Salta el contingut

Instal·lació

Introducció

Introducció

Aquest mòdul mostra com detectar objectes en imatges utilitzant la xarxa d’aprenentatge profund You Only Look Once versió 8 (YOLOv8).

El contingut de visió per computador es divideix en cinc lliçons:

  1. Instal·lació: En aquesta lliçó, instal·laràs totes les eines i biblioteques necessàries per treballar amb visió per computador a MATLAB.
  2. Entrenament de models utilitzant transfer learning: Aquesta lliçó cobreix els conceptes bàsics de l’entrenament d’un model YOLO i explica com el transfer learning pot millorar el rendiment i reduir el temps d’entrenament.
  3. Postprocessament: Aquesta lliçó presenta tècniques de postprocessament que milloren el rendiment del model després de l’entrenament, incloent-hi el filtratge i el refinament de les deteccions.
  4. Avaluació: Aquesta lliçó se centra en l’avaluació de models de detecció d’objectes utilitzant mètriques estàndard i tècniques de visualització. Cobreix el càlcul d’aquestes mètriques i proporciona pautes per interpretar-les correctament.
  5. Experimentació: Aquesta lliçó final proporciona una exploració més profunda de l’entrenament de models. Introdueix hiperparàmetres clau, mostra l’aplicació de tècniques d’augmentació de dades i explica com dissenyar experiments per avaluar diferents configuracions d’entrenament.

Toolboxes necessàries

Per executar aquest projecte o lliçó, es necessiten les toolboxes següents:

  • Computer Vision Toolbox™
  • Deep Learning Toolbox™
  • Parallel Computing Toolbox™

Comprovar la instal·lació de toolboxes a MATLAB

Pots utilitzar el codi següent per comprovar automàticament si totes les toolboxes necessàries estan instal·lades:

% Llista de toolboxes necessàries
requiredToolboxes = [
    "Computer Vision Toolbox"
    "Deep Learning Toolbox"
    "Parallel Computing Toolbox"
];

% Obtenir les toolboxes instal·lades i convertir els noms a un array de strings
toolboxTable = matlab.addons.installedAddons;
installedNames = string(toolboxTable.Name);

% Comprovar si falten toolboxes
missing = ~ismember(requiredToolboxes, installedNames);

% Informe
if any(missing)
    missingList = requiredToolboxes(missing);
    error("Missing required toolboxes:\n%s\n\nPlease install them via Home > Add-Ons > Get Add-Ons.", ...
        strjoin(missingList, newline));
else
    disp("✅ All required toolboxes are installed.");
end

✅ All required toolboxes are installed.

Com instal·lar les toolboxes que falten

Si falta alguna toolbox:

  1. Ves a la pestanya Home de MATLAB.
  2. Fes clic a Add-Ons > Get Add-Ons.
  3. Cerca la toolbox que falta pel seu nom.
  4. Fes clic a Install.

Instruccions de configuració

Afegir la ruta del mòdul d’ajuda

Afegeix la ruta al mòdul d’ajuda perquè MATLAB pugui accedir als scripts d’aquesta carpeta:

addpath('help-module');

Instal·lar Python i les biblioteques necessàries

Utilitza la comanda següent per instal·lar Python i les biblioteques necessàries. Això pot trigar més de 5 minuts:

yolo.installUltralytics();

Després d’executar aquest codi, hauria d’aparèixer win64 en cas que estiguis utilitzant Windows; si no, glnxa64.

Descarregar el dataset

Per descarregar el dataset:

(No està actualitzat, és un altre dataset, no el descarreguis)

%disp("download data")

download data

%yolo.helper.downloadMultiClassData()

Downloading multiclass object detection dataset...

Comprovar que YOLO funciona

Carrega el detector d’objectes YOLOv8 i executa la inferència:

% Carregar el model YOLO v8
det = yolov8ObjectDetector2('yolov8s');

Pretrained yolov8s network already exists.

% Llegir la imatge de prova.
I = imread(fullfile('datasets/fruits_3_4998/example','orange.jpg'));

% Carregar la xarxa YOLO v8 petita.
det = yolov8ObjectDetector2('yolov8s');

Pretrained yolov8s network already exists.

% Fer la detecció utilitzant el model preentrenat.
[bboxes, scores, labels] = detect(det, I);

% Visualitzar els resultats de la detecció.
annotations = string(labels) + ': ' + string(scores);
Iout = insertObjectAnnotation(I, 'rectangle', bboxes, annotations);
figure, imshow(Iout);

figure_0.png

Configuració de YOLO

Establir l’entorn de Python

if (ispc)
    pyenv(Version="win64/python/python.exe", ExecutionMode = "OutOfProcess")
else
    pyenv(Version="glnxa64/python/bin/python3", ExecutionMode = "OutOfProcess")
end

ans = 
  PythonEnvironment with properties:

          Version: "3.11"
       Executable: "C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\win64\python\python.exe"
          Library: "C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\win64\python\python311.dll"
             Home: "C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\win64\python"
           Status: Loaded
    ExecutionMode: OutOfProcess
        ProcessID: "30028"
      ProcessName: "MATLABPyHost"

if isunix
    py.sys.setdlopenflags(int32(bitor(int64(py.os.RTLD_LAZY),int64(py.os.RTLD_DEEPBIND))));
end

Configurar els paràmetres globals de YOLO

% setYoloSettings Estableix els paràmetres globals de YOLO mitjançant el wrapper de Python.
%
% setYoloSettings(pythonObject, option, value) estableix l’opció especificada
% de YOLO al valor indicat utilitzant el wrapper de Python.
py.trainYOLOv8Wrapper.setYoloSettings(py.str('tensorboard'), true);

settings_version 0.0.4
datasets_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\Lessons\from-code-to-robot\computer_vision\datasets
weights_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\Lessons\from-code-to-robot\computer_vision\weights
runs_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\Lessons\from-code-to-robot\computer_vision\runs
uuid ec83097be249f049dc01533308f726e37a20a9a11e43afb8810c32587f8ec051
sync True
api_key 
openai_api_key 
clearml True
comet True
dvc True
hub True
mlflow True
neptune True
raytune True
tensorboard True
wandb True
True

runsDir = fullfile(pwd, 'runs'); % Uneix el directori actual amb la carpeta 'runs'
weightsDir = fullfile(pwd, 'weights'); % Uneix el directori actual amb la carpeta 'runs'
datasets_dir = fullfile(pwd, 'datasets');
py.trainYOLOv8Wrapper.setYoloSettings(py.str("runs_dir"), py.str(runsDir));

settings_version 0.0.4
datasets_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\Lessons\from-code-to-robot\computer_vision\datasets
weights_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\Lessons\from-code-to-robot\computer_vision\weights
runs_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\Lessons\from-code-to-robot\computer_vision\runs
uuid ec83097be249f049dc01533308f726e37a20a9a11e43afb8810c32587f8ec051
sync True
api_key 
openai_api_key 
clearml True
comet True
dvc True
hub True
mlflow True
neptune True
raytune True
tensorboard True
wandb True
True

py.trainYOLOv8Wrapper.setYoloSettings(py.str("weights_dir"), py.str(weightsDir));

settings_version 0.0.4
datasets_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\Lessons\from-code-to-robot\computer_vision\datasets
weights_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\Lessons\from-code-to-robot\computer_vision\weights
runs_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs
uuid ec83097be249f049dc01533308f726e37a20a9a11e43afb8810c32587f8ec051
sync True
api_key 
openai_api_key 
clearml True
comet True
dvc True
hub True
mlflow True
neptune True
raytune True
tensorboard True
wandb True
True

py.trainYOLOv8Wrapper.setYoloSettings(py.str("datasets_dir"), py.str(datasets_dir));

settings_version 0.0.4
datasets_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\Lessons\from-code-to-robot\computer_vision\datasets
weights_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\weights
runs_dir C:\Users\Noel Nathan\Desktop\Universidad\8tQuadrimestre\tfg\from-code-to-robot\computer_vision\runs
uuid ec83097be249f049dc01533308f726e37a20a9a11e43afb8810c32587f8ec051
sync True
api_key 
openai_api_key 
clearml True
comet True
dvc True
hub True
mlflow True
neptune True
raytune True
tensorboard True
wandb True
True