4. 物体認識をテストする

最後に、学習させた物体認識を実行してみましょう。物体認識のテストには、 AKARI内でpythonアプリを実行する方法 と web console上のJupyter Notebookを実行する方法 があります。

AKARI内のpythonでテストする

akari_yolo_inferenceをgitからcloneします。

webコンソール上からはcloneせず、Ubuntu上でのcloneを実施してください！

git clone https://github.com/AkariGroup/akari_yolo_inference.git

3. モデル変換を行うでダウンロードしたzipファイルを展開し、中のOAK-Dの認識モデル(.blob)とラベル(.json)をそれぞれ下記ディレクトリ内に移動します。

モデル(.blob): akari_yolo_inference/model/

ラベル(.json): akari_yolo_inference/json/

cd akari_yolo_inference

python3 main.py -m <モデルファイルへのパス> -c <ラベルファイルへのパス>

例) my_detection.blob をmodelの中に、 my_detection.json をjsonの中に保存してある場合

python3 main.py -m model/my_detection.blob -c json/my_detection.json

映像内の学習させた物体に枠がついて、正しいラベルが表示されたら成功です。

AKARIチュートリアルを動かしてみようの解説を参考に、webコンソール上で akari_yolo_inference_jupyter をcloneします。

アドレスは下記です。

3. モデル変換を行うでダウンロードしたzipファイルを展開しておきます。
AKARIチュートリアルを動かしてみようを参考に、先程cloneした`akari_yolo_inference_jupyter`をJupyter Lab上で開きます。
開いたら、ページ左のFile Browserを開き、 model というディレクトリを開きます。File Browser上部の「Upload Files」ボタンを押し、先程展開したzipファイル内のOAK-Dの認識モデル(.blob)をアップロードします。
3.と同様に、File Browseから、 json というディレクトリを開き、「Upload Files」から、先程展開したzipファイル内のOAK-Dのラベルファイル(.json)をアップロードします。

akari_yolo_inference_jupyter の親ディレクトリに戻って main.ipynb をクリックして表示します。
main.ipynb内のコードの17行目の MODEL_PATH を先程アップロードした認識モデルのパス、18行目の CONFIG_PATH をアップロードしたラベルファイルのパスに書き換えます。

例) my_detection.blob をmodelの中に、 my_detection.json をjsonの中に保存してある場合

# ここのパスにmodel(.blob),config(.json)のパスを記載
MODEL_PATH = 'model/my_detection.blob'
CONFIG_PATH = 'json/my_detection.json'

コードを実行します。Notebook上にカメラ出力のウインドウが表示されるので、学習させた物体を映してみて、正しく認識されるかをチェックします。映像内の学習させた物体に枠がついて、正しいラベルが表示されたら成功です。

物体認識のデータセット作成から学習、動作までのチュートリアルは以上となります。

うまく行かなかった場合は、データセットの画像の枚数やパターンを増やしてみるなど、色々試してみましょう。