やってみよう!

プログラミングとかでぃーぷらーにんぐとかVRとか気になったものをやってみる予定

雑に作ったデータセットでYOLOv3を学習させてみる

前回に引き続きYOLOv3ネタです

blog.ascreit.com

前回、チノちゃんがトイレと認識されてしまったり、そもそも主要キャラクターがあまり人間判定されなかったりしたので、今回はそれを改善してみようと思います。

でも、アノテーションを自力でポチポチ作るのはしんどい。。。

アニメキャラが人間扱いされないのはアニメキャラの学習データが足りないからだろうという勝手な憶測と、personラベルがついたものに関しては精度が高かったので、personラベルがついたものでアノテーション作成して再学習させれば良くなるのではなかろうか?

ということで、やってみます。

雑にデータセットを作ってみる

レーニング方法に関してはreadmeにやり方かいてあります。

github.com

要は元画像(〇〇.jpg)とアノテーションファイル(train.txt)があればいいっぽい。

アノテーションファイルのフォーマットは

path/to/img1.jpg 50,100,150,200,0 30,50,200,120,3
path/to/img2.jpg 120,300,250,600,2

こんな感じで、画像パスとその座標(top, left, bottom, right)、クラスIDがあればOK。今回はpersonだけ識別できればいいからクラスIDは0固定で。

あと、同じ画像内に複数personが居たら半角スペースで繋げて書くみたい。

早速yolo.pyをちょろっと修正してデータセットを作ってみます。

# -*- coding: utf-8 -*-
"""
Class definition of YOLO_v3 style detection model on image and video
"""

import colorsys
import os
from timeit import default_timer as timer

import numpy as np
from keras import backend as K
from keras.models import load_model
from keras.layers import Input
from PIL import Image, ImageFont, ImageDraw

from yolo3.model import yolo_eval, yolo_body, tiny_yolo_body
from yolo3.utils import letterbox_image
import os
from keras.utils import multi_gpu_model
import imagehash

class YOLO(object):
    _defaults = {
        "model_path": 'model_data/yolo.h5',
        "anchors_path": 'model_data/yolo_anchors.txt',
        "classes_path": 'model_data/coco_classes.txt',
        "score" : 0.3,
        "iou" : 0.45,
        "model_image_size" : (416, 416),
        "gpu_num" : 1,
    }

    @classmethod
    def get_defaults(cls, n):
        if n in cls._defaults:
            return cls._defaults[n]
        else:
            return "Unrecognized attribute name '" + n + "'"

    def __init__(self, **kwargs):
        self.__dict__.update(self._defaults) # set up default values
        self.__dict__.update(kwargs) # and update with user overrides
        self.class_names = self._get_class()
        self.anchors = self._get_anchors()
        self.sess = K.get_session()
        self.boxes, self.scores, self.classes = self.generate()
        self.dhash_images = []

    def _get_class(self):
        classes_path = os.path.expanduser(self.classes_path)
        with open(classes_path) as f:
            class_names = f.readlines()
        class_names = [c.strip() for c in class_names]
        return class_names

    def _get_anchors(self):
        anchors_path = os.path.expanduser(self.anchors_path)
        with open(anchors_path) as f:
            anchors = f.readline()
        anchors = [float(x) for x in anchors.split(',')]
        return np.array(anchors).reshape(-1, 2)

    def generate(self):
        model_path = os.path.expanduser(self.model_path)
        assert model_path.endswith('.h5'), 'Keras model or weights must be a .h5 file.'

        # Load model, or construct model and load weights.
        num_anchors = len(self.anchors)
        num_classes = len(self.class_names)
        is_tiny_version = num_anchors==6 # default setting
        try:
            self.yolo_model = load_model(model_path, compile=False)
        except:
            self.yolo_model = tiny_yolo_body(Input(shape=(None,None,3)), num_anchors//2, num_classes) \
                if is_tiny_version else yolo_body(Input(shape=(None,None,3)), num_anchors//3, num_classes)
            self.yolo_model.load_weights(self.model_path) # make sure model, anchors and classes match
        else:
            assert self.yolo_model.layers[-1].output_shape[-1] == \
                num_anchors/len(self.yolo_model.output) * (num_classes + 5), \
                'Mismatch between model and given anchor and class sizes'

        print('{} model, anchors, and classes loaded.'.format(model_path))

        # Generate colors for drawing bounding boxes.
        hsv_tuples = [(x / len(self.class_names), 1., 1.)
                      for x in range(len(self.class_names))]
        self.colors = list(map(lambda x: colorsys.hsv_to_rgb(*x), hsv_tuples))
        self.colors = list(
            map(lambda x: (int(x[0] * 255), int(x[1] * 255), int(x[2] * 255)),
                self.colors))
        np.random.seed(10101)  # Fixed seed for consistent colors across runs.
        np.random.shuffle(self.colors)  # Shuffle colors to decorrelate adjacent classes.
        np.random.seed(None)  # Reset seed to default.

        # Generate output tensor targets for filtered bounding boxes.
        self.input_image_shape = K.placeholder(shape=(2, ))
        if self.gpu_num>=2:
            self.yolo_model = multi_gpu_model(self.yolo_model, gpus=self.gpu_num)
        boxes, scores, classes = yolo_eval(self.yolo_model.output, self.anchors,
                len(self.class_names), self.input_image_shape,
                score_threshold=self.score, iou_threshold=self.iou)
        return boxes, scores, classes

    def detect_image(self, image,video_path,frame_index=1):
        start = timer()
        if self.model_image_size != (None, None):
            assert self.model_image_size[0]%32 == 0, 'Multiples of 32 required'
            assert self.model_image_size[1]%32 == 0, 'Multiples of 32 required'
            boxed_image = letterbox_image(image, tuple(reversed(self.model_image_size)))
        else:
            new_image_size = (image.width - (image.width % 32),
                              image.height - (image.height % 32))
            boxed_image = letterbox_image(image, new_image_size)
        image_data = np.array(boxed_image, dtype='float32')

        # print(image_data.shape)
        image_data /= 255.
        image_data = np.expand_dims(image_data, 0)  # Add batch dimension.

        out_boxes, out_scores, out_classes = self.sess.run(
            [self.boxes, self.scores, self.classes],
            feed_dict={
                self.yolo_model.input: image_data,
                self.input_image_shape: [image.size[1], image.size[0]],
                K.learning_phase(): 0
            })

        # print('Found {} boxes for {}'.format(len(out_boxes), 'img'))

        font = ImageFont.truetype(font='font/FiraMono-Medium.otf',
                    size=np.floor(3e-2 * image.size[1] + 0.5).astype('int32'))
        thickness = (image.size[0] + image.size[1]) // 300

        anotation = ""
        for i, c in reversed(list(enumerate(out_classes))):
            predicted_class = self.class_names[c]
            box = out_boxes[i]
            score = out_scores[i]

            label = '{} {:.2f}'.format(predicted_class, score)
            draw = ImageDraw.Draw(image)
            label_size = draw.textsize(label, font)

            top, left, bottom, right = box
            top = max(0, np.floor(top + 0.5).astype('int32'))
            left = max(0, np.floor(left + 0.5).astype('int32'))
            bottom = min(image.size[1], np.floor(bottom + 0.5).astype('int32'))
            right = min(image.size[0], np.floor(right + 0.5).astype('int32'))
            # print(label, (left, top), (right, bottom))

            if top - label_size[1] >= 0:
                text_origin = np.array([left, top - label_size[1]])
            else:
                text_origin = np.array([left, top + 1])



            # My kingdom for a good redistributable image drawing library.
            # for i in range(thickness):
            #     draw.rectangle(
            #         [left + i, top + i, right - i, bottom - i],
            #         outline=self.colors[c])
            #
            # draw.rectangle(
            #     [tuple(text_origin), tuple(text_origin + label_size)],
            #     fill=self.colors[c])
            # draw.text(text_origin, label, fill=(0, 0, 0), font=font)
            del draw

            if(predicted_class == "person"):
                anotation += " %s,%s,%s,%s,0"%(top, left, bottom, right)

        end = timer()
        # print(end - start)
        if anotation is not "" and self.unique_image(image):
            import cv2
            dirpath = '/home/src/keras-yolo3/train/%s/'%(os.path.splitext(os.path.basename(video_path))[0])
            if not os.path.exists(dirpath):
                os.makedirs(dirpath)
            image_path = dirpath + '%s.jpg'%(frame_index)
            # BGRで読み込まれており、このまま保存すると色がおかしくなるのでRGBに変換
            save_image = np.asarray(image)
            # save_image = cv2.cvtColor(save_image, cv2.COLOR_BGR2RGB)
            # save_image.save(image_path)
            cv2.imwrite(image_path, save_image)
            path = '/home/src/keras-yolo3/train.txt'
            with open(path,mode='a') as f:
                anotation = image_path + anotation
                f.write(anotation + "\n")

        return image

    def close_session(self):
        self.sess.close()

    def unique_image(self,image):
        hash = imagehash.dhash(image)
        for dhash in self.dhash_images:
            if(hash-dhash) < 10:
                return False
        print(hash)
        self.dhash_images.append(hash)
        return True

def detect_video(yolo, video_path, output_path=""):
    import cv2
    vid = cv2.VideoCapture(video_path)
    if not vid.isOpened():
        raise IOError("Couldn't open webcam or video")
    # video_FourCC    = int(vid.get(cv2.CAP_PROP_FOURCC))
    video_FourCC = cv2.VideoWriter_fourcc(*'XVID')
    video_fps       = vid.get(cv2.CAP_PROP_FPS)
    video_size      = (int(vid.get(cv2.CAP_PROP_FRAME_WIDTH)),
                        int(vid.get(cv2.CAP_PROP_FRAME_HEIGHT)))
    isOutput = True if output_path != "" else False
    if isOutput:
        print("!!! TYPE:", type(output_path), type(video_FourCC), type(video_fps), type(video_size))
        out = cv2.VideoWriter(output_path, video_FourCC, video_fps, video_size)
    accum_time = 0
    curr_fps = 0
    fps = "FPS: ??"
    prev_time = timer()
    while True:
        return_value, frame = vid.read()
        frame_index = int(vid.get(1))
        if not return_value:
            break

        image = resize(frame,416,416)
        image = Image.fromarray(image)
        image = yolo.detect_image(image,video_path,frame_index)
        result = np.asarray(image)
        curr_time = timer()
        exec_time = curr_time - prev_time
        prev_time = curr_time
        accum_time = accum_time + exec_time
        curr_fps = curr_fps + 1
        if accum_time > 1:
            accum_time = accum_time - 1
            fps = "FPS: " + str(curr_fps)
            curr_fps = 0
        cv2.putText(result, text=fps, org=(3, 15), fontFace=cv2.FONT_HERSHEY_SIMPLEX,
                    fontScale=0.50, color=(255, 0, 0), thickness=2)
        cv2.namedWindow("result", cv2.WINDOW_NORMAL)
        cv2.imshow("result", result)
        if isOutput:
            out.write(result)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    yolo.close_session()

def resize(img, base_w, base_h):
    import cv2
    base_ratio = base_w / base_h   #リサイズ画像サイズ縦横比
    img_h, img_w = img.shape[:2]   #画像サイズ
    img_ratio = img_w / img_h      #画像サイズ縦横比

    white_img = np.zeros((base_h, base_w, 3), np.uint8) #白塗り画像のベース作成
    white_img[:,:] = [255, 255, 255]                    #白塗り

    ###画像リサイズ, 白塗りにオーバーレイ
    if img_ratio > base_ratio:
        h = int(base_w/img_ratio)           #横から縦を計算
        w = base_w                          #横を合わせる
        resize_img = cv2.resize(img, (w,h)) #リサイズ
    else:
        h = base_h                          #縦を合わせる
        w = int(base_h*img_ratio)           #縦から横を計算
        resize_img = cv2.resize(img, (w,h)) #リサイズ

    white_img[int(base_h/2-h/2):int(base_h/2+h/2),int(base_w/2-w/2):int(base_w/2+w/2)] = resize_img #オーバーレイ
    resize_img = white_img #上書き

    return resize_img

全体はこんな感じ。

修正箇所はdetect_video関数と、detect_image関数で、主に下記の3点を修正しました

  • 画像をtrain.pyの仕様に合わせて416x416にリサイズ
  • ほとんど同じ画像ばかりだとダメそうだったので、dhash->ハミング距離10以上の場合だけ記録
  • personラベルのデータからアノテーションファイル作成

画像をtrain.pyの仕様に合わせて416x416にリサイズ

def resize(img, base_w, base_h):
    import cv2
    base_ratio = base_w / base_h   #リサイズ画像サイズ縦横比
    img_h, img_w = img.shape[:2]   #画像サイズ
    img_ratio = img_w / img_h      #画像サイズ縦横比

    white_img = np.zeros((base_h, base_w, 3), np.uint8) #白塗り画像のベース作成
    white_img[:,:] = [255, 255, 255]                    #白塗り

    ###画像リサイズ, 白塗りにオーバーレイ
    if img_ratio > base_ratio:
        h = int(base_w/img_ratio)           #横から縦を計算
        w = base_w                          #横を合わせる
        resize_img = cv2.resize(img, (w,h)) #リサイズ
    else:
        h = base_h                          #縦を合わせる
        w = int(base_h*img_ratio)           #縦から横を計算
        resize_img = cv2.resize(img, (w,h)) #リサイズ

    white_img[int(base_h/2-h/2):int(base_h/2+h/2),int(base_w/2-w/2):int(base_w/2+w/2)] = resize_img #オーバーレイ
    resize_img = white_img #上書き

    return resize_img

こんな関数作って、リサイズかけてます。

動画が横長でアスペクト比が違ったので、アスペクト比を維持したまま余った部分を白塗りにしてます。

(ほとんど)同じ画像は記録しない

def unique_image(self,image):
        hash = imagehash.dhash(image)
        for dhash in self.dhash_images:
            if(hash-dhash) < 10:
                return False
        print(hash)
        self.dhash_images.append(hash)
        return True

imagehashという素晴らしいライブラリがあるのでそれを使って類似度を判定してます。

インストールは

pip3 install imagehash

もともとごちうサーチというアプリがすごいらしいと聞いて、実装にあたって色々調べてたらimagehashを見つけたので使ってみたらめちゃくちゃ便利でした。

ごちうサーチ

16進数でimagehash型が返ってくるんですが、hash-dhash みたいに引き算するとハミング距離が返ってくるっぽい。

最初

    hash = imagehash.dhash(Image.open(img))
    other_hash = imagehash.dhash(Image.open(otherimg))
    hash_bin = int(str(hash),16)
    other_hash_bin = int(str(other_hash),16)
    print(bin(hash_bin ^ other_hash_bin).count('1'))

みたいにストリング型にして、int型にキャストして、2つのXORとって、立ってるビットの数数えて,,,ってやってたのですが、結果が同じだったので、多分そういうことだと思います。

personラベルのデータからアノテーションファイル作成

            anotation = ""
        for i, c in reversed(list(enumerate(out_classes))):
            predicted_class = self.class_names[c]
            box = out_boxes[i]
            score = out_scores[i]

            label = '{} {:.2f}'.format(predicted_class, score)
            draw = ImageDraw.Draw(image)
            label_size = draw.textsize(label, font)

            top, left, bottom, right = box
            top = max(0, np.floor(top + 0.5).astype('int32'))
            left = max(0, np.floor(left + 0.5).astype('int32'))
            bottom = min(image.size[1], np.floor(bottom + 0.5).astype('int32'))
            right = min(image.size[0], np.floor(right + 0.5).astype('int32'))
            # print(label, (left, top), (right, bottom))

            if top - label_size[1] >= 0:
                text_origin = np.array([left, top - label_size[1]])
            else:
                text_origin = np.array([left, top + 1])



            # My kingdom for a good redistributable image drawing library.
            # for i in range(thickness):
            #     draw.rectangle(
            #         [left + i, top + i, right - i, bottom - i],
            #         outline=self.colors[c])
            #
            # draw.rectangle(
            #     [tuple(text_origin), tuple(text_origin + label_size)],
            #     fill=self.colors[c])
            # draw.text(text_origin, label, fill=(0, 0, 0), font=font)
            del draw

            if(predicted_class == "person"):
                anotation += " %s,%s,%s,%s,0"%(top, left, bottom, right)

        end = timer()
        # print(end - start)
        if anotation is not "" and self.unique_image(image):
            import cv2
            dirpath = '/home/src/keras-yolo3/train/%s/'%(os.path.splitext(os.path.basename(video_path))[0])
            if not os.path.exists(dirpath):
                os.makedirs(dirpath)
            image_path = dirpath + '%s.jpg'%(frame_index)
            # BGRで読み込まれており、このまま保存すると色がおかしくなるのでRGBに変換
            save_image = np.asarray(image)
            # save_image = cv2.cvtColor(save_image, cv2.COLOR_BGR2RGB)
            # save_image.save(image_path)
            cv2.imwrite(image_path, save_image)
            path = '/home/src/keras-yolo3/train.txt'
            with open(path,mode='a') as f:
                anotation = image_path + anotation
                f.write(anotation + "\n")

        return image

描画処理が要らなかったのでコメントアウトして、personラベルがついてたらファイル名からディレクトリ作成して、フレーム番号で画像の保存とアノテーションファイルへ書き込みを行ってるだけです。

出来上がったアノテーションファイルはこんな感じ

/home/src/keras-yolo3/train/gochiusa1_1/156.jpg 290,41,325,53,0
/home/src/keras-yolo3/train/gochiusa1_1/182.jpg 269,42,301,52,0
/home/src/keras-yolo3/train/gochiusa1_1/203.jpg 251,42,282,52,0
/home/src/keras-yolo3/train/gochiusa1_1/318.jpg 189,3,299,109,0 188,263,315,305,0 193,319,305,377,0
/home/src/keras-yolo3/train/gochiusa1_1/494.jpg 215,264,316,289,0 205,195,329,227,0 203,247,318,272,0 203,162,325,194,0
/home/src/keras-yolo3/train/gochiusa1_1/581.jpg 87,146,217,402,0
.
.
.

f:id:ascreit:20180916043115p:plain

集まった画像は469枚。ちょっとすくないかな?と思ったので手元にあったあそびあそばせ9話のデータ(360枚)も加えました。 合計829枚。。。基準がわからないけど、まあ大丈夫かな?

 作ったデータセットで学習させてみる

train,pyのannotation_pathとclasses_pathを自分で作ったデータのパスに修正。

def _main():
    annotation_path = 'train.txt'
    log_dir = 'logs/001/'
    classes_path = 'model_data/my_classes.txt'
    anchors_path = 'model_data/yolo_anchors.txt'

train.pyでは ①最初に結合層の3層だけ重みを学習して、残りはフリーズ。 ②ある程度学習が進んだら(50エポック)今度は全部の重みを学習するようになっているみたいです。

私のGPU環境(GeForce GTX 1080 Ti)では②でbatch_size = 32だとメモリが足りずに落ちるので半分の16にしました。

あと、②では学習率が上がらなくなったら自動で終了するようになっているので、epochs=1000と多めにしておきました。

今回はクラスが一つなのでmy_classes.txtはpersonの一行だけ。

person

READMEに従ってyolo_weights.h5(ベースになる重みデータ)を作成する

python3 convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5

学習開始

Epoch 00072: ReduceLROnPlateau reducing learning rate to 1.0000000116860975e-08.
Epoch 73/1000
46/46 [==============================] - 35s 771ms/step - loss: 16.6467 - val_loss: 17.8882
Epoch 74/1000
46/46 [==============================] - 35s 771ms/step - loss: 17.0927 - val_loss: 17.1548
Epoch 75/1000
46/46 [==============================] - 35s 771ms/step - loss: 16.5201 - val_loss: 17.4600

Epoch 00075: ReduceLROnPlateau reducing learning rate to 9.999999939225292e-10.
Epoch 76/1000
46/46 [==============================] - 35s 771ms/step - loss: 17.1093 - val_loss: 17.3644
Epoch 00076: early stopping

76エポックで終了です。 大体1時間くらい

見方がわからないのですが、TensorBoardのスクショも貼っときます

f:id:ascreit:20180916051807p:plain

結果

f:id:ascreit:20180916050802g:plain

誤検知多いですね。。。ここは前のほうが良かったな。

f:id:ascreit:20180916050832g:plain

前回トイレ認識されてしまったチノちゃん。今回はちゃんと人間扱いされてますね!

f:id:ascreit:20180916051101g:plain

ここはほぼ完璧!!

全体的には誤検知増えてしまってますが、前回ダメだった箇所は割と認識できるようになったという部妙な感じでした。

もっと回せばよかったのか、データ数が足りないのか、チェックもしてない雑なデータセットが悪かったのか...

...ってあれ?これ、教師データにごちうさ1話のデータ使ったら駄目なのでは?

その辺踏まえて教師データ増やしてまた挑戦してみます。

追記

解決しました。 blog.ascreit.com