Wasabi_Warriors

Wasabi Warriors

Table of Contents

1. About The Project
   • Built With
2. Getting Started
   • Dependencies
   • Installation
3. Usage
4. Roadmap
5. Contributing
6. License
7. Authors
8. Acknowledgements

About The Project

스시 이미지에 대해 Multi-Class Classification 및 Object Detection을 수행하는 프로젝트입니다.

Dataset

• Object Detection Roboflow Sushi Image Dataset
  • sushi_dataset
  • 10 Classes, 989장
• Multi-Class Classification
  • Detection dataset의 바운딩박스 정보를 통해 Crop한 이미지(4870장) + 웹스크래핑으로 확보한 이미지(1421장)
  • 12 Classes, 6291장
  • Train: 5370 Valid: 578 Test: 343

Getting Started

Dependencies

• Install all requirements

  pip install -r requirements.txt

• Install Specific requirements

  gradio
  streamlit
  ultralytics
  tqdm
  torch
  torchvision
  torchaudio

Installation

1. Clone the repo

   git clone https://github.com/hyesungKomet/Wasabi_Warriors.git

2. Setup (and activate) your environment

   pip install -r requirements.txt

Inference

Classification Inference

1. 학습된 모델을 다운받습니다.(현재는 sushiupdate_classifier_resnet50_10.pth) resnet_download
2. Classification 모델은 Wasabi_Warriors/models 경로로 옮겨줍니다.
3. app_classification.py의 model_path 경로를 모델의 경로로 수정해줍니다.
4. inference 파일 실행

   python app_classification.py

5. gradio 내에서 Image Upload, Webcam 중 선택하여 추론을 진행합니다. Image Upload의 경우 데이터셋의 test의 이미지를 추론하면 더 잘 이루어집니다.

Object Detection Inference

1. 학습된 모델을 다운받습니다. yolov5_download
2. Object Detection 모델은 Wasabi_Warriors/models\yolov5 경로로 옮겨줍니다.
3. app_yolo.py의 model path 경로를 모델의 경로로 수정해줍니다.
4. inference 파일 실행

   python app_yolo.py

5. gradio 내에서 Image Upload, Webcam 중 선택하여 추론을 진행합니다. Image Upload의 경우 데이터셋의 test의 이미지를 추론하면 더 잘 이루어집니다.

Real-time Detection Inference

1. 학습된 모델을 다운받습니다. yolov5_download
2. Object Detection 모델은 Wasabi_Warriors/models\yolov5 경로로 옮겨줍니다.
3. app_yolo_realtime.py의 model path 경로를 모델의 경로로 수정해줍니다.
4. inference 파일 실행

   streamlit run app_yolo_realtime.py

5. streamlit 내에서 Webcam으로 실시간 탐지를 진행합니다.

Train

Classification Model

1. Dataset을 다운받습니다. dataset_download
2. train_classification.ipynb를 통해 전처리, 학습, 평가를 진행합니다. Model 주석을 변경하며 Resnet50, Alexnet, Vgg16, Convnext-base 등의 모델을 적용할 수 있습니다.

Yolov5 Model

1. Dataset을 다운받습니다. sushi_dataset
2. Dataset을 Wasabi_Warriors/yolov5/data 경로에 압축해제합니다.
3. yolov5/train.py를 통해 학습을 진행합니다.

   cd yolov5
   python train.py --data data\images\data.yaml --epochs 300 --weights weights\yolov5m.pt --cfg models\yolov5m.yaml --batch-size 16 --patience 7

4. yolov5m.yaml 파일의 class 개수가 12인지 확인하고, patience, batch_size, optimizer 등을 변경하며 실행합니다.

Others

• crawling.py: 스시 이미지 수집을 위해 웹스크래핑할 때 사용한 코드입니다.
• yolov5/visualize_train.ipynb: 학습이 완료된 yolov5의 로그정보를 통해 loss, mAP 등을 시각화할 때 사용한 코드입니다.
• yolov5/runs: 진행한 학습이 train 경로에, 학습된 모델을 통해 탐지한 결과가 detect에, 관련 분석들이 val에 포함되어있습니다.

Evaluation

License

Distributed under the MIT License. See LICENSE for more information.

Thank you