[02 Object Detection] - MMdetection 설치 및 기본사용법

MMDetection이란?

MMDetection은 OpenMMLab에서 개발한 오픈 소스 딥러닝 객체 탐지 라이브러리입니다. 다양한 최신 객체 탐지 알고리즘을 구현하고 있어, 연구 및 실험을 위한 최적의 환경을 제공합니다. 이 라이브러리는 COCO, VOC, ADE20K 등 다양한 데이터셋을 지원하며, 사용자 친화적인 API와 확장성이 뛰어난 구조로 되어 있습니다. MMDetection은 연구자와 개발자들이 효율적으로 딥러닝 모델을 구축하고 학습할 수 있도록 도와줍니다.

---

 

1. MMDetection 설치 과정

1) MMdection 클론하기

MMDetection을 사용하기 위해서는 먼저 라이브러리를 설치해야 합니다. 설치 과정은 다음과 같습니다.

우선, MMDetection의 소스 코드를 GitHub에서 클론해야 합니다. 터미널을 열고 다음 명령어를 입력하세요:

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection

 

2) 패키지 설치하기

이제 MMDetection 폴더 내에서 필요한 패키지를 설치합니다. 다음 명령어를 실행하세요:

pip install -v -e .

 

pip install -v -e . 명령어는 현재 디렉토리(여기서는 mmdetection 디렉토리)에 있는 패키지를 설치한 것입니다.

즉, git clone 명령어로 GitHub에서 mmdetection 프로젝트를 클론한 후, 그 디렉토리 안에 들어가서 해당 명령어를 실행했기 때문에, mmdetection 프로젝트를 설치한 것입니다.

• -e 옵션으로 인해 편집 가능한 모드로 설치되었으며, 이를 통해 mmdetection 소스 코드를 수정하면 바로 그 변경 사항이 반영됩니다.
• -v 옵션은 설치 과정을 더 자세하게 출력하도록 한 것입니다.

결론적으로, mmdetection이라는 딥러닝 객체 탐지 라이브러리를 설치한 것입니다.

 

---

 

2. MMCV 버전을 업데이트 필요

최신 버전의 MMCV를 사용하는 것은 여러 면에서 중요합니다. 최신 버전을 통해 최신 모델, 기능, 버그 수정 및 성능 향상을 활용할 수 있습니다. 또한, 지속적으로 업데이트되는 라이브러리와 API를 통해 최신 연구 결과를 쉽게 적용할 수 있습니다.

 

우선 아래 명령어로 버전을 확인해보자.

pip show mmcv

 

버전이 2.1.0 으로 확인이 된다.

그렇지만 실제 .py 파일을 만들어서 실행하면 버전이 다를 수도 있다.

 

만약 확인한 버전이 다르다면,

기존의 설치된 mmcv 를 삭제하고

내가 원하는 버전의 mmcv 를 설치 할 수 있습니다.

 

설치하는데 조금 시간이 걸릴 수도 있다.

pip uninstall mmcv
pip install mmcv==2.1.0

 

---

 

3. 원하는 학습 구성하기

딥러닝 모델을 학습시키기 위해서는 기본 설정 파일을 로드하고, 모델 정의 및 데이터 전처리 파이프라인을 설정하는 과정이 필요합니다. 이번 포스팅에서는 YOLO 모델을 위한 학습 설정을 구성하는 방법에 대해 설명하겠습니다.

 

1) 모델 선택 및 설정

먼저, 원하는 모델을 설정하는 방법을 알아보겠습니다. _base_ 부분에서 사용할 모델을 지정할 수 있습니다. 이 예시에서는 YOLO 모델을 선택하였습니다. 아래와 같은 방식으로 YOLO 모델의 기본 설정 파일을 로드합니다.

_base_ = './configs/yolo/yolov3_d53_8xb8-320-273e_coco.py'

 

mmdection/configs 파일을 보면 수 많은 모델을 볼 수 있습니다.

그 중에 내가 원하는 모델을 가지고 와서 학습을 진행 할 수 있습니다.

 

 

2) 훈련 스크립트 작성하기

YOLO 모델을 훈련시키기 위한 코드를 작성하고, 이를 별도의 Python 파일로 저장합니다.
파일 이름을 yolo_train.py로 설정합니다. 이 파일에는 앞서 설정한 모델과 데이터 파이프라인, 훈련 설정 등을 포함합니다.

# 기본 설정 파일 로드
_base_ = './configs/yolo/yolov3_d53_8xb8-320-273e_coco.py'

# 모델 정의
model = dict(
    data_preprocessor=dict(
        # 객체 탐지 사용을 위한 설정
        pad_mask=False,  # mask 사용 false
        batch_augments=None  # 배치 단위 증강 none
    )
)

# class 변경
metainfo = {
    'classes': ("General trash", "Paper", "Paper pack", "Metal", "Glass",
                "Plastic", "Styrofoam", "Plastic bag", "Battery", "Clothing"),
}

train_pipeline = [
    dict(type='LoadImageFromFile', backend_args=_base_.backend_args),  # 파일로부터 이미지를 로드
    dict(type='LoadAnnotations', with_bbox=True, with_mask=False),  # 바운딩 박스 정보를 포함한 어노테이션 로드, mask 는 false
    dict(type='PackDetInputs')  # 모델에 입력하기 위해 데이터를 포장
]

data_root = '../dataset'  # dataset root

# train data
train_dataloader = dict(
    dataset=dict(
        _delete_=True,
        metainfo=metainfo,  # 클래스 정보와 팔레트 설정
        type=_base_.dataset_type,  # 사용할 데이터셋의 유형, 기본 설정에서 정의된 dataset_type 사용
        data_root=data_root,  # dataset root
        ann_file='train.json',  # 학습에 사용할 어노테이션
        data_prefix=dict(img=data_root),  # 이미지 파일이 위치한 경로
        filter_cfg=dict(filter_empty_gt=False, min_size=32),  # 필터 설정
        pipeline=train_pipeline,  # augmentation
        backend_args=_base_.backend_args),  # 데이터 로드 방식 정의
    batch_size=2  # 배치사이즈 설정
)

# 훈련 설정 추가
train_cfg = dict(
    type='EpochBasedTrainLoop',  # 에폭 기반 훈련 루프 사용
    max_epochs=50,  # 설정할 에폭 수
)

# validation, test 없음
val_dataloader = None
val_cfg = None
val_evaluator = None
test_dataloader = None
test_cfg = None
test_evaluator = None

work_dir = './work_dirs/yolo'  # 저장할 workdir

 

 

3. 훈련 실행하기

이제 MMDetection 폴더에서 YOLO 모델 훈련을 시작할 준비가 되었습니다.
터미널을 열고, 다음 명령어를 입력하여 훈련을 시작합니다:

python tools/train.py yolo_train.py

 

위의 사진 처럼 학습이 진행 되는 것을 볼 수 있습니다.

 

이제 남은 mmdection 모델 사용법은

1. train/val 나눠서 학습 진행하는 방법

2. 학습된 파일을 tensorborad 에 적용하는 방법

3. 최신 SOTA 모델을 어떻게 검색하고 적용하는 방법

4. 내가 만든 모델을 추론하고, csv 파일로 만드는 방법

 

위의 4가지 방법도 다음 블로그에서 작성하겠습니다.

 

감사합니다.