• Preprocessing

  • 앞서 Darknet에서 학습 시킨 모델을 사용하여 Bounding Box 를 추출하는 작업을 거쳤다. ‣
  • 위 작업에서 Boundary Box 범위가 1.0이 넘는 부분이 나와 학습할 때 오류가 떠 이를 0.99로 수정하는 코드를 작성하였다.
    • Code

• 직접 수집한 Dataset (1962개)

  • hyper parameter
  • model
  • data

[빨간색] : 기본 1962 장

[주황색] : 기본 1962 장 중 흐릿한 이미지, 잘못 Labeling 된 파일들을 수정한 총 1757 장으로 학습한 결과

• 전체 확인

각 모델을 비교해 보았는데 확실히 주황색 모델이 성능이 좋았다. 하지만..

아래의 결과를 확인해보면 누가 봐도 Darknet 환경에서 학습 시킨 결과가 더욱 좋았다.

ultralytics 환경에서는 라벨링을 한번 더 확인하고 수정하였는데 이러한 결과가 나왔다

1. ultralytics 데이터로 Darknet 에서 학습
2. Darknet train parameter로 ultralytics 에서 학습 하여 비교 ( lr : 0.1 → 0.001 / momentum : 0.937 → 0.9 / epochs : 1000 )

위 과정을 거쳐 비교하여야 할 것 같다.

Darknet

ultralytics

1번의 결과, 위 사진의 Darknet에서 학습 시킨 결과와 차이가 거의 없어 무의미하였다.

2번의 결과 fire object 에 한해서 좋은 결과를 얻을 수 있었다.

→ smoke object를 잘 검출하지 못하는 이유는 라벨링을 수정하는 과정에서 smoke에 대한 이미지가 많이 줄어들어 나타난 결과라 예상한다.

→ lr을 줄이니 안정적으로 학습하는 과정을 볼 수 있다.