<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by furkan ecevit on Medium]]></title>
        <description><![CDATA[Stories by furkan ecevit on Medium]]></description>
        <link>https://medium.com/@ecevit2804?source=rss-517828ebf7d4------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*_LdyvTQAOOPH0yOx-1Furw.jpeg</url>
            <title>Stories by furkan ecevit on Medium</title>
            <link>https://medium.com/@ecevit2804?source=rss-517828ebf7d4------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 21:29:42 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ecevit2804/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Python Open3d Kütüphanesi ile Azure Kinect DK Kullanımı-1]]></title>
            <link>https://ecevit2804.medium.com/python-open3d-k%C3%BCt%C3%BCphanesi-ile-azure-kinect-dk-kullan%C4%B1m%C4%B1-1-73bc4d08c38d?source=rss-517828ebf7d4------2</link>
            <guid isPermaLink="false">https://medium.com/p/73bc4d08c38d</guid>
            <category><![CDATA[open3d]]></category>
            <category><![CDATA[azure-kinect]]></category>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[streaming-video]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[furkan ecevit]]></dc:creator>
            <pubDate>Tue, 24 Aug 2021 14:06:54 GMT</pubDate>
            <atom:updated>2021-08-24T14:08:40.169Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazımızda Azure Kinect DK özelliklerinden, SDK kurulumundan, Python dilinde bu kameradan görüntü almasından bahsedeceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lfTXglvvMxq7J4rnw_mnsA.jpeg" /><figcaption>Şekil-1. <a href="https://azure.microsoft.com/en-us/services/kinect-dk/#industries">https://azure.microsoft.com/en-us/services/kinect-dk/#industries</a></figcaption></figure><p><strong>1.Azure Kinect DK Nedir ?</strong></p><p>Azure Kinect DK, gelişmiş yapay zeka algılayıcılarıyla gelişmiş görüntü işleme ve konuşma modelleri sağlayan bir geliştirici setidir. Kinect, bir derinlik algılayıcısı, video kamerası olan uzamsal mikrofon dizisi ve birden çok moda, seçeneğe ve yazılım geliştirme setlerine (SDK) sahip hepsi bir arada küçük bir cihaz olarak yönlendirme algılayıcısı içerir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lnCpLDxfUC3eDKZm6ZpuZg.jpeg" /><figcaption>Şekil- 2. <a href="https://azure.microsoft.com/en-us/services/kinect-dk/#industries">https://azure.microsoft.com/en-us/services/kinect-dk/#industries</a></figcaption></figure><h3>Azure Kinect algılayıcı SDK özellikleri</h3><p>Algılayıcı SDK ‘Sı, Azure Kinect DK üzerinde yüklenip çalıştırıldığında bir kez çalışan aşağıdaki özelliklere sahiptir:</p><ul><li><em>Derinlik kamera erişimi ve mod denetimi (pasif IR modu, ayrıca geniş ve dar alan görüntüleme derinliği modları)</em></li><li><em>RGB kamera erişimi ve denetimi (örneğin, pozlama ve beyaz Bakiye)</em></li><li><em>Hareket algılayıcısı (jroscope ve ivometer) erişimi</em></li><li><em>Kameralar arasında yapılandırılabilir gecikmeyle eşitlenmiş derinlik-RGB kamera akışı</em></li><li><em>Cihazlar arasında yapılandırılabilir gecikme fark ile dış cihaz eşitleme denetimi</em></li><li><em>Resim çözünürlüğü, zaman damgası, vb. için kamera çerçevesi meta veri erişimi</em></li><li><em>Cihaz ayarlama veri erişimi</em></li></ul><p><strong>2.Azure Kinect SDK Kurulumu</strong></p><p>Windows ortamında Kameranın çalıştırılması ve python programlama dili ile bu kemaradan görüntü alınması için SDK’nın indirilmesi gerekmektedir.</p><p><a href="https://github.com/microsoft/Azure-Kinect-Sensor-SDK/blob/develop/docs/usage.md">https://github.com/microsoft/Azure-Kinect-Sensor-SDK/blob/develop/docs/usage.md</a></p><p>Yukarıdaki linkten ücretsiz bir şekilde SDK’yı indirebilirsiniz. Ben 1.4.1 sürümünü kullanıyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/523/1*ihc8V_NUTrvRBwSREd2FRw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/315/1*m26dryT-EccLFWPLAe5QGg.png" /><figcaption>Şekil-3. Github Link SDK Versiyonları- SDK Başlangıcı</figcaption></figure><p>Github linkinden istediğiniz sürümü indirip, kurulan uygulamadan ‘Open Device’ seçeneği ile cihazınızı açabilirsiniz. İndirilen SDK ile birlikte Azure Kinect DK’nın özelliklerini inceleyebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LX9gKLjCog7qgCvuOFr9sw.png" /><figcaption>Şekil-4. Örnek Azure Kinect SDK Arayüzü</figcaption></figure><p>SDK ara yüzü sade olmakla beraber buradan derinlik görüntü ayarlarını, renkli görüntü ayarlarını, FPS ayarlarını, mikrofon ayarlarını yapabilirsiniz. Ayrıca 3D görüntü seçeneği de mevcuttur.</p><p><a href="https://docs.microsoft.com/en-us/azure/kinect-dk/">https://docs.microsoft.com/en-us/azure/kinect-dk/</a> Azure Kinect ile ilgili her şeyi detaylı inceleyebilirsiniz.</p><p>Biz bu yazıda open3d kütüphanesinden faydalanarak renkli ve derinlik görüntüler alacağız. Dilerseniz aşağıdaki linkten open3d’ye gerek duymadan hazır kodları kullanarak görüntü alabilirsiniz.<br><a href="https://github.com/ibaiGorordo/pyKinectAzure">https://github.com/ibaiGorordo/pyKinectAzure</a></p><p><strong>3. Python ile Azure Kinect DK’dan Görüntü Alma</strong></p><p>SDK yükledikten sonra bilgisayar artık Azure Kinect DK’yı tanır hale gelir. Görüntü almak, işlem yapmak, göstermek için aşağıdaki kütüphaneleri yüklememiz gerekmektedir.</p><pre>pip install imutils~=0.5.3<br>pip install opencv-python==4.3.0.38<br>pip install numpy==1.19.1<br>pip install open3d==0.13.0</pre><pre># Kütüphane versiyonları değişiklik gösterebilir. Ancak open3d kütüphanesinin 0.13.0 olmasını tavsiye ederim. Aksi takdirde config dosyamızı okuyamayabilirsiniz.</pre><p><strong>3.1. Config Dosyası Hazırlama</strong></p><p>Cihazı çalıştırmak için öncelikle hangi ayarlarda kullanmak istediğimizi belirtmek için json formatında bir config dosyası oluşturmalıyız. Şekil 5&#39;te derinlik ve renkli görüntü ayarları ve özelliklerini gösteren tablo bulunmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1017/1*Wz7DLqO1xVUjcVUrFXElgA.png" /><figcaption>Şekil-5. Derinlik ve Renkli Görüntü Seçenekleri ve Özellikleri</figcaption></figure><pre>{<br>    &quot;camera_fps&quot;: &quot;K4A_FRAMES_PER_SECOND_30&quot;,<br>    &quot;color_format&quot;: &quot;K4A_IMAGE_FORMAT_COLOR_MJPG&quot;,<br>    &quot;color_resolution&quot;: &quot;K4A_COLOR_RESOLUTION_720P&quot;,<br>    &quot;depth_delay_off_color_usec&quot;: &quot;0&quot;,<br>    &quot;depth_mode&quot;: &quot;K4A_DEPTH_MODE_NFOV_UNBINNED&quot;,<br>    &quot;disable_streaming_indicator&quot;: &quot;false&quot;,<br>    &quot;subordinate_delay_off_master_usec&quot;: &quot;0&quot;,<br>    &quot;synchronized_images_only&quot;: &quot;false&quot;,<br>    &quot;wired_sync_mode&quot;: &quot;K4A_WIRED_SYNC_MODE_STANDALONE&quot;<br>}</pre><pre>&quot;&quot;&quot;<br><strong>camera_fps:</strong><br><em>Kamera fps&#39;ini ayarlar. 5-15-30 seçenekleri mevcuttur. 2160P ve 3027P&#39;de 30 FPS&#39;e set edilemez.</em><br><strong>color_format:</strong><br><em>Kameranın desteklediği biçin seçeneğidir. Sadece 720P çözünürlükte, YUV2 ve NV12 seçenekleri seçilebilir.<br></em><strong>color_resolution:<br></strong><em>Kameranın desteklediği çözünürlük ; 3072p, 2160p, 1536p, 1440p, 1080p, 720p, 720p_NV12, 720p_YUY2 seçenekleridir.<br></em><strong>depth_delay_off_color_usec:<br></strong>Renkli görüntü ve derinlik görüntüsü üzerinde zaman farkı.<br><strong>depth_mode:<br></strong><em>Derinlik modu seçenekleridir. NFOV_2X2BINNED, NFOV_UNBINNED, WFOV_2X2BINNED, WFOV_UNBINNED, PASSIVE_IR.<br></em><strong>disable_streaming_indicator:<br></strong><em>Otomatik akış gösterge ışığının devre dışı bırakılıp bırakılmadığını gösteren değerdir.<br></em><strong>subordinate_delay_off_master_usec:<br></strong><em>Harici senkronizasyon zamanlamasıdır.<br></em><strong>synchronized_images_only:<br></strong><em>Bu ayar yakalamada beklenen derinlik ve renkli görüntülerin mevcut olup olmadığına bakar. True atanırsa mevcut olan görüntüleri alır, False atanırsa bütün görüntüleri alır.</em><br><strong>wired_sync_mode:</strong><br><em>Harici senkronizasyon modudur. Master, Subordinate, Standalone seçenekleri vardır.<br></em>&quot;&quot;&quot;</pre><p><strong>3.2.Python ile Derinlik ve Renkli Görüntüsü Alma</strong></p><p>Gerekli kütüphaneleri ve SDK’yı kurduktan ve config dosyamızı hazırladıktan sonra, artık Python ile cihazımızdan görüntü alabiliriz.<br>Hazırlanan kod yapısı hem video akışı için hem de görüntü almak için class yapısında oluşturulmuştur.</p><pre>## Gerekli Kütüphaneler import edilir<br>import open3d as o3d<br>import numpy as np<br>import cv2<br>import matplotlib.pyplot as plt</pre><p>Şimdi ise cihaz nesnesini oluşturalım.</p><pre>class AzureCamera:<br>    def __init__(self, config, device, align_depth_to_color):<br>        <em>&quot;&quot;&quot;<br><br>        </em><strong><em>:param</em></strong><em> config: Hazırlanan config dosyasıdır. Open3d ile okunmalıdır.<br>        </em><strong><em>:param</em></strong><em> device: Birden fazla cihaz varsa hangisini çalıştırmak istediğimizi belirtiriz.<br>        </em><strong><em>:param</em></strong><em> align_depth_to_color: Renkli görüntü ile Derinlik görüntüsünün align edilmesidir.<br>        Bu class yapısı input parametrelerini aldıktan sonra cihazın sensörüne bağlanır.<br>        Sensör, derinlik ve renkli görüntüleri hizalar ve geri dönüş sağlar.<br>        &quot;&quot;&quot;<br>        </em>self.align_depth_to_color = align_depth_to_color<br>        self.config = config<br>        self.device = device<br>        self.sensor = o3d.io.AzureKinectSensor(self.config)<br>        if not self.sensor.connect(self.device):<br>            raise RuntimeError(&#39;Failed to connect to sensor&#39;)<br><br>    def get_frame(self):<br>        while True:<br>            rgbd = self.sensor.capture_frame(self.align_depth_to_color)<br>            if rgbd is None:<br>                continue<br><br>            color_array = np.array(rgbd.color)<br>            color_array = cv2.cvtColor(color_array, cv2.COLOR_BGR2RGB)<br><br>            depth_array = np.array(rgbd.depth)<br><br>            return color_array, depth_array</pre><p>Class yapımızı oluşturduktan sonra geriye girdi parametrelerini tanımlamak ve class yapımızı çağırmaktan başka bir şey kalmıyor.</p><pre>if __name__ == &#39;__main__&#39;:<br>    config = o3d.io.read_azure_kinect_sensor_config(&#39;config.json&#39;)<br>    device = 0<br>    align_depth_to_color = True<br>    cam = AzureCamera(config, device, align_depth_to_color)</pre><p>Burdan sonra artık anlık görüntü yada video akışı sağlayabiliriz. Anlık görüntü alma:</p><pre># Anlık Görüntü Alma<br>frame, depth = cam.get_frame()<br>plt.figure(&quot;Color Frame&quot;)<br>plt.imshow(frame)<br>plt.figure(&quot;Depth Frame&quot;)<br>plt.imshow(depth)<br>plt.show()</pre><p>Video akışı sağlama:</p><pre>ax1 = plt.subplot(1, 2, 1)<br>ax2 = plt.subplot(1, 2, 2, sharex=ax1, sharey=ax1)<br>plot_azure = True<br><br>while True:<br>    frame, depth = cam.get_frame()<br>    if plot_azure:<br>        fig1 = ax1.imshow(depth)<br>        fig2 = ax2.imshow(frame)<br>        plot_azure = False<br>    else:<br>        fig1.set_data(depth)<br>        fig2.set_data(frame[:, :, ::-1])<br>        plt.pause(0.001)</pre><p>Bu kodlardan sonra aşağıdaki gibi bir çıktı elde etmiş oluruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aZQbrULuAgXXLxm1eeDC7w.png" /><figcaption>Şekil-6. Video Akışından Örnek Derinlik ve Renkli Görüntüler</figcaption></figure><p>Bu yazımız şimdilik bu kadardı. Bir sonraki yazımızda derinlik ve renkli görüntülerden point cloud (.ply) formatında 3D formatında kayıtlar elde etmeyi, Bu point cloudlara düzlem fit etmeyi, Django kütüphanesi üzerinden video akışı sağlamayı ve ve görüntüler üzerinde işlem yapmayı anlatacağım.</p><p>Gerekli kodu aşağıdaki github linkimden bulabilirsiniz.</p><p><a href="https://github.com/ecevit2804/AzureKinect_SDK/blob/main/README.md">https://github.com/ecevit2804/AzureKinect_SDK/blob/main/README.md</a></p><p><strong>KAYNAKLAR</strong></p><ul><li><a href="http://www.open3d.org/docs/latest/tutorial/Basic/azure_kinect.html#">Azure Kinect with Open3D - Open3D latest (664eff5) documentation</a></li><li><a href="https://github.com/Microsoft/Azure-Kinect-Sensor-SDK">GitHub - microsoft/Azure-Kinect-Sensor-SDK: A cross platform (Linux and Windows) user mode SDK to read data from your Azure Kinect device.</a></li><li><a href="https://microsoft.github.io/Azure-Kinect-Sensor-SDK/master/structk4a__record__configuration__t.html">Azure Kinect Sensor SDK: k4a_record_configuration_t Struct Reference</a></li><li><a href="https://docs.microsoft.com/en-us/azure/kinect-dk/">Azure Kinect DK documentation</a></li><li><a href="https://github.com/ibaiGorordo/pyKinectAzure">GitHub - ibaiGorordo/pyKinectAzure: Python library to run Kinect Azure DK SDK functions</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=73bc4d08c38d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[YOLO v5 Algoritması ile Nesne Tespit Eğitimi -3]]></title>
            <link>https://ecevit2804.medium.com/yolo-v5-algoritmas%C4%B1-ile-nesne-tespit-e%C4%9Fitimi-3-350c939229e6?source=rss-517828ebf7d4------2</link>
            <guid isPermaLink="false">https://medium.com/p/350c939229e6</guid>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[flask]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[object-detection]]></category>
            <dc:creator><![CDATA[furkan ecevit]]></dc:creator>
            <pubDate>Wed, 28 Jul 2021 06:43:48 GMT</pubDate>
            <atom:updated>2021-07-30T06:23:00.571Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazı serisinde Yolo v5 algoritmasının test aşamaları ele alınmıştır. Bir önceki yazı serilerimizde Yolo v5 algoritması için nasıl <a href="https://ecevit2804.medium.com/yolo-v5-algoritmas%C4%B1-ile-nesne-tespit-e%C4%9Fitimi-5c063fa0df70">veri seti hazırladığımızı</a> ve nasıl <a href="https://ecevit2804.medium.com/yolo-v5-algoritmas%C4%B1-ile-nesne-tespit-e%C4%9Fitimi-2-bd816efc9a4f">eğitim yaptığımızı</a> öğrenmiştik. Şimdi ise test aşamasını Flask kütüphanesi ile beraber basit bir web arayüzü üzerinden göreceğiz.</p><p>1. Veri Seti Hazırlama, Hazır Veri Seti İndirme</p><p>2. Eğitim</p><p><strong>3. Test</strong></p><p>Bir önceki yazımızdan hatırlayacağınız üzere Yolo v5 için bir klasör hazırlamıştık. Bu klasörde “detect.py” isimli dosya hazır test kodudur. Aşağıdaki şekillerde klasör yapısı bu detect.py dosyasında yapılması gerekenler gösterilmiştir.</p><p><strong>Test Parametreli ve Fonksiyon Hali</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/798/1*oIUwsDAnGGtc5JRMOZUsww.png" /><figcaption>Şekil 1- Klasör Yapısı ve detect.py Dosyası</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TnLE7r1BiqLd-M4C8sWVwQ.png" /><figcaption>Şekil 2- Detect.Py Dosyası</figcaption></figure><p>Detect dosyasında fonksiyonlar elimize hazır şekilde gelmektedir, yapmamız gereken tek şey doğru parametreleri pars etmektir.</p><p>Not: Eğitim dosyasında olduğu gibi “store_true “değeri ‘False”, “store_false” değeri “True” anlamındadır.</p><pre>153. Satırda eğitim sonucu kaydedilen modelin klasör yolu verilmelidir.<br>154. Satırda test datasetinin klasör yolu, tek bir imgenin/videonun klasör yolu verilmelidir. 0 ile webcam üzerinden gerçek zamanlı nesne tespiti yapabilirsiniz.<br>155. Satırda imge boyutu verilmelidir(genelde train ile aynısını veriyorum). İmgeler dikdörtgen şeklindeyse uzun kenar verilen boyuta indirgenir ve aspect ratio bozulmaz.<br>156. Satır Tahmin edilen nesnenin güven skorudur. Bu skordan küçük olan tahminler gösterilmez.<br>157. Satır &quot;intersection over union&quot; nesne üstünde birden fazla prediction box çizilme(NMS) thresholdudur.<br>158. Satırda bir imgede en fazla kaç nesnenin tespit edileceği verilmelidir.<br>159. Satırda GPU / CPU seçimi yapılmalıdır. Default bırakırsanız GPU tanımlıysa GPU çalışır.<br>160. Satırda Tespit edilen imge/videoların gösterilip, gösterilmeyeceği verilmelidir.<br>161. Satırda tespit edilen nesnelerin txtye koordinatlarının ve sınıflarının girilip girilmeyeceği verilmelidir.<br>162. Satırda güven skorlarının txtye dahil olup olmayacağı verilmelidir.<br>163. Satırda tespit edilen nesnelerin kırpılıp kaydedilip, kaydedilmeyeceği verilmelidir.<br>164. Satırda test edilen imgenin kaydedilip, kaydedilmeyeceği verilmelidir.<br>165. Satırda birden fazla sınıflı eğitim yaptıysanız, test aşamasında bunları filtrelemek istediğiniz sayıları vermeniz gerekmektedir.<br>166. Satırda Non-Max Supression fonksiyonunun çalışıp çalışmayacağı verilmelidir. (Non-Max Supression fonksiyonu aynı nesne üzerinde birden fazla prediction box çizdirmez)<br>169. Satırda test sonrası imgelerin kaydedileceği klasör yolu verilmelidir.<br>170. Satırda 169. Satırda verilen klasör yolunun içine özel klasörün adı verilmelidir. Dilerseniz boş bırakabilirsiniz.<br>171. Satırda aynı özel klasör ismi varsa otomatik olarak klasörleri sıralama özelliğinin aktif olup olmayacağı verilmelidir. (Örneğin 170. satırda &#39;Exp&#39; isimli özel klasör açarsanız ve 171. satır True kalırsa ve tekrar kodu aktif ederseniz otomatik olarak &#39;Exp2&#39; klasörü açılır. Test etmek istediğiniz bütün imgeleri aynı klasöre kaydetmek istiyorsanız False olarak bırakmalısınız.<br>172. 173. 174. Satırlarda ise tespit eidlen nesnenin prediction box kalınlığı, prediction box üzerinde sınıf ismi ve güven skorununun gösterilip, gösterilmeyeceği verilmelidir.</pre><p>Böylelikle test aşamasındaki bütün parametreleri öğrenmiş olduk. Şimdi bunu Flask ile web arayüzden nasıl yapılacağını görelim. İlk önce Detect.py kodunu dışardan bir fonksiyon olarak tanımlayabilmek için pars şeklinden kaldırıp, normal bir fonksiyon haline getirdim ve video için hazırlanan fonksiyonları kaldırdım. Bu kodu hem aşağıda şekil olarak göstereceğim hem de bütün projenin github linkini vereceğim.</p><pre>import time<br>from pathlib import Path<br>import cv2<br>import torch<br>import torch.backends.cudnn as cudnn<br>from numpy import random<br>import os<br>from models.experimental import attempt_load<br>from utils.datasets import LoadStreams, LoadImages<br>from utils.general import check_img_size, check_requirements, check_imshow, non_max_suppression, apply_classifier, \<br>    scale_coords, xyxy2xywh, strip_optimizer, set_logging, increment_path, save_one_box<br>from utils.plots import colors, plot_one_box<br>from utils.torch_utils import select_device, load_classifier, time_synchronized</pre><pre>def wheel_detect(save_img, image, project, weights, model, device):<br>    r&quot;&quot;&quot;<br>    save_img = True, False değeri alır.<br>    image = Teste girecek imgenin klasör yolu<br>    project = Test sonucu kaydedilecek imgelerin klasör yolu<br>    weights = Tğitim sonucu kaydettiğimiz modelin klasör yolu<br>    model = weights ve device ile load edilen model<br>    device = cuda, cpu seçimi<br>    r&quot;&quot;&quot;<br>    imgsz = 640<br>    source = image<br>    save_txt = True<br>    name = &#39;Experiment&#39;<br>    conf_thres = 0.40<br>    iou_thres = 0.45</pre><pre># Directories<br>    save_dir = Path(increment_path(Path(project) / name, exist_ok=True))  # increment run<br>    (save_dir / &#39;labels&#39; if save_txt else save_dir).mkdir(parents=True, exist_ok=True)  # make dir</pre><pre># Initialize<br>    set_logging()<br>    device = select_device(device)<br>    half = device.type != &#39;cpu&#39;  # half precision only supported on CUDA</pre><pre># Load model<br>    imgsz = check_img_size(imgsz, s=model.stride.max())  # check img_size<br>    if half:<br>        model.half()  # to FP16</pre><pre># Second-stage classifier<br>    classify = False<br>    if classify:<br>        modelc = load_classifier(name=&#39;resnet101&#39;, n=2)  # initialize<br>        modelc.load_state_dict(torch.load(&#39;weights/resnet101.pt&#39;, map_location=device)[&#39;model&#39;]).to(device).eval()</pre><pre>dataset = LoadImages(source, img_size=imgsz)</pre><pre># Get names and colors<br>    names = model.module.names if hasattr(model, &#39;module&#39;) else model.names<br>    colors = [[random.randint(0, 255) for _ in range(3)] for _ in names]</pre><pre># Run inference<br>    img = torch.zeros((1, 3, imgsz, imgsz), device=device)  # init img<br>    _ = model(img.half() if half else img) if device.type != &#39;cpu&#39; else None  # run once</pre><pre>for path, img, im0s, vid_cap in dataset:<br>        img = torch.from_numpy(img).to(device)<br>        img = img.half() if half else img.float()  # uint8 to fp16/32<br>        img /= 255.0  # 0 - 255 to 0.0 - 1.0<br>        if img.ndimension() == 3:<br>            img = img.unsqueeze(0)</pre><pre># Inference<br>        pred = model(img, augment=False)[0]</pre><pre># Apply NMS<br>        pred = non_max_suppression(pred, conf_thres, iou_thres, agnostic=False)<br>        # Apply Classifier<br>        if classify:<br>            pred = apply_classifier(pred, modelc, img, im0s)<br>        <br>        # Process detections<br>        for i, det in enumerate(pred):  # detections per image</pre><pre>p, s, im0, frame = Path(path), &#39;&#39;, im0s, getattr(dataset, &#39;frame&#39;, 0)</pre><pre>save_path = str(save_dir / p.name)</pre><pre>txt_path = str(save_dir / &#39;labels&#39; / p.stem) + (&#39;&#39; if dataset.mode == &#39;image&#39; else f&#39;_{frame}&#39;)<br>        <br>            gn = torch.tensor(im0.shape)[[1, 0, 1, 0]]  # normalization gain whwh<br>            if len(det):<br>                # Rescale boxes from img_size to im0 size<br>                det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()</pre><pre># Write results,<br>                cls_dict = {}<br>                save_txt  = True<br>                if not os.path.exists(str(save_dir / &#39;labels&#39;)):<br>                    os.makedirs(str(save_dir / &#39;labels&#39;))<br>                with open(txt_path + &#39;.txt&#39;, &#39;w&#39;) as f:<br>                   pass<br> <br>                    <br>                for *xyxy, conf, cls in reversed(det):<br>                    if save_txt:  # Write to file<br>                        xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist()  # normalized xywh<br>                        line = (cls, *xywh)  # label format<br>                        cls_dict[cls] = (xywh)<br>                        cls_sort = sorted(cls_dict.items(), key=lambda x: x[1])<br>                        if save_img:  # Add bbox to image<br>                            label = f&#39;{names[int(cls)]} {conf:.2f}&#39;<br>                            plot_one_box(xyxy, im0, label=label, color=colors[int(cls)], line_thickness=3)</pre><pre>for k in range(len(det)):<br>                    with open(txt_path + &#39;.txt&#39;, &#39;a&#39;) as file:<br>                            # f.write((&#39;%g &#39; * len(line)).rstrip() % line + &#39;\n&#39;)<br>                        file.write(&#39;{:.0f} {:.6f} {:.6f} {:.6f} {:.6f} \n&#39;.format(cls_sort[k][0], cls_sort[k][1][0], cls_sort[k][1][1],<br>                                                                                    cls_sort[k][1][2], cls_sort[k][1][3]))</pre><pre># Save results (image with detections)<br>            if save_img:<br>                if dataset.mode == &#39;image&#39;:<br>                    cv2.imwrite(save_path, im0)<br>                <br>        save_txt = True</pre><pre>if save_txt or save_img:<br>            s = f&quot;\n{len(list(save_dir.glob(&#39;labels/*.txt&#39;)))} labels saved to {save_dir / &#39;labels&#39;}&quot; if save_txt else &#39;&#39;</pre><p>Bu fonksiyonu ‘YOLO_DETECT’ isimli bir py dosyasının içine yerleştirdim.</p><p><strong>FLASK AŞAMASI</strong></p><p>Şimdiye kadar anlatılan her şey flask uygulaması için bir hazırlıktı aslında. Yolo v5 parametrelerini öğrendik ve detect.py dosyasını dışardan tanımlayabilmek için isteğimize göre fonksiyon haline getirdik.</p><p>Flask bildiğiniz gibi python dilinde web frameworküdür ve bu yazı serisinde çok detayına girmeyeceğiz. Amacımız web servisine bir imge yüklemek ve bu imge ile Yolo v5 sonucunu web serbisi üzerinde görmektir.</p><pre>pip install Flask<br>pip install Werkzeug</pre><p>kodları ile gerekli kütüphaneleri indirmelisiniz.</p><p>Yolo için hazırladığımız klasöre bir python dosyası, ‘templates’ isimli bir klasör, ‘static’ isimli bir klasör açmamız gerekmektedir.<br>Not: ‘templates’ ismi sabittir. Kullanacağımız bir fonksiyon html yazılarını bu klasörün içinden otomatik aramaktadır.</p><p>Ben klasik olsun diye ‘app.py’ isimli bir python dosyası oluşturdum.</p><pre>from flask import Flask, flash, request, redirect, url_for, render_template<br>import os<br>import cv2<br>from werkzeug.utils import secure_filename<br>from YOLO_DETECT import wheel_detect ## Fonksiyon haline getirilen detect.py kodu<br>from models.experimental import attempt_load</pre><pre>## Upload edilecek imgelerin yükleneceği klasör, Yolov5 buradan test imgelerini alacak<br>UPLOAD_FOLDER = os.path.join(&#39;static&#39;, &#39;uploads&#39;)  <br>app = Flask(__name__)<br>app.config[&#39;UPLOAD_FOLDER&#39;] = UPLOAD_FOLDER<br>## Yolo v5 modelinden geçen imgeler bu klasör yoluna kaydedilecek.<br>download_path = &#39;static/downloads/&#39;  <br>app.secret_key = &quot;secret key&quot;<br>## Kabul edilecek imge türleri.<br>ALLOWED_EXTENSIONS = set([&#39;png&#39;, &#39;jpg&#39;, &#39;jpeg&#39;, &#39;gif&#39;])</pre><pre>def allowed_file(filename):<br>    return &#39;.&#39; in filename and filename.rsplit(&#39;.&#39;, 1)[1].lower() in ALLOWED_EXTENSIONS<br>### Yolo v5 fonksiyonunu çağırdımız fonksiyon.<br>def process_image(filename): <br>    # Eğitimde kaydedilen modelin yolu<br>    weights = &#39;runs/train/exp3/weights/best.pt&#39; <br>    device = &#39;cuda&#39; ## GPU-CPU seçimi<br>    # modeli, device ile load etme<br>    model = attempt_load(weights, map_location= device) <br>    ## Modele girecek imgenin klasör yolu<br>    i_path = os.path.join(app.config[&#39;UPLOAD_FOLDER&#39;], filename) <br>    ### Model sonrası imgelerin klasör yolu<br>    project = download_path  <br>    wheel_detect(save_img=True, image=i_path, project=project, weights=weights, model= model, device=device)</pre><pre><a href="http://twitter.com/app">@app</a>.route(&#39;/&#39;)  ## Web arayüzü sayfasının html&#39;i, !! render_template html yollarını templates isimli klasörde arar !!<br>def home():<br>    return render_template(&quot;index.html&quot;)</pre><pre><a href="http://twitter.com/app">@app</a>.route(&#39;/&#39;, methods = [&#39;POST&#39;])<br>def upload_image():<br>## Kullanıcının dosya seçip seçmediğini sorgular<br>    if &#39;file&#39; not in request.files: <br>        flash(&#39;Dosya Parçası Bulunamadı&#39;)<br>        return redirect(request.url)<br>    file = request.files[&#39;file&#39;]<br>    print(&quot;---------&quot;, request.files)<br>    if file.filename == &#39;&#39;:<br>        flash(&#39;Yükeleme için imge seçilmedi&#39;)<br>        return redirect(request.url)<br>    ## Kullanıcın dosya seçtiği dosyanın uzantısını 14. satıra göre sorgular<br>    if file and allowed_file(file.filename): <br>        ## secure_filename ile dosya adını kullanıcıya asla güvenme ilkesiyle tekrar elde etmiş oluyoruz.<br>        filename = secure_filename(file.filename) <br>        ## kullanıcının seçtiği dosya, istediğimiz klasöre kaydedilir.<br>        file.save(os.path.join(app.config[&#39;UPLOAD_FOLDER&#39;], filename)) <br>        ## kaydettigimiz dosyayı artık Yolo v5 algoritmasında test edebiliriz.<br>        process_image(filename) <br>        <br>        flash(&#39;İmge Başarıyla Yüklendi&#39;)<br>        <br>        ## upload edilen ve yolodan geçen imgelerin klasör yolu html&#39;e aktarılır<br>        return render_template(&#39;display.html&#39;, orjinal_image=os.path.join(app.config[&#39;UPLOAD_FOLDER&#39;], filename),<br>                               process_image = download_path + &#39;Experiment/&#39; + filename) <br>    # Post request yerine, get request gelirse anasayfa gösterilir.<br>    else:<br>        flash(&#39;Kabul edilen imge türleri: png, jpg, jpeg, gif&#39;)<br>        return redirect(request.url) #</pre><pre>if __name__ == &#39;__main__&#39;:<br>    app.run(debug=True)</pre><p>Flask kodunu hazırladıktan sonra 2 tane basit html koduna ihtiyacımız kalıyor. Bir tanesi imgelerin yükleneceği html (‘index.html’), diğeri görüntülerin gösterileceği html (‘display.html’) olarak düşünebiliriz. İnternette hazır olarak bir çok ‘upload file’ örneği mevcuttur. Bootstrap ile html’e hemen hemen istediğiniz her şeyi yerleştirebilirsiniz. <a href="https://mdbootstrap.com/docs/standard/forms/file/">https://mdbootstrap.com/docs/standard/forms/file/</a> Linkinden ‘upload files’ örneklerini görebilirsiniz.</p><p>Flask kodu çalıştırıldıktan sonra bize localhost döndürecektir. Bu localhost linki ile sitemize erişebiliriz.</p><p><strong>index.html:</strong></p><pre>&lt;!DOCTYPE html&gt;<br>&lt;html&gt;<br>&lt;head&gt;<br>&lt;title&gt;Flask ile Yolo Uygulaması&lt;/title&gt;<br>&lt;link rel=&quot;stylesheet&quot; href=&quot;<a href="https://maxcdn.bootstrapcdn.com/bootstrap/3.3.6/css/bootstrap.min.css">https://maxcdn.bootstrapcdn.com/bootstrap/3.3.6/css/bootstrap.min.css</a>&quot; /&gt;        <br>&lt;script src=&quot;<a href="https://ajax.googleapis.com/ajax/libs/jquery/3.1.0/jquery.min.js">https://ajax.googleapis.com/ajax/libs/jquery/3.1.0/jquery.min.js</a>&quot;&gt;&lt;/script&gt;<br>&lt;/head&gt;<br>&lt;body&gt;<br>&lt;p&gt;&lt;h1 align=&quot;center&quot;&gt;Flask ile YOLO v5 Nesne Tespit Algoritması&lt;/h1&gt;&lt;/p&gt;<br>&lt;div class=&quot;container&quot;&gt;<br>&lt;div class=&quot;row&quot;&gt;<br>    &lt;h2&gt;Yüklenecek İmgeyi Giriniz&lt;/h2&gt;<br>    &lt;p&gt;<br>        {% with messages = get_flashed_messages() %}<br>          {% if messages %}<br>            &lt;ul&gt;<br>            {% for message in messages %}<br>              &lt;li&gt;{{ message }}&lt;/li&gt;<br>            {% endfor %}<br>            &lt;/ul&gt;<br>          {% endif %}<br>        {% endwith %}<br>    &lt;/p&gt;<br>    &lt;form method=&quot;post&quot; action=&quot;/&quot; enctype=&quot;multipart/form-data&quot;&gt;<br>        &lt;dl&gt;<br>            &lt;p&gt;<br>                &lt;input type=&quot;file&quot; name=&quot;file&quot; class=&quot;form-control&quot; autocomplete=&quot;off&quot; required&gt;<br>            &lt;/p&gt;<br>        &lt;/dl&gt;<br>        &lt;p&gt;<br>            &lt;input type=&quot;submit&quot; value=&quot;Gönder&quot; class=&quot;btn btn-info&quot;&gt;<br>        &lt;/p&gt;<br>    &lt;/form&gt;<br>&lt;/div&gt;<br>&lt;/div&gt;<br>&lt;/body&gt;<br>&lt;/html&gt;</pre><p><strong>display.html:</strong></p><pre>&lt;!DOCTYPE html&gt;<br>&lt;title&gt;Yolo Uygulaması&lt;/title&gt;   <br>    &lt;meta charset=&quot;utf-8&quot;/&gt;<br>&lt;/head&gt;<br>    &lt;body&gt;<br>  <br>        &lt;table align=&quot;center&quot; border=&quot;5&quot; bordercolor=&quot;#49d6d1&quot; style= &quot;border-radius:10px&quot;&gt;<br>        &lt;tr&gt;<br>           &lt;th colspan=&quot;2&quot;&gt;&lt;font size=&quot;10&quot; face=&quot;Arial&quot; color=&quot;#49d6d1&quot;&gt;&lt;u&gt;SONUÇLAR&lt;/u&gt;&lt;/font&gt;&lt;/th&gt;<br>        &lt;/tr&gt;<br>  <br>  &lt;tr&gt;<br>  &lt;td align=&quot;center&quot;&gt;&lt;font color=&quot;#d61c38&quot; size=&quot;8&quot;&gt; &lt;b&gt;İnput İmgesi&lt;/b&gt;&lt;/font&gt;&lt;/td&gt;<br>  &lt;td align=&quot;center&quot;&gt;&lt;font color=&quot;#ebdb52&quot; size=&quot;8&quot;&gt; &lt;b&gt;Output İmgesi&lt;/b&gt;&lt;/font&gt;&lt;/td&gt;<br>        &lt;tr&gt;  <br>  &lt;td width=&quot;768&quot; height=&quot;768&quot; rowspan=&quot;3&quot; align=&quot;center&quot;&gt;&lt;img src=&quot;{{ orjinal_image }}&quot; alt=&quot;User Image&quot; style=&quot;width:768px&quot;&gt;&lt;/td&gt;<br>  &lt;td width=&quot;768&quot; height=&quot;768&quot; rowspan=&quot;3&quot; align=&quot;center&quot;&gt;&lt;img src=&quot;{{ process_image }}&quot; alt=&quot;User Image2&quot; style=&quot;width:768px&quot;&gt;&lt;/td&gt; <br>        &lt;/tr&gt;</pre><pre>&lt;/table&gt;<br>  <br>  <br>    &lt;/body&gt;<br>&lt;/html&gt;</pre><p><strong>SONUÇLAR</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GVCwNZRytxLpC7UgVVWxSw.png" /><figcaption>Şekil 3- index.html Sayfası</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hNTAAbrEeaYNSL3nwI2RZA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RLD-rHyAVgTO6BvAZLiFtA.png" /><figcaption>Şekil 4- Flask Üzerinden Örnek Girdi-Çıktı İmgeleri</figcaption></figure><p>Yolo v5 serisinin sonuna geldik, son yazı serimizde biraz farklılık olsun diye Flask uygulamasını basit bir şekilde ele aldık. Dilerseniz kendi istekleriniz doğrultusunda bunu değiştirebilir ya da geliştirebilirsiniz.</p><p>Bütün yazı serileriyle ilgili kodları <a href="https://github.com/ecevit2804/Yolov5_Medium">https://github.com/ecevit2804/Yolov5_Medium</a> linkinden bulabilirsiniz.</p><p>Sevgilerimle…</p><p><strong>KAYNAKLAR</strong></p><pre><a href="https://github.com/ultralytics/yolov5">https://github.com/ultralytics/yolov5</a><a href="https://flask.palletsprojects.com/en/2.0.x/patterns/fileuploads/"><br>https://flask.palletsprojects.com/en/2.0.x/patterns/fileuploads/</a><br><a href="https://www.w3schools.com/html/html_tables.asp">https://www.w3schools.com/html/html_tables.asp</a><br><a href="https://www.w3schools.com/html/html_images.asp">https://www.w3schools.com/html/html_images.asp</a><br><a href="https://www.youtube.com/watch?v=pNqtDpcPJm0&amp;list=PLIHume2cwmHfDUQ2t6f-Q7VCBvNSEAMAS">https://www.youtube.com/watch?v=pNqtDpcPJm0&amp;list=PLIHume2cwmHfDUQ2t6f-Q7VCBvNSEAMAS</a></pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=350c939229e6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[YOLO v5 Algoritması ile Nesne Tespit Eğitimi -2]]></title>
            <link>https://ecevit2804.medium.com/yolo-v5-algoritmas%C4%B1-ile-nesne-tespit-e%C4%9Fitimi-2-bd816efc9a4f?source=rss-517828ebf7d4------2</link>
            <guid isPermaLink="false">https://medium.com/p/bd816efc9a4f</guid>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[object-detection]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[furkan ecevit]]></dc:creator>
            <pubDate>Mon, 14 Jun 2021 08:10:52 GMT</pubDate>
            <atom:updated>2021-06-14T08:10:52.271Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazı serisinde Yolo v5 algoritmasını kendi veri setimiz için nasıl kullanabileceğimiz, eğitebileceğimiz ele alınmıştır. Bir önceki <a href="https://ecevit2804.medium.com/yolo-v5-algoritmas%C4%B1-ile-nesne-tespit-e%C4%9Fitimi-5c063fa0df70">yazı serimizde</a> Yolo v5 algoritması için nasıl veri seti hazırladığımızı öğrenmiştik. Şimdi ise eğitim aşamasının işleyişini görelim.</p><p>1. Veri Seti Hazırlama, Hazır Veri Seti İndirme</p><p>2. Eğitim</p><p>3. Test</p><p>Önceki <a href="https://ecevit2804.medium.com/yolo-v5-algoritmas%C4%B1-ile-nesne-tespit-e%C4%9Fitimi-5c063fa0df70">yazı serimizde</a> bahsettiğimiz gibi Yolo v5 algoritmasının Pytorch frameworkü ile yazılan kodunu hızlı olması sebebiyle ele alacağım.</p><p>Yolo v5 algoritması darknet tarafından resmi olarak onaylanmasa da piyasada bir çok firma tarafından kullanılmaktadır ve eğitim başarısı ile hızı göz kamaştırmaktadır. Özellikle yüksek çözünürlüklü imgelerde, küçük detayları yakalayabilmektedir.</p><h3>Eğitim</h3><p>Üst paragrafta da belirttiğim gibi, önceki yazımızda eğitilecek olan veri setimizi hazır hale getirmiştik. Tek sınıf olarak “Wheel” sınıfını oluşturmuştuk.</p><p>İlk olarak <a href="https://github.com/ultralytics/yolov5">https://github.com/ultralytics/yolov5</a> sitesinden repository kısmı indirilmelidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*urW2CGH8sYug-ni2LiVvmA.png" /><figcaption>Şekil 1- Github Repository İndirme</figcaption></figure><p>Yolo v5 kullanıcıya esas olarak 4 adet farklı büyüklükte pretrained modeller sunmaktadır. Bunlar küçük modelden büyük modele doğru S,M,L,X olarak sıralanmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*H776GLE-kM9PKfImCdgL-w.png" /><figcaption>Şekil 2-Pretrained Modeller</figcaption></figure><p>Şekil2’den de anlaşılacağı gibi, model büyüklüğü arttıkça başarım ve hız artmaktadır ancak model boyut büyüklüğü de artmaktadır. Buradaki trade-off artık kullanıcının seçeneğine kalmıştır.</p><p>Biz bu yazımızda örnek olsun diye yolov5-m modeli kullanacağız. Bu modelleri <a href="https://github.com/ultralytics/yolov5/releases">https://github.com/ultralytics/yolov5/releases</a> sekmesinden kullanmak istediğimiz klasöre indirebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*SRngQobJzI5AdrRUpqBA9Q.png" /><figcaption>Şekil 3- Pretrained Model İndirme</figcaption></figure><p>Pretrained modelimiz ve veri setimiz hazır olduğuna göre, gerekli kütüphaneleri indirip eğitim işlemine yavaş yavaş başlayabiliriz.</p><p>Öncelik olarak Yolo v5 algoritması Python 3.8 ve üzeri versiyonlarında çalışmaktadır.</p><p>Gerekli kütüphaneler ise;</p><pre><em>pip install -r requirements.txt<br>pip install opencv-contrib-python</em></pre><p>kodu ile indirilmektedir.</p><p>Not: pycocotools kütüphanesi yüklerken hata verebilir. Bu eğitimi etkilememektedir.</p><p>torch.cuda.is_available() fonksiyonu ile torch kütüphanesinin gpu’nuzu görüp görmediğini kontrol ediniz. Eğer False yanıtı dönüyorsa çözüm olarak:</p><pre>conda install pytorch torchvision cudatoolkit=10.1 -c pytorch</pre><p>komudunu kullanabilirsiniz. Burada ki cudatoolkit versiyonu kullanmış olduğunuz versiyonla bir olmalıdır.</p><p>Artık hazır eğitim ve validation veri setlerimizi ayrı ayrı klasörlere koyup, yaml uzantılı dosyamızı oluşturabiliriz.</p><p>Not: Elinizde split edilmemiş veri seti var ise aşağıdaki kod yardımıyla veri setinizi split edebilirsiniz.</p><pre>import os</pre><pre>import shutil</pre><pre>path_images = r&#39;C:\Users\baris-pc\Desktop\Yolov5-Hazır_Dataset\images/&#39;</pre><pre>path_labels = r&#39;C:\Users\baris-pc\Desktop\Yolov5-Hazır_Dataset\texts/&#39;</pre><pre>train_images = r&#39;C:\Users\baris-pc\Desktop\Yolov5-Egitim\train_images\images/&#39;</pre><pre>train_labels = r&#39;C:\Users\baris-pc\Desktop\Yolov5-Egitim\train_images\labels/&#39;</pre><pre>validation_images = r&#39;C:\Users\baris-pc\Desktop\Yolov5-Egitim\validation_images\images/&#39;</pre><pre>validation_labels = r&#39;C:\Users\baris-pc\Desktop\Yolov5-Egitim\validation_images\labels/&#39;</pre><pre>images = os.listdir(path_images)</pre><pre>split_ratio = 0.15</pre><pre>for image in images[:len(images) * split_ratio]:</pre><pre>if image == &#39;desktop.ini&#39;:</pre><pre>continue</pre><pre>textname = image.split(&#39;.&#39;)[0] + &#39;.txt&#39;</pre><pre>shutil.copy(path_images + image, validation_images + image )</pre><pre>shutil.copy(path_labels + textname, validation_labels + textname)</pre><pre>for image in images[len(images) * split_ratio:]:</pre><pre>if image == &#39;desktop.ini&#39;:</pre><pre>continue</pre><pre>textname = image.split(&#39;.&#39;)[0] + &#39;.txt&#39;</pre><pre>shutil.copy(path_images + image, train_images + image )</pre><pre>shutil.copy(path_labels + textname, train_labels + textname)</pre><p>Klasör yapısını aşağıdaki şekillerde görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*lP1NNzSsZoa3GumaSMWWxQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*3Ganv7xaCfi7pd5g-wPbTA.png" /><figcaption>Şekil 4- Klasör Yapısı</figcaption></figure><p>Bu işlemlerden sonra ‘yaml’ uzantılı dosyamızı hazırlamamız gerekiyor. Bu dosya içinde train ve validation klasörlerini, class sayısını (nc: number of class), class isimlerini (names) bulundurur. Biz halihazırda tek sınıftan (Wheel) oluşan bir veri seti hazırlamıştık. İndirdiğimiz reposirotyde ‘Data’ isimli klasörde default olarak vardır. Kendimize göre düzenlememiz gerekmektedir. Şekil5’te hazırladığımız veri setinin yaml dosyasını görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*8SOtHzKhgLH8L7Z9uUAbNw.png" /><figcaption>Şekil 5- Yaml Dosyası</figcaption></figure><p>İndirdiğimiz repository’nin data klasörü içindeki “hyp.scratch.yaml” dosyası ile ise eğitim hiperparametrelerini ve augmentation (data çoğaltma) seçeneklerini belirliyebiliriz. Şekil 6’da bahsedilen dosya yapısı gösterilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*8MH8E3ip0PMsca8N2p3y7Q.png" /><figcaption>Şekil 6- Hiperparametre Dosyası</figcaption></figure><p>Bütün hazırlıkları tamamladık. Artık eğitim aşamasına geçebiliriz. Kullandığınız herhangi bir arayüzde repositoryde bulunan train.py isimli kodu açıp, gerekli satırlara gerekli değerleri atadıktan sonra eğitimi başlatabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*aSW5y3BtX0E4RMqg3T4RNQ.png" /><figcaption>Şekil 7- Train.py Dosyası</figcaption></figure><p>Özet geçersek bizi ilgilendiren taraf 452. Satır ile 487. Satır arasıdır.</p><p>Not :Store_true olarak atanan değerler aslında False değerini almaktadır.</p><pre>454. Satıra indirilen pretrained modelin yolu verilmelidir.<br>456. Satıra hazırlanan ‘.yaml’ dosyasının yolu verilmelidir.<br>457. Satıra hiperparametreleri hazırladığımız ‘.yaml’ dosyasının yolu verilmelidir.<br>458. satır epoch, 459. Satır batch size sayısıdır.<br>460. Satır İnput ve output imgelerinin boyutlarıdır.<br>461. Satır dikdörtgen şeklinde imgeleriniz ve etiketleriniz varsa store_false olarak kalıp True hale getirilmelidir.<br>470. Satır default kalırsa ne kadar gpu sayısı varsa kullanır, sayı verirseniz verdiğiniz sayı kadır gpu kullanılır.<br>473. Satır store_true’da kalırsa SGD, store_false’da kalırsa Adam optimizasyon fonksiyonunu kullanır.<br>477. Satır eğitim parametrelerinin kaydedileceği klasör yoludur.<br>479. Satır ise eğitim parametrelerinin kaydedileceği klasörün ismidir.</pre><p>Gerekli parametreler girildikten sonra program run edilince eğitim başlamış olur. Eğitim bitince 479. Satırda verilen klasör yoluna 2 model (‘best.pt’, ‘last.pt’) kaydedilir. Aşağıdaki şekillerde eğitim aşamaları gösterilmektedir.</p><p>Not:</p><pre>tensorboard — logdir runs/train/exp ## runs/train/exp default eğitim dosyası kısayoludur.</pre><p>komutu ile tensorboard üzerinden loss, precision, recall, mAP değerlerinin değişimlerini görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/632/1*eCG8NaDVa0Q5LJJpXMTp9w.png" /><figcaption>Şekil 8- Eğitim Esnası</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/599/1*xcXK2aWXTBn7gbo165qvEA.png" /><figcaption>Şekil 9- Tensorboard Gösterimi</figcaption></figure><p>Eğitim kısmının da sonuna geldik. Bir sonraki yazımız da Flask ile basit bir arayüzden inference test aşamalarını göreceğiz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bd816efc9a4f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[YOLO v5 Algoritması ile Nesne Tespit Eğitimi -1]]></title>
            <link>https://ecevit2804.medium.com/yolo-v5-algoritmas%C4%B1-ile-nesne-tespit-e%C4%9Fitimi-5c063fa0df70?source=rss-517828ebf7d4------2</link>
            <guid isPermaLink="false">https://medium.com/p/5c063fa0df70</guid>
            <category><![CDATA[image-segmentation]]></category>
            <category><![CDATA[labelimg]]></category>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[object-detection]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[furkan ecevit]]></dc:creator>
            <pubDate>Thu, 20 May 2021 10:15:18 GMT</pubDate>
            <atom:updated>2021-06-10T21:00:28.609Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazı serisinde Yolo v5 algoritmasını kendi veri setimiz için nasıl kullanabileceğimiz, eğitebileceğimiz ele alınmıştır. Eğitim yapılacak Yolo v5 algoritması (<a href="https://github.com/ultralytics/yolov5">https://github.com/ultralytics/yolov5</a>) Pytorch Framework’ünü kullanmıştır ve bu frameworkün tensorflow ve kerasa göre kıyasla daha hızlı olması avantajımızadır.</p><ol><li>Veri Seti Hazırlama, Hazır Veri Seti İndirme</li><li>Eğitim</li><li>Test</li></ol><p>Bu üç ana başlık içinden bizim için en önemli ve kritik olanı veri seti hazırlama kısmıdır. Dilerseniz bu başlıktan başlayarak ilerleyelim.</p><h3>1. Veri Seti Hazırlama</h3><p>Eğitim yapmak için tabi öncelikle etiketli bir veri setine ihtiyacımız vardır. Bu başlıkta veri setini hazırlama, etiketleme, eğitime hazır hale getirme kısımları ele alındı. Elimiz de hali hazırda veri seti var ise “LabelImg” isimli çok sık kullanılan ara yüz ile etiket işlemini yapabiliriz. Elimizde veri seti yok ise Google şirketinin halka açık şekilde sunduğu etiketli dataları eğitebiliriz. Bugün bu ikisi içinde örnekleri inceleyeceğiz.</p><h4>1.1 LabelImg Programı</h4><p>Bu programı kullanabilmek için öncelikle <a href="https://github.com/tzutalin/labelImg">https://github.com/tzutalin/labelImg</a> linkinden github repository’i indirmemiz gerekmektedir. (Şekil-1)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*RQRtt98R2i1pgQ66R8fBMg.png" /><figcaption>Şekil 1- Github Repo</figcaption></figure><p>Bu noktadan sonra gerekli kütüphaneleri indirmelisiniz. Kullandığınız işletim sistemlerine göre Şekil 2 ve Şekil 3’te nasıl indirmeniz gerektiği gösterilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*DEd4nDrbpC60XjWff43OHw.png" /><figcaption>Şekil 2- Ubuntu ve MacOs İşletim Sistemleri</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*57b0o1zf8SbtxWK2fWzvPQ.png" /><figcaption>Şekil 3- Windows İşletim Sistemi</figcaption></figure><p>Gerekli kütüphaneleri yükledikten sonra, indirdiğimiz klasörün içinde “data/predefined_classes.txt” yolunu izleyerek bu txt dosyasının içinin temizlenmesi gerekmektedir. Daha sonrasında isterseniz kendi etiketleyeceğiniz sınıfları buraya yazabilir ya da programı kullanırken program bunu kendi oluşturabilir. Tercih size kalmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/545/1*lnUqex9Wtj20eowPyJXNXA.png" /><figcaption>Şekil 4- Github Klasör Yapısı</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*R2rw1oouBkZ7xfKC1Rzj-g.png" /><figcaption>Şekil 5- Temizlenmesi Gereken Txt Dosyası</figcaption></figure><p>Bu işlemlerden sonra artık programın arayüzüne geçebiliriz. Bu programda imgeleri hem txt formatında hem de xml formatında kaydetme şansımız bulunmaktadır. Yolo v5 modeli ise imge etiketlerini txt formatında istemektedir. Eğer elinizde xml etiketli data var ise hiç çekinmeyiniz, Bir sonraki konu da xml datasını txt haline getirme kodu bulunmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*_r4iz9jYXvvyiuIo_49DPw.png" /><figcaption>Şekil 6- Programın Ara Yüzü</figcaption></figure><p>1 numaralı ok işaretinden etiketlenecek dataların klasörü seçilmelidir.</p><p>2 numaralı ok işaretinden ise etiketlenen dataların kaydedileceği klasör seçilmelidir.</p><p>Create RectBox seçeneği ile etiketlenmek istenen bölge işaretlenmeli ve daha sonrasında etiketlenecek format seçilmelidir. Ben burda Yolo formatı seçmiş bulunmaktayım. Şekil 8’de etiket formatı gösterilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*qQIUrnk1Q5plX5stt2Sk-g.png" /><figcaption>Şekil 7- Etiketlenecek Data Formatı</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/422/1*gO8Qqd1q7Ofvv_kKiL709g.png" /><figcaption>Şekil 8- Etiketlenme Formatı</figcaption></figure><p>Burada her sınıf için text dosyasının başına bir sayı atanır. Diğer sayılar ise sırasıyla etiketlenen bölgenin x_center, y_center, width, height bölgelerinin normalize edilmiş halleridir.</p><p>Label Img programı ile etiketleme işlemi böyle yürütülmektedir. Günün sonunda elimizde imgelerin bulunduğu bir klasör ve etiketlerin bulunduğu bir klasör olmalıdır.</p><h4>1.2 Hazır Data İndirme</h4><p>Ana başlıkta da belirtiğim gibi open source data elde etmemiz mümkündür. Bu yöntem özellikle öğrenciler için çok işe yarayacaktır.</p><p><a href="https://storage.googleapis.com/openimages/web/index.html">https://storage.googleapis.com/openimages/web/index.html</a> sitesinde Explorer sekmesine giriş yaparsanız karşısına sayısız şekilde etiketli imge çıkacaktır. Aynı zamanda “Type Detection” sekmesinden “Segmentation” seçeneğine tıklarsanız segmentasyon modelleri için de etiketli imgeler bulunmaktadır. Ben örnek olması açısından ‘Wheel’ sınıfından data indirmek ve eğitmek istiyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*BQz9LeesiKM_MNNwlzfWDQ.png" /><figcaption>Şekil 9- OpenImages sitesinden Wheel sınıfı için örnek imgeler</figcaption></figure><p>Öncelikle dataları indirmek için <a href="https://github.com/pythonlessons/OIDv4_ToolKit">https://github.com/pythonlessons/OIDv4_ToolKit</a> linkine tıklayarak bu repository’i indirmeniz gerekmektedir. İndirdikten sonraki klasör düzeni Şekil 10’da gösterilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*XN0OL2OdBSYdWR75rcNzlw.png" /><figcaption>Şekil 10- OpenImages Klasör Yapısı</figcaption></figure><p>Bu indirme işleminden sonra öncelikle gerekli kütüphaneleri indirmek gerekmektedir. Bu işlem için komut penceresine:</p><pre>Windows için: pip install -r requirements.txt<br>Ubuntu için:  pip3 install -r requirements.txt</pre><p>Kodlarının yazılması gerekmektedir. Daha sonrasında ise komut satırına gelerek:</p><pre>python main.py downloader --classes Wheel --type_csv train –-limit 1500</pre><p>kodununun yazılması gerekmektedir. Burada önemli bir nokta eğer indirmek istediğiniz sınıf ismi iki kelimeden oluşuyorsa tırnak içinde yazmanız gerekmektedir. Örneğin: Traffic light sınıfını indirmek isterseniz:</p><pre>python main.py downloader --classes ‘Traffic light’ --type_csv train –-limit 1500</pre><p>şeklinde kodu girmeniz gerekmektedir. Şekil 11’de indirme işlemi gösterilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*7LEswaVuFpSpJIPp7djzKA.png" /><figcaption>Şekil 11- Etiketli İmge İndirme İşlemi</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/471/1*zpVXKQz2QuTLzTTRzrHWRg.png" /><figcaption>Şekil 12- İndirilen Dataların Klasör Yolu</figcaption></figure><p>Bu dosya yapısına göre Wheel klasörünün içinde imgeler, Labels klasörünün içinde ise bu imgelere ait etiket txtleri vardır. Fakat bu txt dosyaları yolo eğitimi için uygun değildir. Normalize edilmemiştir ve bir önceki başlıkta belirttiğim gibi her sınıf için bir sayı değil string atanmıştır. Şekil 13te örnek bir imgenin örnek bir txt formatı gösterilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*NwjR_YnPF5rxSDyM1svaog.png" /><figcaption>Şekil 13- İndirilen datalara ait bir örnek imge ve etiketi</figcaption></figure><p>Txt formatını xml formatına çevirmemiz için öncelikle indirdiğimiz github repository’sinde bulunan ‘classes.txt’ dosyasını açıp içine sadece indirdiğin datalara ait sınıfları yazmanız gerekmektedir. Şekil 14’te örnek verilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*JIavRjO1e9Pb-oVJwne2_Q.png" /><figcaption>Şekil 14- Classes yapısı</figcaption></figure><p>Daha sonra komut satırından ‘voc_to_xml.py’ dosyasını çalıştırırsanız her imgenin xml uzantısı ‘Wheel’ klasörünün içine gelecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*x2HukTsh67eA-fw7Y8KnYA.png" /><figcaption>Şekil 15- Xml Dosyaları</figcaption></figure><p>Artık labels klasörü ile işimiz kalmadı. Tek yapmamız gereken xml dosyalarını ayrı bir klasöre ve imgeleri ayrı bir klasöre koymak.</p><ul><li>images<br>-xmls<br>-texts</li></ul><p>Klasör yapısını oluşturduktan sonra, images klasörüne imgeleri, xmls klasörüne xml dosyalarını koymalıyız. Yolo v5 bizden txt formatı istemektedir. Aşağıdaki kod ile xml formatından txt formatına etiketlerimi dönüştürebiliriz. Kodun içinde düzenlenmesi gereken 4 yer vardır ve bunlar kod içinde yorum satırı olarak belirtilmiştir.</p><pre>import os<br>import sys<br>import xml.etree.ElementTree as Et<br>from PIL import Image<br><br><br>def progress_bar(name, value, endvalue, bar_length=50, width_=20): # progres bar<br>    percent = float(value) / endvalue<br>    arrow = &#39;-&#39; * int(round(percent * bar_length) - 1) + &#39;&gt;&#39;<br>    spaces = &#39; &#39; * (bar_length - len(arrow))<br><br>    sys.stdout.write(&quot;\r{0: &lt;{1}} : [{2}]{3}%&quot;.format(name, width_, arrow + spaces, int(round(percent * 100))))<br>    sys.stdout.flush()<br>    if value == endvalue:<br>        sys.stdout.write(&#39;\n\n&#39;)<br><br><br>classes = {&#39;Wheel&#39; : 0} # Bu dict, txte yazılacak sınıfların sıralması içindir.<br><br><br><br>path_images = r&#39;C:\Users\baris-pc\Desktop\Yolov5\images/&#39; # imgelerin pathi<br>path_xmls = r&#39;C:\Users\baris-pc\Desktop\Yolov5\xmls/&#39;     # xmllerin pathi<br>path_txt = r&#39;C:\Users\baris-pc\Desktop\Yolov5\texts/&#39;     #txtlerin yazılacağı path<br>imgeisimleri = os.listdir(path_images)<br><br><br>for idx, isim in enumerate(imgeisimleri):<br>    if isim.endswith((&#39;.jpg&#39;, &#39;.jpeg&#39;, &#39;.png&#39;)):<br>        basename, uzanti = isim.split(&#39;.&#39;)<br>        progress_bar(&quot;XML to Yolo &quot;, idx, len(imgeisimleri))<br>        tree = Et.parse(path_xmls + basename + &#39;.xml&#39;)<br>        root = tree.getroot()<br>        obejcts = root.findall(&quot;object&quot;)<br>        etiketler = [obj[0].text for obj in obejcts]<br>        etiketler = set(list(classes.keys())).intersection(set(etiketler))<br>        img = Image.open(path_images + isim)<br>    <br>        width, height = img.size<br>    <br>        if len(etiketler) == 0:<br>            continue<br>    <br>        for obj in obejcts:<br>            x1, y1 = int(obj[4][0].text), int(obj[4][1].text)<br>            x2, y2 = int(obj[4][2].text), int(obj[4][3].text)<br>            if obj[0].text in classes:<br>      <br>                x_center = (x1 + x2) / 2 / width<br>                y_center = (y1 + y2) / 2 / height<br>                width_norm = (x2 - x1) / width<br>                height_norm = (y2 - y1) / height<br>                with open(path_txt + basename + &#39;.txt&#39;, &#39;a&#39;) as f:<br>                    f.write(&#39;{:.0f} {:.6f} {:.6f} {:.6f} {:.6f} \n&#39;.format(classes[obj[0].text], x_center, y_center, width_norm, height_norm))<br><br>print()</pre><p>Şuanki durumda elimizde hazır imgeler ve yolo formatına uygun etiketleri bulunmaktadır. Şekil13te gösterilen örneğin güncel hali aşağıdaki gibidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*cD7Jnbicex0-2cDAqVQJ_w.png" /></figure><p>Bu işlemlerin aynısı validation ve test işlemleri için de yapılmalıdır. İsterseniz indirdiğiniz datadan kendiniz split edebilirsiniz. Bu işlemden sonra bizim için önemli olan imgelerin içinde olduğu images klasörü, yolo formatına uygun etiketlerin olduğu labels klasörüdür. Bir sonraki başlıkta artık yolo v5 algoritmasının eğitim aşamalarını göreceğiz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5c063fa0df70" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>