Este repositorio centraliza todo el contenido del proyecto de detección de objetos en imagenes aereas con el uso de CNN.
Toda la documentación se ingresa con permiso.
En el siguiente gráfico se presenta el data flow pensado para desplegar en IBM Cloud
🔴: Untrained
🟡: Training
🟢: Trained
Para el entrenamiento se utiliza los servicios de GPU Google/IBM usando el Notebook training (Google Drive), finalizado el entrenamiento se guarda el notebook en GitHub.
Nombre | Modelo | Framework | Pre weights | Custom dataset | Data training | Best weights | Notebook training | MaP | Status | Fecha |
---|---|---|---|---|---|---|---|---|---|---|
yolo_v1 | yoloV4_darknet | Darknet/AlexeyAB | yolov4.conv.137 | openImage_v1 | data_training.zip (obj.data-obj.name-.cfg) | yolov4-obj_best.weights | 54% | 🟢 | jun_2021 |
Modelos implementados/pendientes.
Nombre | Algoritmo | Backbone | Framework | Status | Fecha |
---|---|---|---|---|---|
yoloV4_darknet | Yolo | CSPDarknet53 | Darknet/AlexeyAB | 🟢 | jun_2021 |
Datasets implementados/pendientes, para las custom layers.
Nombre | Fecha | Origen de imagenes | Categorias (test)(val) | Distribución | Formato | +Info |
---|---|---|---|---|---|---|
openImage_v1 | mayo_2021 | Open Image Dataset V6 | Car(3000)(600) Truck(2916)(254) Person(2902)(584) Vehicle(2968)(463) Van(2825)(112) Motorcycle(2885)(110) | train(80%) validation (20%) | YoloV4-Darknet | |
visDrone | junio_2021 | visDrone2021 | Pedestrian, People, Bicycle, Car, Van, Truck, Tricycle, Awning-tricycle, Bus , Motor, Others | train(80%) validation (20%) | YoloV4-Darknet | Falta el balance. Buscar en este trabajo |
Para probar los modelos e inferir resultados no es necesario contar con GPU, se puede ejecutar los notebooks localmente
Nombre | Notebook |
---|---|
Yolo | yolo_inference.ipynb |