Keras RetinaNet for Teknofest 2019 AI Competition

Using RetinaNet for object detection from drone images in Teknofest istanbul 2019 Artificial Intelligence Competition

🚀 Teknofest 2019 - Yapay Zeka Yarışması:

TEKNOFEST 2019 Yapay Zeka Yarışması kapsamında takımlar bir drone ile önceden kaydedilmiş görüntüler üzerinden verilen süre içerisinde araç ve insan tespitini özel bir metrik üzerinden IoU puanı ile puanlandırılmıştır.

📚 Öğretici Döküman (Tutorial)

Keras RetinaNet kurulum ve kendi veri kümenizi eğitmek ve test etmek için detaylı öğretici dökümanını buradan inceleyebilirsiniz.

📋 Başlangıç Kılavuzu (Getting Started)

💾 Ön Koşullar (Software Prerequisites)

• cython
• pycocotools==2.0.0
• keras-resnet==0.2.0
• h5py==2.10.0
• keras==2.4.3
• matplotlib
• numpy==1.19.5
• six==1.15.0
• opencv-python==3.4.13.47
• pillow
• progressbar2
• tensorflow-gpu==2.4.1
• git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI
• tqdm

Kurulum

Python 3.7 kurulum ve virtual env oluşturma

• sudo apt install python3.7 python3-venv python3.7-venv

• sudo apt-get install python3.7-dev

• python3.7 -m venv .py37-venv

• source .py37-venv/bin/activate

Ön koşullu paketlerin kurulumu

• pip3 install cython

• pip3 install numpy==1.19.5

• pip3 install -r requirements.txt

keras_retinanet kütüphanesinin derlenmesi

• pip3 install .

• python3 setup.py build_ext --inplace

📘 Klasör Yapısı (Folder Structure)

main_dir
- dataset_test
- retinanet
    - keras_retinanet
    - models
        - teknofest19_huma_resnet50_21_37_inference.h5
    - snapshots
        - teknofest19_huma_resnet50_21_37_ss.h5
    - results
    - detect_all_images.py

⌛ Eğitim (Train)

RetinaNet'in Keras implementasyonuna ve eğitim dökümanına buradan ulaşabilirsiniz.

Drone ile çekilmiş yaklaşık 30bin görüntü üzerinden etiketlenmiş araç ve insan veri kümesi ile 58 epoch eğitilmiş ResNet-50 RetinaNet snapshot dosyasını buradan indirebilirsiniz.

⌚ Test

Önceden eğitilmiş ve dönüştürülmüş model dosyası olan teknofest19_huma_resnet50_21_37_inference.h5 dosyasını buradan indirerek retinanet klasörü altında models klasörü altına kopyalayınız.

Test yapabilmeniz için örnek test görüntülerini buradan indererek dataset_test klasörü altına kopyalayınız.

Eğitilmiş model ile dataset_test klasöründeki resimler üzerinde nesne tespiti yapmak için detect_all_images.py python programını çalıştırabilirsiniz. Tahmin (prediction) sonuçlarını results klasörü altına resmin üzerine çizilmiş şekilde çıkartılacaktır.

🎉 Sonuçlar (Results)

📡 Contact (İletişim)

• 🌐 Takım Web Sitesi
• 📫 E-posta Adresi