Forum Replies Created
- Posts
Olá Gerson!
Os parâmetros -w e -h do comando opencv_createsamples para geração do vetor servem para definir o tamanho final das imagens do cascade. Na etapa anterior você pode ter usado por exemplo outros tamanhos de largura e altura para a criação das amostras (também com o comando opencv_createsamples), pois você poderia por exemplo criar amostras com tamanhos maiores, só que ao treinar pode ter preferido usar um tamanho um pouco menor, já que você pode querer reduzir esse tamanho para demorar menos tempo no treinamento. Então você poderia fazer isso, embora recomendamos definir um tamanho inicial e usar ele com os 3 comandos.
Ou seja, nessa etapa da criação do vetor o tamanho escolhido através dos parâmetros -w e -h é definido com o tamanho final do cascade e portanto esses valores devem ser o mesmos usados na etapa seguinte (com o comando de treinamento).
Olá Bismarck!
Antes de tudo seria bom saber mais ou menos quantas imagens de treinamento pra cada classe você adquiriu e está usando no treinamento. Embora 17.000 iterações possam parecer muito temos que lembrar que você está trabalhando com mais de 100 classes diferentes, que pro padrão já é algo bem elevado, então o número de iterações é relativamente pequeno se for considerar esse detalhe. Portanto pode deixar treinando por mais tempo se possível, enquanto notar que o mAP continua melhorando (no geral) e o loss diminuir pode deixar treinando.
Como será treinado com um número de iterações bastante elevado recomendo você testar o modelo não só com os pesos que foi treinado por mais tempo mas também com os penúltimos, já que é sempre bom verificar se não está ocorrendo overfitting de algum modo.Quanto aos parâmetros do arquivo de configuração (ex: filters, etc.), confirme se você definiu os valores usando aquelas fórmulas que mostramos em aula, ou se não então informe quais valores você usou.
Olá Emerson!
Você quer testar com outras imagens de treinamento, isso?
Para imagens de faces sugiro dar uma olhada nesse artigo https://analyticsindiamag.com/10-face-datasets-to-start-facial-recognition-projects/ – ele contém 10 bases de imagens de faces, que podem ser usadas para projetos de detecção ou de reconhecimento facial.
Já se procura datasets de imagens diversas (não de faces) então deixo abaixo mais dois artigos contendo alguns conjunto de imagens bastante interessantes
- Datasets bastante comuns – https://www.analyticsvidhya.com/blog/2018/03/comprehensive-collection-deep-learning-datasets/
- Outros datasets usados para projetos de machine learning – https://rubikscode.net/2021/07/19/top-23-best-public-datasets-for-practicing-machine-learning/
Olá!
Deveria aparecer sim, porém em alguns casos pode ser que nos primeiros ele não apareça e depois ele comece a mostrar logo nos próximos. Quando você executa, ele ficando atualizando os valores ou ele para? Tem que aparecer também as informações de cada iteração, conforme mostrado em aula.
Olá!
Esse mesmo curso (Detecção de Objetos com YOLO, Darknet, OpenCV e Python) mostra como fazer tudo isso, depois dê uma olhada na grade dele.
Mais especificamente, para saber como fazer a anotação (annotation) das suas próprias imagens veja a aula “Criação do seu dataset de imagens manualmente”. Essa aula está mais pro final do curso, mas antes disso já é mostrado detalhadamente como fazer todo o processo de conversão e criação do weights usando conjuntos de imagens já prontos. Caso deseje usar o dataset seu personalizado basta substituir as imagens usadas nas aulas por essas imagens geradas após a anotação.
Olá Nycole!
Esse erro ocorre quando o arquivo da fonte do texto (“calibri.ttf”) não foi devidamente carregado, ou ocorreu algum problema ao ler o arquivo. Verifique se o caminho fornecido para esse arquivo está correto e se ele se encontra exatamente no diretório especificado. Caso não consiga resolver me avise e mande o seu código completo de ambas as funções (ou melhor, se possível compartilhe o seu Colab pois pode haver outra coisa interferindo).
Olá Rafael!
Sobre o data augmentation com YOLO, só um comentário antes: a minha recomendação é sempre antes tentar buscar mais imagens do seu objeto, seja buscando em datasets de imagens na internet (como o ImageNet ou Open Images Dataset), ou, se o seu objeto for muito difícil de encontrar imagens (ou até mesmo “único”), recomenda-se tirar novas fotos – o que realmente pode ser trabalhoso. Na verdade buscar novas imagens no geral pode ser trabalhoso, mas com certeza compensa pois assim o modelo terá uma melhor acurácia e estará mais preparado para detectar o objeto em situações mais diferenciadas.
No entanto, caso buscar mais imagens não seja uma opção, então usar Data Augmentation pode ajudar muito. O bom é que o Darknet por padrão já usa essa técnica em seu funcionamento, em algumas etapas do treinamento do modelo pra YOLOv4. Tem mais informações sobre isso nesse artigo. Porém há uma coisa que ele não faz (a princípio) e você pode querer implementar à parte, que é a transformação por rotação.
Deixarei abaixo mais dois materiais sobre como poderia usar data augmentation em conjunto com o YOLO:
https://medium.com/predict/data-augmentation-for-custom-object-detection-15674966e0c8
https://colab.research.google.com/github/joheras/CLoDSA/blob/master/notebooks/CLODSA_YOLO.ipynb – Colab com código de exemplo, que mostra um modo como fazer o augmentation já no formato usado pelo YOLO (para as coordenadas das caixas delimitadoras do arquivo de anotação).
Olá Nycole!
Você conseguiria passar a mensagem de erro completa? Porque na verdade no seu print infelizmente falta a parte da mensagem que mostraria o erro de fato, está mostrando apenas a linha de código onde ocorreu o erro. Se puder passar a mensagem completa vou conseguir te auxiliar melhor. Mas talvez nem precise, dê uma olhada no Colab oficial da seção: https://colab.research.google.com/drive/1mS01T2ljMRsh00_gN7OQPdXFdM6urPrj?usp=sharing
Esse código em questão está lá onde diz “Buscando informações específicas na imagem”. Eu acabei de testar aqui e executou sem problemas. Se após conferir você ver que o código da função “escreve_texto” está igual ao código da aula e mesmo assim o erro persistir então acredito que a melhor hipótese para a causa do erro seja algum problema ao ler o arquivo “calibri.ttf”, então dê uma olhada se ele foi colocado no diretório corretamente. Se mesmo assim não conseguir resolver me avise e se possível mande a mensagem de erro completa.
Olá Diogenes!
Para acessar um diretório você precisa colocar o comando “cd” antes de informar o nome da pasta, por isso ele dá erro de comando não reconhecido.
Ou seja, basta digitar “cd [nome do diretório]”. Aí você escolhe se vai informar o caminho relativo ou absoluto. Se quiser saber mais sobre o cd e outros comandos sugiro dar uma olhada aqui: https://www.infowester.com/tutdos.php
Sobre não conseguir baixar o notepad++, qual erro aparece para você?
Olá Diogenes!
Essa versão que você se refere creio que seria do próprio OpenCV. Na verdade, o que parece é que nessas versões mais recentes realmente não ta vindo os executáveis do createsamples e traincascade dentro dessa pasta bin.
Até resolverem essa questão (se resolverem, pois pelo jeito foi descontinuado) eu recomendo você baixar uma versão anterior como a 3.4.6. Você pode baixar ela aqui: https://sourceforge.net/projects/opencvlibrary/files/3.4.6/opencv-3.4.6-vc14_vc15.exe/download
Nessa versão certamente vai ter os arquivos necessários.
Aí se mais tarde por algum motivo você precisar que sua aplicação use a versão 4.1, você pode usar essa versão 3.4.6 apenas para criar os cascades e utilizá-los normalmente na versão 4 (pois essa versão do OpenCV que está sendo baixado agora será para fazer o treinamento e gerar o .xml, e para executar esses cascades você pode usar qualquer versão já que não há problema de incompatibilidade entra elas quanto ao .xml). E também não haveria problema já que da para ter mais de uma versão do OpenCV instalada ao mesmo tempo.
Olá Giovanni,
Por um acaso se você não fizer as modificações no arquivo Makefile ele executa a etapa seguinte normal? Ou o erro apenas ocorre caso seja feita a modificação?
E só pra conferir, você baixou exatamente esse repositório aqui né? => https://github.com/AlexeyAB/darknet
Pois tem o repositório darknet do pjreddie (que antigamente era o oficial) e que possui menos suporte.
Aliás, nesse repositório há um checklist com os requisitos para rodar o darknet no Windows, recomendo dar olhada também só pra conferir mesmo: https://github.com/AlexeyAB/darknet#requirements-for-windows-linux-and-macos
Olá Giovanni!
Para executar no terminal você pode usar exatamente o mesmo comando porém sem o ! no início, já que esse ponto de exclamação é um caractere sinalizador usado para indicarmos no Colab que queremos executar o comando pelo shell.
Olá Alex!
Esse gráfico chart.png é gerado apenas após concluir o primeiro ciclo de iterações, por isso que se o treinamento foi interrompido logo no início pode ser que esse .png não seja salvo (ah e sim, por padrão ele deve ser salvo no diretório principal mesmo).
A respeito do questionamento da base de dados, realmente é uma base relativamente grande então há suspeita disso ter acontecido devido a um problema de memória, ou seja uso excessivo dela. Recomendo reiniciar a sessão do Colab e realizar novamente o teste. Se possível, verifique nos status do Colab como está o consumo da RAM e se aparece algum alerta durante a execução.
Mesmo assim, eu não afirmaria que o problema é esse pois em nossos testes não tivemos esse problema mesmo lidando com bases desse tamanho, no entanto são bases diferentes e portanto condições diferentes. Aliás, já enfrentamos problemas relacionados à memória porém foi em etapas muito mais avançadas do treinamento.
E sobre o que você comentou do arquivo .cfg estar em outro diretório, não teria problema porém no comando usado para iniciar o treinamento você precisa colocar exatamente o caminho do arquivo correto. Sugiro fazer igual fizemos em aula até para ficar mais fácil e evitar confusão, mas se por algum motivo desejar mudar a pasta onde você coloca os arquivos relacionados ao modelo a ser treinado então certifique-se que está tudo de acordo no comando.
Enfim, a recomendação principal é conferir todos os parâmetros do comando, verifique se todos os arquivos estão nos devidos diretórios e inicie a execução novamente.
Caso o erro permaneça, vou precisar que me passe mais uma informação sobre o seu problema: isso ocorre após quanto tempo de treinamento mais ou menos? (questão de alguns segundos mesmo ou minutos?)
Olá Pedro!
Não tenho nenhuma GPU específica para indicar no caso do EasyOCR. No entanto, como parece que você irá utilizar também bastante o OpenCV, que possui o módulo DNN para realizar a inferência dos modelos de Deep Learning, eu sugiro escolher alguma GPU que possua compatibilidade com o OpenCV, por isso eu recomendaria fortemente você pegar algum dessas listas https://developer.nvidia.com/cuda-gpus (preferencialmente da GeForce)
(obs: escolha alguma GPU nessas tabelas onde o valor do Compute Capability seja maior que 5.3, pois elas possuem a compatibilidade necessária e assim você conseguirá aproveitar de fato a GPU no OpenCV).
Outra ideia para escolher a GPU seria testar antes no Colab o seu programa e ver se o tempo que leva para executar está satisfatório, se estiver então você pode comprar alguma das GPUs que o Colab usa (para ver qual GPU está sendo usada use o comando !nvidia-smi)
A proposito, caso você utilize bastante a GPU para outros projetos de deep learning eu aconselho muito ler o seguinte artigo https://timdettmers.com/2019/04/03/which-gpu-for-deep-learning/
