mas se você pretende usar máscaras binarizadas para a anotação, poderia usar essa estrutura que você comentou sim, basta adaptar o código para que na hora da leitura consiga ler a máscara e saiba exatamente qual classe ela está associada (da para fazer isso modificando o laço de repetição) e uma forma seria ler o nome do subdiretório mesmo. De qualquer forma, sugiro dar uma olhada na seção “Segmentação Semântica” onde é mostrado como treinar o U-net. Mas para múltiplas classes é um pouco diferente e você irá precisar customizar o código para atender ao seu dataset, então minha recomendação é dar uma olhada nesse exemplo aqui que mostra uma forma como pode ser feito.
E no que você comentou sobre dizer a qual classe pertence aquele objeto, isso é possível já sem nenhuma modificação pois um dos parâmetros retornados pela rede é a classe detectada, qualquer dúvida veja as aulas onde é testado os resultados com o Mask R-CNN.
Olá Felix!
Sim, se você tiver uma imagem para fazer o mascaramento do objeto ou da instância (aquela imagem onde a cor branca indica a presença do objeto e a cor preta indica a não-presença) então não precisa do .json, pois ele é uma outra forma de representar as annotations. Se quiser fazer dessa forma, veja a seção “Segmentação Semântica” (logo no início, onde é mostrado como fazer o treinamento do modelo U-net), lá é mostrado um exemplo de base de imagens que contém apenas as masks, além claro da imagem original.
Olá! Esse arquivo é usado para informar ao YOLO quais são os nomes das classes associadas ao modelo (para o COCO são 80 classes, portanto 80 nomes, 1 por linha. veja o conteúdo aqui). Para editar esse arquivo você pode usar qualquer programa de editor de textos. Recomendo dar uma olhada na aula “Criação da base de imagens 4”, onde é mostrado exatamente como editar esse arquivo com extensão .names (é mostrado para o modelo customizado que estamos criando, mas pode ser feito para o COCO da mesma forma já que se trata de apenas editar os nomes).
Olá Jonas,
Parece ser um problema do módulo ao ler essa imagem em png. Ocorre apenas com essa imagem? Tente primeiro trocar o nome da imagem (na linha onde você define o caminho/nome da imagem) de “.png” para “.PNG” (ou vice versa) e verifique se a imagem não está corrompida ou algo assim – uma maneira de testar é mostrar a imagem na tela antes. Se não funcionar, tente carregar a imagem através da biblioteca PIL mesmo, usando a função Image.open (exemplo aqui). Outra solução também poderia ser converter para jpg e testar ver se funciona, já que com essa extensão não deve ocorrer tal erro.
Olá Matheus!
Sim é possível, você poderia implementar algum algoritmo próprio por exemplo (basta procurar por algoritmos para cálculo de perímetro de formas/objetos usando python) ou, para facilitar, você pode usar o módulo measure da biblioteca scikit-image (skimage). Veja a documentação, lá verá que tem por exemplo uma função própria para calcular o perímetro (skimage.measure.perimeter).
Ou você pode usar a função regionprops() que retorna uma lista extensa de propriedades, incluindo o perímetro. Assim você tem acesso aos valores necessários para determinar o comprimento e largura (para saber isso você pode simplesmente usar as medidas da caixa delimitadora, ou seja, o valor associado ao bbox). Caso queira um exemplo de como implementar, confira aqui.
Para exemplo de código recomendo verificar o primeiro link na minha resposta anterior, lá tem um código pronto para usar e mostra certinho como rodar em tempo real.
Olá! Sim consegue. Para a segmentação panóptica pode ser um pouco mais difícil comparado aos outros pois é uma técnica mais nova e possui ainda pouca documentação e exemplos prontos de como treinar um modelo customizado, mas usando o Detectron2 é bem mais fácil de fazer o treinamento, dê uma olhada aqui: https://www.celantur.com/blog/panoptic-segmentation-in-detectron2/
