fixed markdown and added result image

김성주
Commit 38548e6a43820f99a29db531c1f3c11041d52333 38548e6a 1 parent 728c0178
Showing 1 changed file with 77 additions and 39 deletions
ReadMe.md
--- a/ReadMe.md
View file @38548e6
+++ b/ReadMe.md
View file @38548e6
@@ -3,7 +3,6 @@
 강아지의 위치와 크기를 인식할 수 있는 딥러닝 모델
 
 ## **팀 소개**
- ---
 - **지도 교수**
     - 조진성 교수님
 
@@ -15,90 +14,129 @@
 
     
 ### 준비 사항
- tensorflow-android 라이브러리의 최신 버전이 (2020.06.01 기준) 1.13.1입니다.
+ ---
+ - **학습**
 
- 따라서 android implementation까지 구현하는 경우에는
- 상위 버전과 호환이 되도록 라이브러리를 빌드하거나, 학습 혹은 pb 파일 생성 또한 tensorflow v1.13.1 이하로 진행하셔야 합니다.
+     - tensorflow-android 라이브러리의 최신 버전이 (2020.06.01 기준) 1.13.1입니다.
+     
+         따라서 android implementation까지 구현하는 경우에는
+         
+         상위 버전과 호환이 되도록 라이브러리를 빌드하거나, 학습 혹은 pb 파일 생성 또한 tensorflow v1.13.1 이하로 진행하셔야 합니다.
 
+     &nbsp;
 
+     - annotation에는 labelImg 툴을 이용하여 xml을 생성하였습니다.
 
- annotation에는 labelImg 툴을 이용하여 xml을 생성하였습니다.
+         학습에는 TFrecord 형태로 저장된 파일을 사용합니다.
+         
+         데이터 하나의 형식은 {data index, image binary, image width, image height, boxes}이며
 
+         boxes의 형식은 {label1, xmin, ymin, xmax, ymax, label2, xmin, ...}입니다.
 
+         TFRecord 파일 작성은 code/tfrecord_writer.py를 참고하시기 바랍니다.
 
- 학습에는 TFrecord 형태로 저장된 파일을 사용합니다.
- 데이터 하나의 형식은 {data index, image binary, image width, image height, boxes}이며
- boxes의 형식은 {label1, xmin, ymin, xmax, ymax, label2, xmin, ...}입니다.
- TFRecord 파일 작성은 code/tfrecord_writer.py를 참고하시기 바랍니다.
+     &nbsp;
+     
 
+     - tfrecord_writer.py에서 입력으로 받는 txt 파일은
 
+         각 라인마다 {data index, image path, image width, image height, boxes} 형태로 저장되어 있습니다.
 
- tfrecord_writer.py에서 입력으로 받는 txt 파일은
- 각 라인마다 {data index, image path, image width, image height, boxes} 형태로 저장되어 있습니다.
- txt 파일 생성은 code/annotation_xml_parser.py를 참고하시기 바랍니다.
+         txt 파일 생성은 code/annotation_xml_parser.py를 참고하시기 바랍니다.
 
+     &nbsp;
+     
+     - 이 학습에서는 train/eval/test 데이터셋을 구분하여 사용합니다.
 
+         txt 파일에 대한 데이터셋 분리는 code/dataset_splitter.py를 참고하기시 바랍니다.
 
- 이 학습에서는 train/eval/test 데이터셋을 구분하여 사용합니다.
- txt 파일에 대한 데이터셋 분리는 code/dataset_splitter.py를 참고하기시 바랍니다.
+     &nbsp;
+     
+     - annotation_xml_parser.py에서 입력으로 받는 xml 파일은
 
+         labelImg 툴로 생성된 Pascal VOC format XML 파일을 기준으로 합니다.
 
+     &nbsp;
+     
+     - 학습을 위해서 anchor 파일이 필요합니다.
 
- annotation_xml_parser.py에서 입력으로 받는 xml 파일은
- labelImg 툴로 생성된 Pascal VOC format XML 파일을 기준으로 합니다.
+         anchor 파일 생성에는 code/yolov3/get_kmeans.py를 참고하시기 바랍니다.
 
+         출력된 anchor를 code/yolov3/args.py의 anchor_path에 맞는 위치에 저장하시면 됩니다.
 
+     &nbsp;
+     
+     - 이 학습에서는 pretrained model을 불러와 fine tuning을 이용합니다.
 
- 학습을 위해서 anchor 파일이 필요합니다.
- anchor 파일 생성에는 code/yolov3/get_kmeans.py를 참고하시기 바랍니다.
- 출력된 anchor를 code/yolov3/args.py의 anchor_path에 맞는 위치에 저장하시면 됩니다.
+         따라서 pretrained model 파일을 준비해야 합니다.
 
+         pretrained model은 [링크](https://pjreddie.com/media/files/yolov3.weights)에서 다운로드할 수 있습니다.
 
+     
+         이 파일은 darknet weights 파일이므로, tensorflow model로 변환하려면 code/yolov3/convert_weights.py를 참고하시기 바랍니다.
+         
+         (git에는 이미 변환된 yolov3.ckpt만이 업로드되어 있습니다. 다른 데이터셋 혹은 다른 용도로 학습을 진행하려면 새로 생성하셔야 합니다.)
 
- 이 학습에서는 pretrained model을 불러와 fine tuning을 이용합니다.
- 따라서 pretrained model 파일을 준비해야 합니다.
+     &nbsp;
+     
+     - 학습에는 train.py (train/eval dataset)를, 평가에는 eval.py (test dataset)를 사용하시면 됩니다.
+     
+         학습에 사용하는 파일의 경로 및 hyper parameter 설정은 args.py를 참고하시기 바랍니다.
+         
+         평가에 대한 경로 설정은 eval.py에서 할 수 있습니다.
 
- pretrained model은 [링크](https://pjreddie.com/media/files/yolov3.weights)에서 다운로드할 수 있습니다.
+     &nbsp;
 
- 이 파일은 darknet weights 파일이므로, tensorflow model로 변환하려면 code/yolov3/convert_weights.py를 참고하시기 바랍니다.
- (git에는 이미 변환된 yolov3.ckpt만이 업로드되어 있습니다. 다른 데이터셋 혹은 다른 용도로 학습을 진행하려면 새로 생성하셔야 합니다.)
+     - data/trained에 임시 테스트용 trained model 파일이 업로드되어 있습니다.
 
+     &nbsp;
+     &nbsp;
 
+ - **안드로이드 적용**
 
- 학습에는 train.py (train/eval dataset)를, 평가에는 eval.py (test dataset)를 사용하시면 됩니다.
- 학습에 사용하는 파일의 경로 및 hyper parameter 설정은 args.py를 참고하시기 바랍니다.
- 평가에 대한 경로 설정은 eval.py에서 할 수 있습니다.
+     - android implementation을 하는 경우에는 학습된 모델에 대한 pb 파일을 생성해야 합니다.
 
+         code/pb/pbCreator.py를 참고하시기 바랍니다. (code/yolov3/test_single_image.py를 약간 수정한 파일입니다)
 
+     &nbsp;
 
- data/trained에 임시 테스트용 trained model 파일이 업로드되어 있습니다.
+     - android에서는 freeze된 model만 사용할 수 있습니다.
 
+         code/pb/freeze_pb.py를 참고하시기 바랍니다.
 
+     &nbsp;
 
- android implementation을 하는 경우에는 학습된 모델에 대한 pb 파일을 생성해야 합니다.
- code/pb/pbCreator.py를 참고하시기 바랍니다. (code/yolov3/test_single_image.py를 약간 수정한 파일입니다)
+     - android_App/assets에 pb file을 저장한 후, DetectorActivity.java에서 YOLO_MODEL_FILE의 값을 알맞게 수정하시면 됩니다.
 
+     &nbsp;
+     
+     - 이 학습 코드로 생성된 모델의 input, output node name은
+     
+         각각 input_data, {yolov3/yolov3_head/feature_map_1,yolov3/yolov3_head/feature_map_2,yolov3/yolov3_head/feature_map_3} 입니다.
 
+         모델의 node name 참고에는 Netron 프로그램을 사용하였습니다.
 
- android에서는 freeze된 model만 사용할 수 있습니다.
- code/pb/freeze_pb.py를 참고하시기 바랍니다.
 
+ &nbsp;
 
+ ### 결과 예시
+ ---
 
- android_App/assets에 pb file을 저장한 후, DetectorActivity.java에서 YOLO_MODEL_FILE의 값을 알맞게 수정하시면 됩니다.
+ ![dog1](/uploads/86f16320572b43a68055e48fc897e114/dog1.png)
 
+ 예시 1
 
+ ![dog2](/uploads/2b42af6c6aba2b4c66af062bb5fe564e/dog2.png)
 
- 이 학습 코드로 생성된 모델의 input, output node name은
- 각각 input_data, {yolov3/yolov3_head/feature_map_1,yolov3/yolov3_head/feature_map_2,yolov3/yolov3_head/feature_map_3} 입니다.
- 모델의 node name 참고에는 Netron 프로그램을 사용하였습니다.
+ 예시 2
 
+ &nbsp;
 
+ #### Reference
+ ---
 
+ 학습 코드는 [링크](https://github.com/wizyoung/YOLOv3_TensorFlow)를 기반으로 작성하였습니다.
 
- #### Reference
- 학습 코드는 [링크](https://github.com/wizyoung/YOLOv3_TensorFlow)를 기반으로 작셩하였습니다.
 변경점은 code/yolov3/changes.txt를 참고하시기 바랍니다.
 
 android 코드는 [링크](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/android)를 기반으로 작성하였습니다.
-