Le but de ce dépôt git est d'illustrer la méthode de détection d'objets YOLOv3 pré-entrainée avec le jeu de données coco qui contient 330K images et 80 classes d'objets ,en reprenant le code source de HEARTKILLA sur Kaggle.
Pour reproduire le travail presenté dans ce dépôt git, on propose de suivre le mini-guide ci-dessous:
NB:L'installation de anaconda et pip est suppposée déjà faite.
créer un envirenement de travail à l'aide de la commande:
conda create --name yolov3
-
Installation des packages python nécessaires pour tourner le script
yolov3_script.pyavec les commandes:- 1-
conda activate yolov3 - 2-
pip install -r Requirements.txt
- 1-
-
Installation du client GIT LFS pour pouvoir cloner les fichiers lourds:
Clonner le dépot git via la commande:
git lfs clone git@github.com:oualidlamrini/YOLOv3_coco_dataset.git
coco.names: contient les 80 classes d'objets du jeu de données coco .dog.jpgetoffice.jpg:representent les images sur lesquelles on applique la méthode yolov3 .futur.ttf: font de police avec lequel on affiche la classe de l'objet détecté.yolov3.weights: contient les estimations des paramettres d'apprentisssage.yolov3_source.py: contient les fonctions sources.yolov3_script.py: le script codant la détection d'objets.
Afin d'executer le script yolov3_script.py,il suffit d'ouvrir le dossier YOLOv3_coco_dataset via vscode, puis executer les deux cellules du script tout en s'assurant de travailler dans l'envirenement yolov3.
NB:On paurrait juste tapper la commande python yolov3_script.py,pourtant on a rencontré des erreurs de compatibilité de versions du package tensorflow qui empêche l'execution normale du script.
Pour supprimer l'envirenement et tous les packages y installés tappez:
- 1-
conda deactivate yolov3 - 2-
conda remove -n yolov3 --all
Puis vérifiez la suppression avec la commande:
- 3-
conda env list