-
Realizado download de 1.600 imagens sem rotulação da COCO (COCO - Common Objects in Context), foram selecionadas 400 imagens para o processo de treinamento.
-
As 400 imagens foram rotuladas utilizando o LabelMe instalado no Anaconda virtual usando o python para abrir o sistema.
-
Foram separadas 320 imagens com os respectivos arquivos JSON para o treinamento e 80 imagens com os respctivos arquivos JSON para validação.
-
Clonando o darknet com os comandos:
!git clone https://github.com/AlexeyAB/darknet.git
%cd darknet
!make
-
Criado arquivo .name contendo o nome das classes (gato e zebra).
-
Ajustar o arquivo obj.data referente as imagens e classes.
-
Copiado o arquivo yolov3.cfg para o yolov3_custom.cfg e feito as alterações necessárias para refletir o número de classes, filtros e outros parâmetros.
-
Download dos pesos pré-treinados:
!wget https://pjreddie.com/media/files/yolov3.weights
- Iniciando os pesos para treinamento:
!./darknet partial cfg/yolov3_custom.cfg yolov3.weights yolov3.conv.81 81
- Treinamento:
!./darknet detector train data/obj.data cfg/yolov3_custom.cfg yolov3.conv.81
- Wagner Nogueira.
-
DIO com o curso teórico.
-
Instrutor do curso: Diego Renan
-
ChatGPT onde ajudou nas minhas dúvidas.