› Spec
CPU: Apple M1 or Intel i5
RAM: 8GB
Storage: 256GB SSD
OS: macOS or Windows 11
Python: 3.11.5 and 3.8.7
Python_venv_path: Only /desktop/[folder]
IDE: Visual Studio Code
› Home › About › Archive › Categories › Guestbook

Categories : Python

Yolov8 이미지라벨링

  1. Yolov8 이미지라벨링 설명
    1. 0. Yolov8 소개
    2. 1. Python 패키지 설치 및 세팅
    3. 2. 라벨링 프로그램 다운로드
    4. 3. 라벨링 실행
    5. 4. 라벨링 결과 확인
    6. 5. 라벨링 데이터셋 만들기
    7. 6. 학습시키기
    8. 7. pt 활용 방법 예시
    9. 8. 참고자료
    10. 9. pt 활용 하면서 생긴 것들

Yolov8 이미지라벨링 설명

0. Yolov8 소개

YOLOv8(You Only Look Once version 8)는 Ultralytics에서 개발한 객체 탐지(Object Detection) 및 분할(Segmentation) 알고리즘 YOLO 시리즈는 실시간 객체 탐지에서 높은 성능과 속도가 장점임 활용분야로는 자율주행, 보안, 의료, 소매업, 로봇공학에 사용된다.

1. Python 패키지 설치 및 세팅

python venv [folder] # 가상환경 세팅

pip install ultralytics opencv-python labelme2yolo numpy


2. 라벨링 프로그램 다운로드

Download

yolov8-imglabel-1
yolov8-imglabel-2

3. 라벨링 실행

Open Dir -> 학습할 이미지가 있는 폴더
yolov8-imglabel-3
yolov8-imglabel-4

A : 이전이미지
D : 다음이미지

4. 라벨링 결과 확인

yolov8-imglabel-5
json과 함께 같이 저장됨

5. 라벨링 데이터셋 만들기

labelme2yolo --json_dir [라벨링 저장된 json파일있는 폴더] --val_size 0.15 --test_size 0.15

라벨링 저장된 폴더에 dataset.yaml이 저장됨
해당 단계에서 만들어진 폴더를 다른곳으로 옮길때는 ‘dataset.yaml’ 파일을 열었을대 파일경로데이터를 수정해줘야한다

train, val, test

6. 학습시키기

yolo detect train data=[dataset.yaml파일위치 .yaml까지] model=yolov8n.pt epochs=100 imgsz=640`

yolov8-imglabel-6

n 에서 x로 갈수록 학습 속도 느려짐

학습완료되면

runs > detect > train > weights > best.pt 로 저장됨

7. pt 활용 방법 예시

from ultralytics import YOLO

model = YOLO("yolov8s.pt") # 방금 학습한 pt로 바꾸면됨
results = model("https://ultralytics.com/images/bus.jpg", save = True) # 가져와볼 이미지, 비디오 / save =True 해야 저장, show = True 해야 보여줌
# print(results)

# 결과
image 1/1 C:\Users\xxxx\Desktop\yolovenv\bus.jpg: 640x480 4 persons, 1 bus, 468.4ms
Speed: 32.2ms preprocess, 468.4ms inference, 2.0ms postprocess per image at shape (1, 3, 640, 480)


or

from ultralytics import YOLO
model = YOLO("yolov8s.pt")

results = model("https://ultralytics.com/images/bus.jpg", save = True)

for result in results:
    ### xyxy
    print(result.boxes.xyxy)
    ### conf
    print(result.boxes.conf)
    ### cls
    print(result.boxes.cls)
    ### id
    print(result.boxes.id)
    ### xywh
    print(result.boxes.xywh)
    ### xyxyn
    print(result.boxes.xyxyn)
    ### xywhn
    print(result.boxes.xywhn)
    
# 결과
Found https://ultralytics.com/images/bus.jpg locally at bus.jpg
image 1/1 C:\Users\xxxx\Desktop\yolovenv\bus.jpg: 640x480 4 persons, 1 bus, 633.7ms
Speed: 9.5ms preprocess, 633.7ms inference, 3.0ms postprocess per image at shape (1, 3, 640, 480)
tensor([[1.9989e+01, 2.2960e+02, 8.0562e+02, 7.4782e+02],
        [6.6772e+02, 3.8936e+02, 8.0967e+02, 8.7938e+02],
        [5.0511e+01, 4.0051e+02, 2.4500e+02, 9.0293e+02],
        [2.2200e+02, 4.0819e+02, 3.4526e+02, 8.6076e+02],
        [1.7374e-01, 5.5013e+02, 6.7284e+01, 8.6807e+02]])
tensor([0.9202, 0.8988, 0.8873, 0.8805, 0.6382])
tensor([5., 0., 0., 0., 0.])
None
tensor([[412.8051, 488.7100, 785.6316, 518.2142],
        [738.6946, 634.3691, 141.9548, 490.0229],
        [147.7544, 651.7199, 194.4868, 502.4294],
        [283.6280, 634.4742, 123.2612, 452.5717],
        [ 33.7287, 709.0996,  67.1100, 317.9405]])
tensor([[2.4678e-02, 2.1260e-01, 9.9459e-01, 6.9242e-01],
        [8.2434e-01, 3.6052e-01, 9.9959e-01, 8.1424e-01],
        [6.2359e-02, 3.7084e-01, 3.0247e-01, 8.3605e-01],
        [2.7407e-01, 3.7795e-01, 4.2625e-01, 7.9700e-01],
        [2.1450e-04, 5.0938e-01, 8.3066e-02, 8.0377e-01]])
tensor([[0.5096, 0.4525, 0.9699, 0.4798],
        [0.9120, 0.5874, 0.1753, 0.4537],
        [0.1824, 0.6034, 0.2401, 0.4652],
        [0.3502, 0.5875, 0.1522, 0.4190],
        [0.0416, 0.6566, 0.0829, 0.2944]])

or

from ultralytics import YOLO
import ast

model = YOLO("yolov8s.pt") # 방금 학습한 pt로 바꾸면됨
results = model("https://ultralytics.com/images/bus.jpg", save = True) # 가져와볼 이미지, 비디오

data = {0: 'person', 1: 'bicycle', 2: 'car', 3: 'motorcycle', 4: 'airplane', 5: 'bus', 6: 'train', 7: 'truck', 8: 'boat', 9: 'traffic light', 10: 'fire hydrant', 11: 'stop sign', 12: 'parking meter', 13: 'bench', 14: 'bird', 15: 'cat', 16: 'dog', 17: 'horse', 18: 'sheep', 19: 'cow', 20: 'elephant', 21: 'bear', 22: 'zebra', 23: 'giraffe', 24: 'backpack', 25: 'umbrella', 26: 'handbag', 27: 'tie', 28: 'suitcase', 29: 'frisbee', 30: 'skis', 31: 'snowboard', 32: 'sports ball', 33: 'kite', 34: 'baseball bat', 35: 'baseball glove', 36: 'skateboard', 37: 'surfboard', 38: 'tennis racket', 39: 'bottle', 40: 'wine glass', 41: 'cup', 42: 'fork', 43: 'knife', 44: 'spoon', 45: 'bowl', 46: 'banana', 47: 'apple', 48: 'sandwich', 49: 'orange', 50: 'broccoli', 51: 'carrot', 52: 'hot dog', 53: 'pizza', 54: 'donut', 55: 'cake', 56: 'chair', 57: 'couch', 58: 'potted plant', 59: 'bed', 60: 'dining table', 61: 'toilet', 62: 'tv', 63: 'laptop', 64: 'mouse', 65: 'remote', 66: 'keyboard', 67: 'cell phone', 68: 'microwave', 69: 'oven', 70: 'toaster', 71: 'sink', 72: 'refrigerator', 73: 'book', 74: 'clock', 75: 'vase', 76: 'scissors', 77: 'teddy bear', 78: 'hair drier', 79: 'toothbrush'}

for result in results:
    numberid = str(result.boxes.cls).replace('tensor(', '').replace(')','')

rr = ast.literal_eval(numberid)

convert = [data[int(item)] for item in rr]

print(convert)

# 결과
['bus', 'person', 'person', 'person', 'person']


8. 참고자료

1번

2번

9. pt 활용 하면서 생긴 것들

labelme2yolo --json_dir C:\Users\aaaa\Desktop\images --val_size 0.15 --test_size 0.15 yaml만들기

yolo detect train data=C:\Users\aaaa\Desktop\YOLODataset\dataset.yaml model=yolov8n.pt epochs=100 imgsz=640

yolo detect predict model=C:\Users\aaaa\Desktop\yolovenv\runs\detect\train\weights\best.pt source=[적용해볼 동영상 파일경로]

yolo predict model=C:\Users\aaaa\Desktop\yolovenv\runs\detect\train\weights\best.pt source='gogogo.JPG'

pip install torch==1.7.0+cu92 torchvision==0.8.1+cu92 -f https://download.pytorch.org/whl/torch_stable.html




확대 이미지