[Model Review] YOLOv5 + Roboflow Annotation

! 주의 ! 이 글에는 적은 yolo v5에 대한 요약과 짧은 사용법, 그리고 roboflow annotation에 대한 개인적인 견해가 쓰여있습니다.

1. YOLOv5

Summary

• You Only Look Once - one stage detection 모델
  • R-CNN이나 Faster R-CNN과 달리 이미지 분할 없이 이미지를 한 번만 보는 특징
  • 전처리모델과 인공신경망 통합
  • 실시간 객체탐지
• Backbone : input image → feature map
  • CSP-Darknet
  • https://keyog.tistory.com/30
• Head : predict classes / bounding boxes
  • Dense Prediction : One stage detector(predict classes + bounding boxes)
    • R-CNN
  • Sparse Prediction : Two stage detector(predict classes , bounding boxes 분리)
    • SSD, YOLO

=> 구조를 살펴본 결과 SSD와 상당부분 유사하다고 느껴졌다.

Repository

https://github.com/ultralytics/yolov5

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

Data format

• dataset.yaml
  • train
  • val
  • test
  • class name

  train : # training data 상위 폴더 ex. ./datasets/train
  val:    # validation data ''
  test:	# test data ''
  
  names:
      0: person
      1: bicycle
  ...

• labels
  • 좌측 상단부터 0, 0(computer vision coordinates system 참고)
  • 한 이미지당 1개의 annotation 정보를 담은 한 개의 txt 파일 필요
  • # Class x_center y_center width height 0 0.48 0.63 0.69 0.71 # normalized
  • background image인 경우 필요 없음
  • normalized xywh(0 - 1)
    • 전처리 따로 해줘야함
    • resize → x center, width / image width , y center, height / image height
    • zero indexed

Train

• detect
  • !python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images --device "cuda:0" display.Image(filename='yolov5\\\\data\\\\images\\\\zidane.jpg', width=600)
• validate
  • !python val.py --weights yolov5s.pt --data coco.yaml --img 640 --half
• train
  • !python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt --cache

Augmentation 

• Mirroring (대칭)
• Random Cropping
• Rotation
• Shearing
• Image HSV-Hue 
• trainslation
• scaling
• flip up-down, left-right
• mosaic
• mixup
• copy-paste(segmentation option)

위 목록의 augmentation을 지원한다. 자세한 것은 hyp.scratch-low.yaml  파일 참조.

YOLOv5 코드 분석

깔끔하고 자세한 코드분석 글이 있어서 첨부한다.

[pytorch] yolov5 코드 분석

[pytorch] yolov5 코드 분석

 

---

2. Roboflow Annotation

https://app.roboflow.com/

Sign in to Roboflow

장점부터 한 번 서술해보겠다.

1. 데이터셋 생성이 간편하다.

• YOLO 공식 깃허브에서 홍보하는 온라인 annotation 툴로, 이미지를 업로드하고 다각형 / 바운딩 박스 / 단순 classification 등으로 분류 모델의 종류에 따라 annotation을 할 수 있다. 데이터셋을 만들고 난 뒤에는 몇몇 모델에 맞는 형식으로 export도 해준다.

2. 공동작업에 효과적이다.

• 여러 작업자가 물리적으로 이미지를 모두 나눠서 가지고 있어야할 필요없이, 온라인으로 업로드한 이미지를 개개인에게 할당할 수 있다는 좋은 점이 있다.

• 3. 버전에 따라 업데이트된 데이터와 업데이트 되기 전의 데이터를 따로 보관할 수 있다.
• 업로드된 데이터셋의 레이블링을 마치고 나면 export를 위해 버전을 만드는데, 여러 버전을 생성할 수 있다.

4. 레이블링 시 가시성이 좋다.

• annotation을 할 때 바로바로 바운딩박스와 이미지를 볼 수 있는 것이 편하다. 한두 번 더 검사하고 싶거나 이상하게 레이블링된 데이터를 찾기가 쉽다.

 

그러나 개인적으로는 파이썬 코드 몇 줄 더 짜서 format을 직접 맞추더라도, 지금 당장 roboflow를 사용하는 것은 오히려 불편할 수도 있다고 생각한다.

사용하면서 느낀 몇가지 불편한 점을 서술해보겠다.

 

1. 잦고 자잘한 오류

• 이미지 어노테이션 후 다음 이미지로 넘어가는데 3분 넘게 걸리는 경우. 
• 바운딩 박스를 선택한 후 등록이 되지 않는 오류.

2. 데이터셋 등록의 불편함

• 이미 데이터셋으로 업로드를 마쳤는데 이미지의 annotation이 잘못된 것은 수정이 가능하나, 학습데이터에 포함하면 안되는 이미지가 데이터셋에 업로드 된 경우 다시 unannotated 탭으로 돌려보낼 수 없다. 아예 프로젝트 자체에서 이미지를 지우고, 재업로드해서 다시 해야한다는 번거로움이 있다.
• 데이터셋에 이미지를 한 장만 새로 추가하려고 해도 새로 버전을 생성해야한다. 

 

대부분 개선하기 어려운 문제들이 아니니 지속적인 업데이트로 위 오류와 불편한 점이 해결된다면 이미지 annotation 할 때, 특히 여러 사람과 나눠서 annotation을 하는 상황에서는 유용하게 사용할 수 있을 것 같다.