オリジナルデータでYOLACTを作って動かそう！　Part.2　ディープラーニングでYOLACTを学習

オリジナルデータで YOLACTを作って動かそう！ Part.2 ディープラーニングでYOLACTを学習 作成者：スプレッドナレッジ

【Part.2 の内容】 0. 前回のおさらい 1. YOLACTのAIを作成する手順 2. アノテーションデータの形式変換 3. YOLACTのconfigファイルの設定 4. ディープラーニングの開始

0. 前回のおさらい

0-1 前回のおさらい 引用：https://github.com/wkentaro/labelme

• https://github.com/wkentaro/labelme

0-2 今回解説するパート

0-3 Ubuntuに追加でダウンロードするファイル （1）Ubuntuを起動＆端末を開いて「Labelme」の ソースコードをダウンロードする（1度だけ行えばよい） →「2. アノテーションデータの形式変換」の際に必要 【Ubuntuの端末へ入力するダウンロードコマンド】 ① cd ～ ② git clone https://github.com/wkentaro/labelme.git

0-3 Ubuntuに追加でダウンロードするファイル （1）続き

0-3 Ubuntuに追加でダウンロードするファイル （2）以下のサイトからYOLACTのベースネットワークを ダウンロードする →ディープラーニングの際に必要（詳しくは第5章へ） https://github.com/dbolya/yolact

• https://github.com/dbolya/yolact

0-3 Ubuntuに追加でダウンロードするファイル （2）続き：ページ内の「Training」にあるhereをクリックする

0-3 Ubuntuに追加でダウンロードするファイル （2）続き：ダウンロードした3つのファイルを yolactディレクトリ内のweightsディレクトリへコピー

0-3 Ubuntuに追加でダウンロードするファイル （3）Visual Studio Codeをインストールする →大容量のテキスト形式のデータを開くのに最適なため Ubuntu Softwareを開いて “Visual Studio Code” を検索してダウンロード

１. YOLACTのAIを 作成する手順

1-1 YOLACTの開発手順 要件定義＆データ収取＆アノテーション アノテーションデータを独自形式へ変換 YOLACTのconfigファイルの設定 ディープラーニングの実行

1-2 アノテーションが終わったら ・アノテーションが終わると画像データが保存されている フォルダにアノテーションデータ（.json）がしっかり 保存されているか確認

1-2 アノテーションが終わったら 画像データ（.jpg） ＆ アノテーションデータ（.json） 画像データ（.jpg） ＆ アノテーションデータ（.json） 画像データ（.jpg） ＆ アノテーションデータ（.json） practice 1つのフォルダーへ まとめましょう！

・データを移動する前に：trainとvalidationに分ける practice train 用 practice_train 推奨比率 train : valid validation 用 practice_validation ＝ 8 ： 2

準備ができたらデータ移動

2. アノテーションデータの 形式変換

2-0 この章で解説するパート アノテーションデータを独自形式へ変換

COCO形式へ変更とは？ ・YOLACT作成時にLabelmeで作成したアノテーションデータ（.json）を そのまま利用できない →labelmeのPythonプログラムで独自形式へ変更する必要がある

2-1 学習データをUbuntu/labelmeへ移動 home labelme examples instance_ segmentation train用とvalidation用の ディレクトリを分けてから instance_segmentationディレクトリへ コピーする practice_ train practice_ validation

2-2 labels.txtの内容を一部変更 ・labels.txt：YOLACTに分類させる項目名を記載するtxtファイル

① 3行目以降を 削除 ② 3行目以降に 分類項目名を 順に記述する ③ 最後に保存 して閉じる

2-3 変換プログラムの実行 ①「yolact」の仮想環境を起動 ② cdコマンドでinstance_segmentationディレクトリへ移動 ③ Pythonプログラムを使って最初にtrain用のデータを変換していく ④ Pythonプログラムを使って次にvalidation用のデータを変換していく 【端末に打ち込む実行コマンド】 ① conda activate yolact ② cd ～/labelme/examples/instance_segmentation

【端末に打ち込む実行コマンド】 ③ python labelme2coco.py {train用データのディレクトリ名} {train用の変換データの出力先ディレクトリ名} --labels labels.txt

【端末に打ち込む実行コマンド】 ④ python labelme2coco.py {validation用データのディレクトリ名} {validation用の変換データの出力先ディレクトリ名} --labels labels.txt

2-4 変換した学習データの内容 ・2-3の③と④で指定した変換データの出力先ディレクトリが instance_segmentationディレクトリに出力されている

3. YOLACTのconfigファイル の設定

3-0 この章で解説するパート YOLACTのconfigファイルの設定

3-1 configファイルとは ・ディープラーニングに必要な設定を記載するファイル →ディープラーニングをどう進めるか ＆どのように学習を進めていくか書いてある ・データセット名の定義 ・学習データ（画像＆アノテーションデータ） ・YOLACT＋＋のネットワーク構成 ・入力データのサイズ ・学習率の変更タイミング ・ディープラーニングの総回数 …etc

3-2 学習データの移動と一部内容変更 ① 2-3で作成したデータのファイル名を以下のように変更する ※名前は何でも良い ですが今回はこの 名前で進めます train_images train.json validation_images validation.json

② train.jsonとvalidation.jsonの内容を一部変更 →ファイル内の「JPEGImages/」の文字列を全て削除

③ yolactディレクトリ内に学習データを保存しておく 新しいディレクトリを新規作成 ＆そこへ①の4つのファイルをコピーする home labelme examples instance_ segmentation practice_train_ output practice_validation_ output コピー yolact train_data practice

3-3 configファイルの変更 ① dataディレクトリ内にあるconfig.pyを開く home yolact data 今回は Resnet101という CNNをバックボーンにした YOLACT++を作成します

②「--DATASETS--」の欄の最後の辺りにデータセット名や 各種学習データの保存場所・ファイル名・ディレクトリ名、 分類項目名と数を記述する データセット名 trainとvalidation の学習用画像の 保存場所と ディレクトリ名 trainとvalidation のアノテーション データの 保存場所と ファイル名 分類項目名と数 自分の条件に合わせて修正する部分

③「--YOLACT++ CONFIGS--」の欄の最後の辺りに 作成するYOLACT++の定義を記述していく 1) 「yolact_plus_bas e_config」の部分 を丸々コピーする

③続き 2) 1)でコピーした部分を 「--YOLACT ++ CONFIGS--」の欄の 最後部へ貼り付ける 独自の定義文を どこに記述したか 分かりやすいように このような文章を 加えておくと良い

③続き 3) 「yolact_plus_base_config」と 「”name”」の部分を 独自の名前に変更する 今回は学習データに 合わせて 「practice」と 変更する

③続き 3-3の②で記述した 「データセット名」を指定 4) 「”name”」の下に5つの項目を追加する ＆必要に応じて赤点線部を変更する 分類項目の数を 関数を使って指定 学習率を指定 学習率の 変更タイミングを指定 ディープラーニングの 回数を指定 自分の条件に合わせて 修正する部分

③続き 5) 「保存(S)」をクリックして configファイルを閉じる

4. ディープラーニングの 開始

4-0 この章で解説するパート ディープラーニングの実行

4-1 転移学習でAI作成

4-2 ディープラーニング開始！ ・以下の3つのコマンドを実行するとディープラーニングが始まる ① conda activate yolact ② cd ～/yolact ③ python train.py –config {3-3の③で定義したconfig名} --batch_size {batchサイズ} → 今回の 場合

pytorchや GPUの割り当て、 データの読み込み が始まっていく うまくいくと このように ディープラーニングが 開始される 2回学習が進むと validationのデータ で検証を行う 繰り返し…

4-3 CUDA out of memoryの対処 GPUのメモリ使用量 の調整 ①ディープラーニングのコマンドのbatchサイズを減らす （＝ 1回の学習に使用するデータ数を減らす） ②configの’max_size’を32の倍数で小さくする （＝ YOLACTのモデルサイズを小さくする）