.. | ||
obj2Yolov4dataset.py | ||
objs2Yolov4dataset.py | ||
README.md | ||
yolov4_min.cfg | ||
yolov4_min.data | ||
yolov4_objs2.cfg | ||
yolov4_objs2.data |
Инструкция для запуска
Должен быть установлен пакет BlenderProc
Создание датасета в формате YoloV4 для заданного объекта
Команда для запуска:
blenderproc run obj2Yolov4dataset.py [obj] [output_dir] [--imgs 1]
- obj: файл описания объекта *.obj
- output_dir: выходной каталог
- --imgs 1: количество изображений на выходе
Создание датасета в формате YoloV4 для серии заданных объектов в заданной сцене
Команда для запуска:
blenderproc run objs2Yolov4dataset.py [scene] [obj_path] [output_dir] [vhacd_path] [--imgs 1]
- scene: путь к файлу описания сцены (*.blend)
- obj_path: путь к каталогу с файлами описания детектируемых объектов *.obj
- output_dir: выходной каталог
- vhacd_path: каталог, в котором должен быть установлен или уже установлен vhacd (по умолчанию blenderproc_resources/vhacd)
- --imgs 1: количество серий рендеринга (по 15 изображений каждая) на выходе (например, если imgs=100, то будет получено 1500 изображений)
Файл описания сцены обязательно должен содержать плоскость (с именем 'floor'), на которую будут сэмплированы объекты для обнаружения.
Должен быть собран пакет darknet для работы на заданном ПО и оборудовании (CPU, GPU ...)
Обучение нейросети и получение файла с её весами
Команда для запуска:
darknet datector train [data] [cfg] [weight]
- data: файл с описанием датасета (*.data)
- cfg: файл с описанием нейросети
- weight: файл весов нейросети
Для обучения нужно загрузить файл с предобученными весами (162 MB): yolov4.conv.137
Для разного количества детектируемых объектов в выборке нужны свои файлы data и cfg.