#物体検出
AlbumentationsのMotionBlurは画像をシフトする
自然画像を対象とした物体検出モデルを学習していてData AugmentationのためにAlbumentationsを使っていたのですが、AlbumentationsのMotionBlurが画像をシフトする事に気づかず、Bounding Boxの真値とずれてハマったので本記事を書きました。
Albumentationsは画像をシフトするサンプルとして以下の画像で説明します。
Bounding
YOLO-NAS物体検出モデルのonnx、Torchscript、TensorRT処理速度評価：EC2編
1. はじめに 本記事では物体検出モデルYOLO-NASを用いて推論処理を行った際の「1フレーム処理速度」とそれから推定される「フレーム処理速度」の評価を行う。
YOLO-NASはPytorchのモデル形式であるが、本記事ではOnnx、Torchscript、TensorRTのモデルに変換して上記指標を比較して、最もフレーム処理速度の速いモデル形式を明らかにした。
2. YOLO-NASYO
【論文要約:自動運転関連】SimPB: A Single Model for 2D and 3D Object Detection from Multiple Cameras
自動運転に関連する論文の要約をしています。
論文へのリンク：https://arxiv.org/abs/2403.10353
1. タイトル
原題: SimPB: A Single Model for 2D and 3D Object Detection from Multiple Cameras
和訳: SimPB: 複数のカメラから2Dおよび3Dオブジェクト検出のための単一モデル
2.
【論文要約:自動運転関連】HeightFormer: Explicit Height Modeling without Extra Data for Camera-only 3D Object Detection in Bird’s Eye View
自動運転に関連する論文の要約をしています。
論文へのリンク：https://arxiv.org/abs/2307.13510
1. タイトル
原題: HeightFormer: Explicit Height Modeling without Extra Data for Camera-only 3D Object Detection in Bird’s Eye View
和訳: Height
Youtubeストリーミング動画をYoloV10でリアルタイム物体認識する方法
UltralyticsでYoloV10が使えるようになりましたので、Youtubeストリーミング動画をリアルタイムで物体認識するコードを紹介していきます。
Pythonライブラリをインストールします。
pip install opencv-python yt-dlp numpy ultralytics tempfile
次に、youtubeyolov10.pyという名前で以下内容をコピーしま
UltralyticsのYoloV10でリアルタイムで物体認識する
UltralyticsでYoloV10が使えるようになりましたので、紹介していきます。
YoloV10で使えるモデルは、以下となります。
今回は、Yolov10-Sをダウンロードして使ってみます。
最初に、test.pyとして次のコードを張り付けてください。
import cv2import torchfrom ultralytics import YOLO# モデルの読み込みmodel
小さな物体の検出率UPのためにSAHIを試してみた
概要物体検出モデルが見逃しやすい小さな物体の検出力向上を目的としたライブラリSAHIを試してみました。
物体検出モデルにはYOLOv8sとYOLOv8xを使用しました。
YOLOのインスタンスセグメンテーションは未対応なようです。
SAHI (Slicing Aided Hyper Inference)入力画像を分割して物体検出モデルに入力し、その結果をマージしてくれるライブラリです。
G
YOLOv8をONNXに変換して動かしてみる
前回の記事では、YOLOv8で物体検出を行う手順を紹介しました。
今回は前回からの続きで、学習したYOLOv8のモデルをONNX形式に変換し、ONNX Runtime で実行する方法について紹介します。
■ ONNXとは機械学習モデルを、異なるフレームワーク間でシームレスに移行させるための共通フォーマットです。
通常、TensorFlowのフレームワークで作成した機械学習モデルは、Tenso
YOLOv8で物体検出をしてみる
YOLOv8を使い、オリジナル画像で物体検出するまでの手順について記述します。環境構築からオリジナル画像でのアノテーション、Pythonでの学習、推論実行までの手順をまとめました。この記事通りに行えば、独自のYOLOv8推論を動かすことができるので、是非チャレンジしてみてください。
■ 事前準備ここでは Anaconda を用いて環境を構築していきます。また、Pythonのコーディングは VS
Pythonでやってみた（画像処理編2）：物体検出(YOLOv5)
１．概要 前回の記事でYOLOv3による物体検出をしてみましたがリアルタイムでの検出は環境構築が私には無理でした。
今回YOLOv5を使用したらすんなりいったので紹介します。
参考としてPCスペックは下記の通りでありGPUは「NVIDIA GeForce RTX3050 Laptop GPU」を積んでおります（おそらくGPUがないと処理速度的に動かないと思います）。
２．YOLOの比較
ZERO-SHOT-DETECTIONをDeticで実装！物体検出学習コストの大幅削減も可能に
初めまして、みずぺーといいます。
このnoteを機に初めて私を知った方のために、箇条書きで自己紹介を記述します。
年齢：28歳
出身：長崎
大学：中堅国立大学
専門：河川、河川計画、河道計画、河川環境
転職回数：1回（建設（2年9か月）→IT系年収100万up（現職3か月））
IT系の資格：R5.4基本情報技術者試験合格💮、R5.5G資格
本日はzero-shot-detectio
