[Обработка изображений] Детекция аномалий на снимках с БПЛА
Автор
Сообщение
news_bot ®
Стаж: 6 лет 9 месяцев
Сообщений: 27286
Осенью мы с друзьями участвовали в хакатоне DIGITAL SUPERHERO от организаторов хакатона ИТС и СЦ, о котором я писал в статье. Хакатон проходил с 18 по 23 сентября 2020 года. Мы выбрали задачу Распознавание аномалий (объектов и инцидентов) на фотоматериалах, полученных с беспилотных летательных аппаратов (БПЛА) в треке "Разработка алгоритмов распознавания. В рамках кейса нужно было разработать алгоритм по автоматическому выявлению аномалий на изображении и разработать веб-интерфейс для загрузки и разметки изображений. В этой статье я бы хотел рассказать о нашем решении для детекции аномалий с помощью модели YOLOv5 в виде практического туториала. Кому интересно, прошу под кат. Описание задачиЗадачу предоставила нефтяная компания Татнефть. Татнефть использует БПЛА для мониторинга районов разработки нефти. В таких районах могут возникнуть различные аномалии такие, как разлив нефти, вскрытие грунта, складирование материала, работа спец. техники. Обычно детекция таких аномалий выполняется операторами вручную, что требует много времени. Такую задачу имеет смысл автоматизировать с применением методов компьютерного зрения. Наша задача была представить такой алгоритм автоматического выявления аномалий на изображении с БПЛА.Исследование данныхК сожалению, мы не смогли найти датасет изображений с БПЛА, на котором имеются подобные аномалии. Поэтому пришлось использовать датасет, предоставленный организаторами.Нам был предоставлен довольно маленький набор данных, сотоящий из изображений размера 6000x4000, разделенных на 4 вышеупомянутых класса аномалий. Классы оказались сильно несбалансированными: например много семплов пришлось на класс складирование материала (15 изображений и до 5 объектов класса на изображении) и очень мало на класс работы спец. техники (6 изображений). Также было много изображений, не включающих ни одной аномалии (негативные семплы). Стоит отметить, что на одном изображении встречаются только аномалии одного класса, что сильно упрощает задачу.Пример изображения
Подготовка данных для обученияКак я уже упомянул нам предоставили изображения размера 6000x4000 со следующим распределением по классам: складирование материала - 15 семплов, вскрытие грунта - 8, разлив нефти - 15, работа спец. техники - 6 и 121 изображение без аномалий.Для обучения моделей детекции объектов необходимо тысячи и даже миллионы образцов. Поэтому мы решили резать все изображения на тайлы размером 600x400 с перекрытием 25% методом скользящего окна.Пример тайла
Для разметки мы использовали онлайн сервис makesense.ai. Его интерфейс очень прост и не требуется регистрации. Просто нажимаем кнопку Get started и загружаем файлы папкой через драг-н-дроп или файд аплоадер, создаем список меток и нажимаем Start project. Также можно выбрать автоматическую разметку изображений на основе искусственного интеллекта. После окончания разметки результат можно экспортировать в формате YOLO.Изначально у нас было 27K изображений (после нарезки на тайлы). Обучение модели YOLOv5 на таком большом наборе данных занимает очень много времени, поэтому мы уменьшили датасет до 10K.Затем мы применили аугментацию данных с помощью библиотеки imgaug для увеличения датасета и улучшения качества детекции. О важности аугментации данных в задаче детекции можно прочитать здесь. YOLOv5 применяет некоторые техники аугментации "из коробки" (например mosaic data augmentation). Мы в это задаче использовали поворот, горизонтальный и вертикальное отражение (flip), сдвиг по горизонтали и вертикали. Наш скрипт для аугментации данных доступен здесь. Для аугментации данных также можно использовать сервис roboflow. Примеры аугментации
Выбор моделиЗдесь мы выбрали YOLOv5, недавний релиз серии YOLO. По информации из сети YOLO рьходит по точности другие SOTA модели на датасете COCO и представляет хороший баланс между точностью и скоростью выполения. Здесьпредставлен хороший сравнительный бенчмарк различных SOTA моделей. Обучение моделиМы использовали PyTorch реализацию YOLOv5 с этогоgithub репозитория. Подробную инструкцию по обучению модели на своем датасете можно найти здесь. Для обучения лучше использовать Google Colab, поскольку он предоставляет бесплатно GPU (правда есть ограничение на 8 часов в сутки).Просто клонируем репозиторий и устанавливаем зависимости:
pip install -qr requirements.txt
Скопируем файл coco128.yaml в папке data чтобы в дальнейшем
cd data && cp coco128.yaml anomalies.yaml
и начнем его изменять под нашу задачу. Сначала зададим пути к обучающему и валидационному датасетам
train: ../dataaug/images/train/ val: ../dataaug/images/val/
Изменим число классов для обучения
# number of classes: 4
и укажем имена наших классов
# class names: ['excavation', 'service', 'spill', 'storage']
Также изменим число классов в файле models/yolov5s.yaml
nc: 4 # number of classes
И запусим обучение
python train.py --img 416 --batch 64 --epochs 20 --data ./data/anomalies.yaml --cfg ./models/yolov5s.yaml --weights ''
Здесь мы используем модель yolov5s.Модель yolov5 создает лог обучения в папке runs
cd yolov5 && ls -l runs
drwx------ 2 root root 4096 Sep 21 09:52 exp0
drwx------ 2 root root 4096 Sep 21 15:07 exp1
…
Метрики сохраняются в виде изображения results.png
Распределение меток классов в данных сохраняются в виде изображения labels.png
Примеры одного из самых ранних результатов детекции на нашем датасете с дефолтными значениями параметров обучения YOLOv5
Оптимизация производительностиДля оптимизации эффективности обучения можно тюнить размер батча, пробовать различные размеры входных изображений. Кроме того вы можете менять параметры обучения для анкоров в файле yolov5s.yaml.На этом все. Удачи в обучении YOLOv5 для детекции объектов и до новых встреч.
===========
Источник:
habr.com
===========
Похожие новости:
- [Обработка изображений, Здоровье] NEC утверждает, что разработала систему распознавания лиц, которой не мешают маски
- [Обработка изображений, Смартфоны, Софт, Фототехника] Как смартфоны обрабатывают фотографии? Разбор
- [Программирование, Обработка изображений, Геоинформационные сервисы, CGI (графика), Космонавтика] Об эффективном использовании памяти при отображении картографических данных
- [Информационная безопасность, Обработка изображений] Спасибо, что живой: как мы выбирали пассивный лайвнесс
- [Обработка изображений, Геоинформационные сервисы, Big Data, Открытые данные, Машинное обучение] Как по спутниковым снимкам понять состояние растений на поле
- [Python, Обработка изображений, Машинное обучение, Искусственный интеллект, Natural Language Processing] Первое место на AI Journey 2020 Digital Петр
- [Глобальные системы позиционирования, Обработка изображений, Геоинформационные сервисы, Машинное обучение, Научно-популярное] Исследователи установили наблюдение за слонами с помощью спутников
- [Работа с видео, Обработка изображений, Законодательство в IT, Киберпанк, Видеотехника] Американцы не хотят сотрудничать с белорусской компанией Synesis, которая помогает МВД распознавать лица протестующих
- [Алгоритмы, Обработка изображений, Машинное обучение] Эксперимент в распознавании рукописных текстов на кириллице. Часть 2
- [Обработка изображений, Машинное обучение, Учебный процесс в IT, Научно-популярное, Искусственный интеллект] Лучшее в мире видео-объяснение нейронных сетей, глубокого обучения, градиентного спуска и обратного распространения
Теги для поиска: #_obrabotka_izobrazhenij (Обработка изображений), #_detektsija (детекция), #_obrabotka_izobrazhenij (
Обработка изображений
)
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 23-Ноя 00:13
Часовой пояс: UTC + 5
| Автор | Сообщение |
|---|---|
|
news_bot ®
Стаж: 6 лет 9 месяцев |
|
|
Осенью мы с друзьями участвовали в хакатоне DIGITAL SUPERHERO от организаторов хакатона ИТС и СЦ, о котором я писал в статье. Хакатон проходил с 18 по 23 сентября 2020 года. Мы выбрали задачу Распознавание аномалий (объектов и инцидентов) на фотоматериалах, полученных с беспилотных летательных аппаратов (БПЛА) в треке "Разработка алгоритмов распознавания. В рамках кейса нужно было разработать алгоритм по автоматическому выявлению аномалий на изображении и разработать веб-интерфейс для загрузки и разметки изображений. В этой статье я бы хотел рассказать о нашем решении для детекции аномалий с помощью модели YOLOv5 в виде практического туториала. Кому интересно, прошу под кат. Описание задачиЗадачу предоставила нефтяная компания Татнефть. Татнефть использует БПЛА для мониторинга районов разработки нефти. В таких районах могут возникнуть различные аномалии такие, как разлив нефти, вскрытие грунта, складирование материала, работа спец. техники. Обычно детекция таких аномалий выполняется операторами вручную, что требует много времени. Такую задачу имеет смысл автоматизировать с применением методов компьютерного зрения. Наша задача была представить такой алгоритм автоматического выявления аномалий на изображении с БПЛА.Исследование данныхК сожалению, мы не смогли найти датасет изображений с БПЛА, на котором имеются подобные аномалии. Поэтому пришлось использовать датасет, предоставленный организаторами.Нам был предоставлен довольно маленький набор данных, сотоящий из изображений размера 6000x4000, разделенных на 4 вышеупомянутых класса аномалий. Классы оказались сильно несбалансированными: например много семплов пришлось на класс складирование материала (15 изображений и до 5 объектов класса на изображении) и очень мало на класс работы спец. техники (6 изображений). Также было много изображений, не включающих ни одной аномалии (негативные семплы). Стоит отметить, что на одном изображении встречаются только аномалии одного класса, что сильно упрощает задачу.Пример изображения  Подготовка данных для обученияКак я уже упомянул нам предоставили изображения размера 6000x4000 со следующим распределением по классам: складирование материала - 15 семплов, вскрытие грунта - 8, разлив нефти - 15, работа спец. техники - 6 и 121 изображение без аномалий.Для обучения моделей детекции объектов необходимо тысячи и даже миллионы образцов. Поэтому мы решили резать все изображения на тайлы размером 600x400 с перекрытием 25% методом скользящего окна.Пример тайла  Для разметки мы использовали онлайн сервис makesense.ai. Его интерфейс очень прост и не требуется регистрации. Просто нажимаем кнопку Get started и загружаем файлы папкой через драг-н-дроп или файд аплоадер, создаем список меток и нажимаем Start project. Также можно выбрать автоматическую разметку изображений на основе искусственного интеллекта. После окончания разметки результат можно экспортировать в формате YOLO.Изначально у нас было 27K изображений (после нарезки на тайлы). Обучение модели YOLOv5 на таком большом наборе данных занимает очень много времени, поэтому мы уменьшили датасет до 10K.Затем мы применили аугментацию данных с помощью библиотеки imgaug для увеличения датасета и улучшения качества детекции. О важности аугментации данных в задаче детекции можно прочитать здесь. YOLOv5 применяет некоторые техники аугментации "из коробки" (например mosaic data augmentation). Мы в это задаче использовали поворот, горизонтальный и вертикальное отражение (flip), сдвиг по горизонтали и вертикали. Наш скрипт для аугментации данных доступен здесь. Для аугментации данных также можно использовать сервис roboflow. Примеры аугментации   Выбор моделиЗдесь мы выбрали YOLOv5, недавний релиз серии YOLO. По информации из сети YOLO рьходит по точности другие SOTA модели на датасете COCO и представляет хороший баланс между точностью и скоростью выполения. Здесьпредставлен хороший сравнительный бенчмарк различных SOTA моделей. Обучение моделиМы использовали PyTorch реализацию YOLOv5 с этогоgithub репозитория. Подробную инструкцию по обучению модели на своем датасете можно найти здесь. Для обучения лучше использовать Google Colab, поскольку он предоставляет бесплатно GPU (правда есть ограничение на 8 часов в сутки).Просто клонируем репозиторий и устанавливаем зависимости: pip install -qr requirements.txt
cd data && cp coco128.yaml anomalies.yaml
train: ../dataaug/images/train/ val: ../dataaug/images/val/
# number of classes: 4
# class names: ['excavation', 'service', 'spill', 'storage']
nc: 4 # number of classes
python train.py --img 416 --batch 64 --epochs 20 --data ./data/anomalies.yaml --cfg ./models/yolov5s.yaml --weights ''
cd yolov5 && ls -l runs
drwx------ 2 root root 4096 Sep 21 09:52 exp0 drwx------ 2 root root 4096 Sep 21 15:07 exp1 …  Распределение меток классов в данных сохраняются в виде изображения labels.png  Примеры одного из самых ранних результатов детекции на нашем датасете с дефолтными значениями параметров обучения YOLOv5   Оптимизация производительностиДля оптимизации эффективности обучения можно тюнить размер батча, пробовать различные размеры входных изображений. Кроме того вы можете менять параметры обучения для анкоров в файле yolov5s.yaml.На этом все. Удачи в обучении YOLOv5 для детекции объектов и до новых встреч. =========== Источник: habr.com =========== Похожие новости:
Обработка изображений ) |
|
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 23-Ноя 00:13
Часовой пояс: UTC + 5