Escolar Documentos
Profissional Documentos
Cultura Documentos
CONTEÚDO
• Teoria básica sobre detecção de objetos e YOLO
• Detecção de objetos em imagens com Darknet e
OpenCV
• Detecção de objetos em vídeos com Darknet e
OpenCV
• Treinamento para detecção de objetos personalizados
• Anexos
• Redes neurais artificiais
• Redes neurais convolucionais
CLASSIFICAÇÃO DE IMAGENS
• Treinar classificadores
multi-classe para
identificar duas (ou
mais) classes
• Identificar a localização
de um objeto (dada a
classe) em uma imagem
é chamado de
localization Créditos da imagem de exemplo: https://www.pexels.com/
(localização)
DETECÇÃO DE OBJETOS
•Previsão da classe e da
localização do objeto
•O retângulo contendo a
localização do objeto é
chamado de caixa
delimitadora (bounding
box)
Créditos da imagem: zerotosingularity.com/
DETECÇÃO DE OBJETOS
• Introduz a abordagem
• Uma única rede convolucional
• 45fps (0,02s / imagem)
Paper: https://arxiv.org/pdf/1506.02640.pdf
https://twitter.com/pjreddie/status/1230524770350817280
YOLOv4
O novo formato compatível com o YOLO é: <classe-id> <x> <y> <largura> <altura>
2) Descer a barra de rolagem até o momento que você julgar ser o suficiente (pois o script irá
baixar todas as imagens que aparecem na página até do ponto que você parou de rolar a barra).
Recomendamos ir até o momento que a qualidade das imagens estiver boa (ou até onde
começar a aparecer muitas imagens que não estão tão relacionadas ao objeto pesquisado)
...
DATASET MANUAL
3) Executar os comandos
javascript (que estão no arquivo:
codigos_console.js)
Em seguida cole
todos os códigos
e pressione Enter.
DATASET MANUAL
No parâmetro --output você deve colocar o diretório onde serão salvas as imagens.
No passo anterior lembre que era pra criar uma pasta com o nome da classe, dentro
da recém criada pasta “imagens”.
Obs: Dependendo do tamanho pode levar alguns minutos para baixar todas as
imagens.
DATASET MANUAL
Caso você já não tenha elas instaladas então você pode instalar
manualmente, ou usar o comando abaixo
• pip install -r requirements.txt
(para isso você deve colocar o requirements.txt dentro do diretório principal que você criou
para armazenar os arquivos do dataset, junto com o url.txt e os outros arquivos)
DATASET MANUAL
Clique para
mudar para YOLO
DATASET MANUAL
Se o IoU = 0,5
• se IoU ≥ 0,5, classifique a detecção do objeto como Verdadeiro Positivo (TP)
• se IoU < 0,5, então é uma detecção errada e classifique-a como Falso Positivo (FP)
• Quando uma ground truth está presente na imagem e o modelo não conseguiu
detectar o objeto, classifique-o como Falso Negativo (FN)
• Verdadeiro Negativo (TN): todas as partes da imagem onde objetos não foram
previstos. Esta métrica não é útil para detecção de objetos, portanto ignoramos.
INTERSECION OVER UNION (IoU)
YOLOv3 YOLOv4
cavalos_yolov3.avi cavalos_yolov4.avi