Forum Replies Created
- Posts
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/
Olá! Consegue sim, quanto a rodar YOLO no Raspberry Pi também sugiro dar uma olhada nesse artigo, que pode ser bem útil. Só tem que ver se ele vai rodar a uma boa taxa de FPS, na verdade isso vai depender totalmente do tipo de sua aplicação (especialmente se ela exige processar tudo em tempo real e se depende de uma taxa alta de FPS), por isso é bom testar e ver qual vai ser o tempo de inferência. Caso a taxa de FPS seja muito baixa sugiro treinar com o Tiny-YOLO.
Olá Jardel!
Para fazer isso você pode simplesmente juntar de maneira manual com o dataset que você baixou com o OID, ou seja deixar na mesma pasta, lembrando de deixar a estrutura das subpastas e padrão de nomeação dos arquivos exatamente como mostramos, pois tem que estar tudo no mesmo formato. Se você não tiver feito a anotação das imagens ainda, veja a aula “Criação do seu dataset de imagens manualmente”.
Olá Renato!
Sim é possível treinar um modelo personalizado com o DeepLab, não mostramos no curso pois a arquitetura escolhida para mostrar como treinar um modelo personalizado para segmentação semântica foi o U-Net. Mas se deseja saber como fazer sugiro dar uma olhada nesse artigo aqui: https://rockyshikoku.medium.com/train-deeplab-v3-with-your-own-dataset-13f2af958a75 (e tem um Colab com código mais detalhado aqui, creio que vai ajudar).
Opa interessante, boa sorte em seus estudos. Sobre esse tema, recomendo dar uma olhada nessa abordagem também que é usada para detecção de leucócitos: https://github.com/mikeszabi/WBC/blob/master/WBC_detection.ipynb
(e tem essa outra abordagem mais simples com equalização de histograma e canny edge, parecido com o que fizemos: https://www.geeksforgeeks.org/python-blood-cell-identification-using-image-processing/ e depois aplicar o watershed)
