Prepare pictures

• ..

Label by roboflow

• ..

Create Model by Python and YOLOv5

• เปิด Colab แล้วกด New book

• เลือกเชื่อมต่อกับ GTU

• ทำการเชื่อมต่อกับ Google Drive เพื่อเชื่อมต่อข้อมูลภาพที่ได้เตรียมไว้

• ไปที่ Website: https://github.com/ultralytics/yolov5/blob/master/tutorial.ipynb

• เลือก tutorial.ipynb

  • ทำการ Setup ที่ Colab โดยทำการ copy code ดังภาพ จากนั้นกด Run เพื่อทำการ clone ตัว source code ของ YOLOv5 มาวางไว้ที่ Colab ของเรา

  

• ทำการ cd เพื่อไปที่ folder ของ YOLOv5

• โดยใส่ code

  %cd /content/yolov5
  

• จากนั้นทำการติดตั้ง ซึ่งใน YOLOv5 จะมีไฟล์ที่ชื่อว่า requirements.txt ให้ทำการติดตั้งแพ็กเกจต่างๆ ที่อยู่ในไฟล์นี้ลงไปใน Colab ของเรา

• Import libraly ที่จำเป็นไว้ใน Colabได้แก่

  import torch
  from IPython.display import Image, clear_output # to display image
  

• ทำการทดลอง YOLOv5 โดยการ copy code นี้ ตรวจจับหาวัตถุในภาพที่อยู่ folder “data → images” โดย source code นี้สามารถ detect ภาพหรือวิดีโอก็ได้

!python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images
# display.Image(filename='runs/detect/exp/zidane.jpg', width=600)

• อธิบาย Code

• ทำการ Train โดยการสร้างไฟล์ขึ้นมา 1 ไฟล์ ซึ่งตัวอย่างจะชื่อว่า coco.yaml อยู่ใน folder “data” จากนั้นตั้งชื่อไฟล์ใหม่ให้เรียบร้อย ลิ้งค์กับ ชื่อ.yaml

# Paths to the dataset
train: /content/drive/MyDrive/dataset/images/train  # เส้นทางไปยังไฟล์ภาพสำหรับการฝึก
val: /content/drive/MyDrive/dataset/images/valid    # เส้นทางไปยังไฟล์ภาพสำหรับการทดสอบ
test: /content/drive/MyDrive/dataset/images/test    # เส้นทางไปยังไฟล์ภาพสำหรับการทดสอบ (หากมี)

# จำนวนคลาส (7 คลาสในกรณีนี้)
nc: 7

# ชื่อของคลาสที่ใช้
names: ['good', 'defect', 'peeling', 'moldy', 'atrophy', 'broken', 'spot']

• จากนั้นไปที่ Folder ที่ชื่อว่า “models → yolov5s.yaml” แก้ไขที่ nc หรือ number of class ให้มีตามจำนวนที่กำหนด ส่วนตัวโค้ดด้านล่างของไฟล์คือ CNN (Convolutional Neural Network) จะไม่ทำการเปลี่ยนในเบื้องต้นนี้

# Ultralytics YOLOv5 🚀, AGPL-3.0 license

# Parameters
nc: 7 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:
  - [10, 13, 16, 30, 33, 23] # P3/8
  - [30, 61, 62, 45, 59, 119] # P4/16
  - [116, 90, 156, 198, 373, 326] # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [
    [-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]], # 1-P2/4
    [-1, 3, C3, [128]],
    [-1, 1, Conv, [256, 3, 2]], # 3-P3/8
    [-1, 6, C3, [256]],
    [-1, 1, Conv, [512, 3, 2]], # 5-P4/16
    [-1, 9, C3, [512]],
    [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
    [-1, 3, C3, [1024]],
    [-1, 1, SPPF, [1024, 5]], # 9
  ]

# YOLOv5 v6.0 head
head: [
    [-1, 1, Conv, [512, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 6], 1, Concat, [1]], # cat backbone P4
    [-1, 3, C3, [512, False]], # 13

    [-1, 1, Conv, [256, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 4], 1, Concat, [1]], # cat backbone P3
    [-1, 3, C3, [256, False]], # 17 (P3/8-small)

    [-1, 1, Conv, [256, 3, 2]],
    [[-1, 14], 1, Concat, [1]], # cat head P4
    [-1, 3, C3, [512, False]], # 20 (P4/16-medium)

    [-1, 1, Conv, [512, 3, 2]],
    [[-1, 10], 1, Concat, [1]], # cat head P5
    [-1, 3, C3, [1024, False]], # 23 (P5/32-large)

    [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
  ]

• เพิ่ม Cell Code ซึ่งก่อน Train จะต้องทำการติดตั้ง จะเป็นแดชบอร์ดที่แสดงผลลัพธ์ของการ Train **หมายเหตุ: จากคลิปวิดีโอข้างต้น จะเป็นการใช้ “wandb” ซึ่งเป็นการอัปเดตเมื่อ 3 ปีที่ผ่านมา ดังนี้ เราจะเลือกใช้ Comet ก่อน

#@title Select YOLOv5 🚀 logger {run: 'auto'}
logger = 'Comet' #@param ['Comet', 'ClearML', 'TensorBoard']

if logger == 'Comet':
  %pip install -q comet_ml
  import comet_ml; comet_ml.init()
elif logger == 'ClearML':
  %pip install -q clearml
  import clearml; clearml.browser_login()
elif logger == 'TensorBoard':
  %load_ext tensorboard
  %tensorboard --logdir runs/train

• อธิบาย Code

• ความแตกต่างของ dashboard (This information from internet)

• ต่อไปเป็น Code สำหรับกำหนดเงื่อนไขต่างๆ ก่อนทำการ Train ในส่วนของ epochs สามารถเปลี่ยนได้ตามที่ต้องการ ยิ่งเยอะ ความแม่นยำยิ่งมาก

# Train YOLOv5s on COCO128 for 3 epochs
!python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt --cache

• อธิบาย Code (ก่อนทำควรอ่านก่อนก็ดี)

• พอ RUN แล้วก็รอจนกว่าจะถึง Epoch ที่ตั้งไว้ พอครบแล้วจะมีผลแสดงขึ้นเกี่ยวกับความแม่นยำ ดูที่ precision แล้วดูที่ dashboard ที่ทำการเลือกไว้

Create Model by Python and YOLOv8

Create Model by Python and YOLOv11