如何重新執行「CocoRobo自定義訓練代碼及簡要提示.ipynb」

 
以下是有有關如何於短時間內重新執行以上程式文件的步驟。

 

重要提示:

1.      執行這訓練模型的程式文件時，請先確保上載至Google Drive的已標記相片的資料夾是正確的，如不正確的話，無論執行多少次還是會出錯的。

2.      正常來說，真正進行模型訓練時，是不容易出錯的。因為真正進行模型訓練時的訓練次數起碼3000，而準確度的數值要低於0.06，約需時20分鐘。但課堂上測試時，沒足夠時間運行20分鐘，便有機會無法匯出相應的模型文件。有時，可能老師要作多次示範，便又沒足夠訓練次數匯出相應的模型文件。

3.      測試發現，系統似乎留下先前的數據，以致容易出現混亂。因此，要先清除數據。

 

步驟1: 選擇「編輯」-->「清除所有輸出內容」。

 步驟2: 選擇「執行階段」-->「恢復原廠設定的執行階段」。

 

步驟3: 然後再重新開啟一次「CocoRobo自定義訓練代碼及簡要提示.ipynb」程式文件便成。

 

---------------------------------------------------------------------------------------------------

提示1: 如要中斷測試模型的指令執行(即是準確度的數值已低於0.06)，較方便的方法其實是按上方功能表的，「執行階段」-->「中斷執行」。

備註: 因為按指令左方的圖示很難處理。

 

提示2: 如執行以下指令時(中斷訓練後再進行測試)，出現couldn’t open file的話，那不用再繼續執行其後的指令了。重新進行訓練便可以。

 提示 3: 下表顯示了短時間內(2小時內)連續測試COLAB的運作的狀況

次數	已完成訓練次數	所需時間	準確度數值	是否成功匯出KMODEL	錯誤訊息
1	40	~30秒	7.46	不成功	No such file
2	720	~ 5分鐘	0.93	成功
3	720	~ 5分鐘	0.99	成功
4	709	~ 5分鐘	0.93	成功
5	719	~ 5分鐘	0.88	成功
6	741	~ 5分鐘	0.90	成功
7	33	~30秒	8.5	不成功
8	73	~50秒	5.09	不成功	No such file
9	321	~ 2分鐘	5.29	成功
10	521	~ 4分鐘	2.97	成功

由以上測試可推論:

1.      準確度數值少於1的話，全部都能成功的。所以建議低於這數值才中斷訓練。

2.      準確度數值大於1時，便可能不太穩定。例如5.26成功，但5.09不成功，也不清楚是否跟訓練次數太少有關。有興趣可自行測試啦。但既然低於1時，成功率是100%，而又祇需要約5分鐘，我便不再測試了。

進行自定義物件AI模型訓練參考資源

使用Google Colaboratory

 

1. 採集數據 (圖文版參考 / 視頻參考)

2. 標記數據 (圖文版參考 / 視頻參考)

3. 模型訓練

(1) 準備工作 (圖文版參考 )

(2) 如何使用Google Colab 進行模型訓練 (圖文版參考 / 視頻參考)

4. 使用模型於CocoRobo A.I. 模組內。(圖文版參考 / 視頻參考)

 

常見問題：

1. 執行colab時出現問題，如何重新開始?  (按這裡)

如何使用LabelImg標記相片以供AI訓練模型用?

 使用軟件: LabelImg (Windows版)V.

下載網站: https://tzutalin.github.io/labelImg/

V1.8

 

參考視頻: https://youtu.be/IWk1-Q-8iIk

 

[準備工作]

開始前重要步驟: 先清除LabelImg內預設的物件名稱。

 

重要提示: 如不清除的話，標記後後的txt內的數據資料會出錯的! 上載去Colab後便無法正確辨認!

 

準備工作1: 刪除predefined_classes.txt內的資料

找出Labellmg.exe所在的資料夾(這裡是下載> windows_v1.8.9 > windows_v1.8.0)，這資料夾內有個data的資料夾，內裡有一個txt文件，名predefined_classes.txt，開啟這文件，會看到以下預設的類別名稱。

把這些資料完全刪掉，然後貯存文件便成，如下圖。

 

準備工作2: 把SD卡的資料上載至電腦內，以便進行標記。

1.      SD卡的資料夾應如下圖顯示，資料夾dataset是預設用來貯存拍照後的文件的位置，把這個資料夾複製至電腦內。

2.      其實複製至任何位置皆可以的。習慣上會把這些用作訓練的相片文件統一放在一資料夾內(這裡是myproject內，當然這個資料夾的名稱可自定。)

3.      這個dataset內有10個資料夾，可刪走一些沒有文件的資料夾。

由於這例子祇拍攝2種物件，祇貯存於資料夾1及2，其他都空的。

4.      把空的資料夾刪除，如下圖。

5.      由於SD卡的資料夾名稱預設一定是dataset的，為了方便將來再拍攝及上載資料夾，建議更改這資料夾名稱，可自定的，這裡是fsstest。最後，要於這一層資料夾新增一個純文字的文件，名叫fsstest.names。前面的fsstest要跟這資料夾同名，這名稱亦是項目(project)的名稱。於這文件內填入你要標記的物件類別名稱。這裡是superman及doraemon。

 檢查一下fsstest文件夾內兩個子文件夾的內容，如下例，有5張相片。

重要提示: 實際上進行AI辨識時不應拍攝這麼少張數的，這裡僅用作學習之用。

檢查文件夾2的內容。

準備工作已完成，可以正式開始進行標記。

--------------------------------------------------------------------------------------------

正式開始進行標記相片。(建議參考以上youtube視頻，因為步驟不多，看一次便應可掌握的了) 請開啟labelImg程式。

 

步驟1: 選擇labelImg 程式。

步驟2: 開啟後，應出現以下畫面。首先把左功能下的PascalVOC改成YOLO。

如下圖所示，PascalVOC已變成YOLO。

備註: YOLO代表You only learn once，是人工智能識別物件其中一種算法。

步驟3: 選擇相片所在的文件夾，Open Dir

例如以下，相片所在的文件夾是於fsstest內，因此選取fsstest，按「選擇資料夾」。

步驟 4: 選取相關資料夾後，會顯示這資料夾(fsstest)內所有文件。可以開始進行標記了。

步驟5: 選取第一張，會出現相關的相片。正式進行標記，請選取上方功能表edit-->Create RectBox。

步驟 6: 用滑鼠拖曵出物件四邊的範圍，如下圖。然後選取把這物件標記成甚麼名稱，如是第一次的話，需要自行輸入，例如以下superman，然後按OK。提示: 第一次標記後，如發現Labellmg視窗內出現其他不相關的物件名稱，建議退出程式，然後刪除predefined_classes.txt內資料才再開啟進行標記，否則標記完後需要進行大量手動修改的步驟，非常麻煩。

步驟 7: 留意! 這是重要步驟! 不要漏掉! 按左方功能表的Save 貯存。

按Save後，會出現以下畫面，按Save 便可以。系統會貯存一個同名的txt文件於相同的資料夾內。

步驟 8: 再逐一選擇其他文件，重覆以上步驟便可以。

步驟 9: 留意，如已選取到另一物件的話，步驟仍是一樣的。

但留意，由於物件名稱不同，再輸入新的物件名稱便可以，如下圖。

步驟10: 一直重複以上動作，直至全部標記完成為止。如下圖，然後可關閉LabelImg這程式。

步驟11: 之後可於相片的資料夾查看是否正確標記及貯存。

留意，於每一個資料夾(例如1)內，除了在原來的相片文件外，也應有相同數目，與相應相片名稱相同的txt文件。txt文件內，其實祇貯存了一些座標的數據。例如，以下1_0.txt是對應1_0.jpg的，由於這資料夾名叫1，這txt文件最前的數字應是0，如下圖。

如資料夾名叫2，相應txt文件最前的數字應是1，如下圖。如此類推。如不是的話，可手動改回，但要逐一開啟所有txt文件修改。

另外，每一個資料夾內應有一個名叫classes.txt的文件的，如下圖，不用修改任何資料。

資料夾1的classes.txt文件內容如下，也不需要任何修改。

 

步驟12: 完成。可以把這個資料夾fsstest上載至Google Drive 進行下一階段的物件識別過程。

-----------------補充---------------

備註: 以下的相片並不是用CocoRobo A.I. 的相機組件拍攝，因此檔案的名稱不一樣。但一樣可以使用labellmg 進行標記的。

祇是必須先把不同類別的相片文件貯存於不同的資料夾內(要自己新增啦!)，如下圖，把doraemon 放入資料夾1，而superman 放入資料夾2。

也一樣要自行於fsstest3的資料夾內新增一個名叫fsstest3.names的文件。

重要提示: 資料夾名稱，請不要使用 _ 或 – 或大寫字母，也不要有空格。