ImageAI 기본사용법 <1. Object Detection>

오늘은 python기반으로, Object Detection을 지원하는 ImageAI에 대해서 알아보겠습니다. 기본적인 사용법부터 CustomObjectDetection까지 차근차근 알아보겠습니다.

본 텍스트의 전문은 OlafenwaMoses님의 GitHub에 근거하고 있습니다.

Thanks to github.com/OlafenwaMoses/ImageAI

OlafenwaMoses/ImageAI

---

1단계) Anaconda를 설치해주세요. 아래 링크를 따라해주세요.

아나콘다는 여러 버전의 파이썬 가상환경을 만들어주는 강력한 툴입니다. 추후에 여러 프로젝트를 진행하다보면 버전에 신경을 많이 써야 할 거예요. 가상환경에서 작업하는 습관을 들여두는 것이 중요합니다.

https://blog.naver.com/roboholic84/221626686511

파이썬 아나콘다 설치하기 - Jupyter (쥬피터) 실행하기

---

2단계) 가상환경을 만들어주세요.

(윈도우키 + R) 동시 누르고 (cmd) 입력 후 엔터를 입력하면 콘솔이 실행됩니다.

conda create -n <가상환경이름> <python 버전>

아나콘다가 제대로 설치되었다면 "conda create -n <가상환경이름> <python 버전>" 를 통해 새로운 가상환경을 만들 수 있습니다. 저는 roadkill이라는 이름의 가상환경을 만들었습니다. 앞으로 사용할 python 버전이 3.6.12 이므로 꼭 3.6.12 버전의 파이썬으로 가상환경을 만들어주세요. 버전이 다르면 에러가 날 수 있어요.
ex) conda create -n roadkill python==3.6.12

conda activate <가상환경이름>

이제 가상환경을 실행해보겠습니다. "conda activate <가상환경이름>" ex)conda activate roadkill

이제 이곳에 각종 라이브러리를 설치해보겠습니다. 아 참고로 가상환경에서 나가고 싶을 땐 "deactivate"를 입력해주면 됩니다.

---

3단계) 각종 라이브러리를 설치합니다. 밑의 버전들을 차근차근 한 줄씩 붙여넣기 해서 설치해주세요. 가상환경에 진입한 상태인지 확인하는 것도 잊지 말아주세요. 

pip install tensorflow==1.4.0
pip install opencv-python==3.4.2.16
pip install keras==2.1
pip install imageai --upgrade

pip install h5py==2.10.0

위의 내용을 설치할때, Y/N을 물을때가 나오면 Y를 입력해주면 됩니다. 원래 imageai를 설치하면 h5py가 같이 설치되는데, 저와 같은 경우엔 이때 설치한, h5py에서 버전에러가 나서, h5py 버전을 낮추었습니다.

---

4단계) yolov3 모델을 다운로드하고 실행할 준비를 합니다. 

먼저, OlafenwaMoses님의 GitHub으로 이동합니다. 글의 제일 상단 출처가 OlafenwaMoses님의 GitHub입니다. 이 홈페이지에서 Object Detection으로 들어가게 되면 아래 붉은 원을 클릭해, 이미 학습된  yolov3모델을 다운받을 수 있습니다. 찾기 어렵다면, 아래 링크를 클릭하셔도 됩니다. 이 모델은 이미 여러가지 객체에 대해 학습된 모델로, 다운로드 받아 바로 사용하실수 있습니다. 추후에 다른 데이터에 학습을 진행할때도, 이 이미 학습된 모델로 Transfer Learning을 이용해 적은양의 데이터로 원하는 활동을 작동시킬 수 있습니다.

github.com/OlafenwaMoses/ImageAI/blob/master/imageai/Detection/README.md

OlafenwaMoses/ImageAI

---

5단계) 코드를 작성합니다. 위의 ObjectDetection에서 코드 또한 제공합니다. 이 코드는 다음과 같습니다. 

from imageai.Detection import ObjectDetection
import os

execution_path = os.getcwd()

detector = ObjectDetection()
detector.setModelTypeAsYOLOv3()
detector.setModelPath( os.path.join(execution_path , "yolo.h5"))
detector.loadModel()

detections, objects_path = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "cheonlokcat2.jpg"), output_image_path=os.path.join(execution_path , "cheonlokcat1232.jpg"), minimum_percentage_probability=30,  extract_detected_objects=True)

for eachObject, eachObjectPath in zip(detections, objects_path):
    print(eachObject["name"] , " : " , eachObject["percentage_probability"], " : ", eachObject["box_points"] )
    print("Object's image saved in " + eachObjectPath)
    print("--------------------------------")

Line11의 "cheonlokcat2.jpg" 라는 곳이 처리할 input 이미지의 이름

Line11의 "cheonlokcat1232.jpg" 가 처리되어 저장될 output 이미지의 이름입니다.

---

6단계) 실행모습입니다.  먼저 한 폴더에 다운받은 이미지와 코드, 모델을 넣어줍니다.

이제, 우리는 윈도우 콘솔의 아주 기본적인 명령어인 dir과 cd 명령어를 활용해 현재 코드의 위치로 이동합니다.

dir 명령어: directory의 약자로서, 현재 디렉토리 내 파일을 보여줍니다.

cd 명렁어: change directory의 명령어로서 디렉토리에 진행하거나 나갑니다.(cd <폴더명>: 진입, cd ..은 탈출)

이 사진하고 아마 디렉토리 이름이 다를겁니다. 자신의 폴더 위치로 잘 이동해보세요.

---

7단계) 가상환경을 활성화시키고, 코드를 실행해줍니다.

이제 코드가 실행될겁니다.

python cat.py

---

결과) 짜잔, 이렇게 천록냥이를 99퍼센트 확률로 구분하는 것을 볼 수 있습니다.

천록아파트 치즈냥이

번외) 후문 떼껄룩

후문 떼껄룩

---

다음편 예고) 동영상 인식과, Custom Object 학습 및 Detection,  Pascal VOC 형식으로 데이터 준비하기

좌측) 동영상 인식 캡처, 우측) Pascal VOC로 데이터 라벨링 후, Custom Object Detection로 학습시킨 사진,