[KT AIVLE SCHOOL(에이블스쿨)] DX 트랙 4차 미니 프로젝트 후기[15]

 

 

💡 4차 미니 프로젝트

4차 미니 프로젝트의 주제는 딥러닝을 이용한 차량 이미지 검출이었다. 

Object Detection에서 제일 많이 사용하는 YoloV5 모델을 사용하였으며, 기존 데이터뿐만 아니라 직접 라벨링을 하여 만든 데이터도 같이 학습을 시켜 성능을 올렸다.

Roboflow에서 라벨링된 데이터들을 가져왔고, 추가적으로 labelImg 툴을 이용하여 직접 라벨링 작업을 하였다.

다른 조들 발표를 들어보면 새로운 데이터를 많이 가져와 사용하였는데, 딥러닝은 확실히 데이터가 제일 중요한 것 같다. 데이터의 양과 질에 의해 모델 성능이 크게 영향을 받는다. 따라서 딥러닝을 이용하는 프로젝트 시작 전 데이터를 확인하고 확보하는데 많은 시간을 써야 할 것 같다.

 

 

📕 프로젝트 개요

주제

• 실시간 차량 통행량을 파악하기 위해 CCTV로 파악된 차량 수 확인

목표

• 무료 데이터셋 + 라벨링한 데이터셋을 활용하여 YoloV5 모델로 CCTV 영상 내 차량 객체 탐지

프로젝트 핵심 개념

• Object Detection = Multi-Labeled Classification + Bounding Box Regression
• Open CV : 인텔에서 개발한 오픈 소스 컴퓨터 비전 소프트웨어 라이브러리
• Roboflow: 학습할 이미지 데이터 세트를 TensorFlow, PyTorch , YOLO 와 같은 널리 사용되는 이미지 학습 프레임워크에 맞춰 제공하는 플랫폼
• Labeling, Bounding Box: 물체 감지에 사용할 주석이 달린 데이터 세트를 만들기 위해 이미지 또는 비디오에서 관심 있는 물체를 수동으로 식별하고 표시하는 프로세스

Bounding Box

• yolov5: YOLOv5 는 You only look once의 줄임말로 Ultralytics에서 개발한 객체 감지 모델 (2020 년 5 월에 출시)
• Object detection 지표: 객체 인식의 정확도 지표: 모든 객체의 AP의 평균 Mean average Precision(mAP)
• mAP가 높을 수록 정확하고 작을수록 부정확

 

📅 프로젝트 일정

Day 1

• 무료 데이터셋을 활용하여 YoloV5로 CCTV 영상 내 차량 객체 탐지
• 하나의 영상마다 최소 10개 이상의 이미지 데이터 추출

Day 2

• Roboflow에서 다운 받은 오픈 데이터셋을 활용하여 YoloV5 학습
• data.yaml 파일 수정

Day 3

• labelImg 툴을 활용하여 직접 라벨링 작업
• 오픈 데이터 셋 + 직접 라벨링 작업한 데이터 셋으로 학습시켜 이미지 데이터 추출