YOLOv8을 사용한 오브젝트 감지 코드

네, YOLOv5를 사용하여 볼트를 감지하고 개수를 세는 프로그램을 만들 수 있습니다. YOLOv5는 실시간 객체 감지에 매우 효과적인 딥러닝 모델입니다. 다음은 YOLOv5와 웹캠을 이용한 실시간 볼트 감지 프로그램의 예시 코드입니다:

import cv2
import torch
from models.experimental import attempt_load
from utils.general import non_max_suppression, scale_coords
from utils.torch_utils import select_device
from utils.augmentations import letterbox
import numpy as np

def load_model():
    device = select_device('')
    model = attempt_load('yolov5s.pt', map_location=device)
    return model, device

def detect_bolts(frame, model, device):
    img = letterbox(frame, 640, stride=32)[0]
    img = img.transpose((2, 0, 1))[::-1]  # HWC to CHW, BGR to RGB
    img = np.ascontiguousarray(img)
    img = torch.from_numpy(img).to(device)
    img = img.float()
    img /= 255.0
    if img.ndimension() == 3:
        img = img.unsqueeze(0)

    pred = model(img, augment=False)[0]
    pred = non_max_suppression(pred, 0.25, 0.45, classes=[0], agnostic=False)  # 클래스 0은 볼트로 가정

    bolts = []
    for i, det in enumerate(pred):
        if len(det):
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], frame.shape).round()
            for *xyxy, conf, cls in reversed(det):
                bolts.append((int(xyxy[0]), int(xyxy[1]), int(xyxy[2]), int(xyxy[3])))

    return bolts

def count_bolts_realtime():
    model, device = load_model()
    cap = cv2.VideoCapture(0)

    while True:
        ret, frame = cap.read()
        if not ret:
            break

        bolts = detect_bolts(frame, model, device)

        for (x1, y1, x2, y2) in bolts:
            cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)

        cv2.putText(frame, f"Bolts: {len(bolts)}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

        cv2.imshow('Bolt Counter', frame)

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    cap.release()
    cv2.destroyAllWindows()

count_bolts_realtime()

이 코드를 사용하기 위해서는 다음 사항들을 준비해야 합니다:

YOLOv5 설치: pip install yolov5
YOLOv5 모델 파일: 'yolov5s.pt' 또는 볼트 감지에 특화된 사용자 정의 모델
필요한 라이브러리: PyTorch, OpenCV, NumPy

주의사항:

이 코드는 YOLOv5의 기본 모델을 사용합니다. 볼트 감지에 특화된 모델을 훈련시키면 더 좋은 결과를 얻을 수 있습니다.
classes=[0]는 YOLOv5의 기본 클래스 중 첫 번째 클래스(보통 'person')를 감지합니다. 볼트 감지를 위해서는 이 부분을 적절히 수정해야 합니다.
성능은 사용하는 하드웨어에 따라 다를 수 있습니다. GPU 사용을 권장합니다.

YOLOv5를 사용한 볼트 감지의 장점:

높은 정확도: 딥러닝 기반 모델로 더 정확한 감지가 가능합니다.
빠른 처리 속도: 실시간 처리에 적합합니다.
다양한 조건에서의 robust한 성능: 조명, 각도 등 다양한 조건에서도 잘 작동합니다.

이 코드를 실행하기 전에 볼트 데이터셋으로 YOLOv5 모델을 fine-tuning하는 것이 좋습니다.

YOLO는 지속적으로 발전해왔으며, 각 버전마다 성능과 특징이 다릅니다. 주요 버전들을 소개해드리겠습니다:

YOLOv3:
- 더 빠르고 정확한 버전으로, 다양한 크기의 객체 감지에 효과적입니다.
- Darknet-53 백본 네트워크를 사용합니다.
YOLOv4:
- YOLOv3보다 더 빠르고 정확합니다.
- CSPDarknet53 백본을 사용하며, 다양한 데이터 증강 기법을 적용했습니다.
YOLOv5:
- PyTorch로 구현되어 사용이 편리합니다.
- 다양한 모델 크기(s, m, l, x)를 제공합니다.
YOLOv6:
- 매우 빠른 추론 속도를 자랑합니다.
- 모바일 디바이스에서도 효율적으로 동작합니다.
YOLOv7:
- 고성능 객체 감지 모델로, 정확도와 속도 면에서 우수합니다.
- 다양한 작업(객체 감지, 인스턴스 분할 등)에 적용 가능합니다.
YOLOv8:
- Ultralytics에서 개발한 최신 버전입니다.
- 객체 감지뿐만 아니라 분할, 포즈 추정 등 다양한 작업을 수행할 수 있습니다.

각 버전은 고유한 특징과 장단점이 있습니다. 예를 들어, YOLOv8을 사용한 볼트 감지 코드는 다음과 같습니다:

from ultralytics import YOLO
import cv2

def count_bolts_realtime():
    # YOLOv8 모델 로드
    model = YOLO('yolov8n.pt')  # 또는 볼트 감지용으로 fine-tuning된 모델

    # 웹캠 설정
    cap = cv2.VideoCapture(0)

    while True:
        ret, frame = cap.read()
        if not ret:
            break

        # 객체 감지 수행
        results = model(frame)

        # 감지된 객체 표시 및 개수 세기
        bolt_count = 0
        for r in results:
            boxes = r.boxes
            for box in boxes:
                # 클래스 ID가 볼트에 해당하는 경우에만 처리
                if box.cls == 0:  # 0은 볼트 클래스 ID로 가정
                    bolt_count += 1
                    x1, y1, x2, y2 = box.xyxy[0]
                    cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)

        # 볼트 개수 표시
        cv2.putText(frame, f"Bolts: {bolt_count}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

        # 결과 프레임 표시
        cv2.imshow('Bolt Counter', frame)

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    cap.release()
    cv2.destroyAllWindows()

count_bolts_realtime()

이 코드를 사용하려면 pip install ultralytics 명령으로 YOLOv8을 설치해야 합니다.

어떤 버전을 선택할지는 프로젝트의 요구사항(정확도, 속도, 리소스 제약 등)에 따라 다릅니다. 볼트 감지 작업에 가장 적합한 버전을 선택하려면, 각 버전으로 테스트를 해보고 성능을 비교해보는 것이 좋습니다.

[ WARN:0@10.173] global cap_msmf.cpp:471 anonymous-namespace'::SourceReaderCB::OnReadSample videoio(MSMF): OnReadSample() is called with error status: -2147023170
[ WARN:0@10.219] global cap_msmf.cpp:483 anonymous-namespace'::SourceReaderCB::OnReadSample videoio(MSMF): async ReadSample() call is failed with error status: -2147023170
[ WARN:1@10.234] global cap_msmf.cpp:1759 CvCapture_MSMF::grabFrame videoio(MSMF): can't grab frame. Error: -2147023170

이 오류 메시지들은 Microsoft Media Foundation (MSMF)를 사용하는 OpenCV의 비디오 캡처 기능에서 발생한 것입니다. 이는 주로 웹캠이나 카메라 장치와의 통신 문제로 인해 발생합니다. 이 문제를 해결하기 위해 다음 방법들을 시도해 볼 수 있습니다:

카메라 연결 확인:
- 웹캠이 제대로 연결되어 있는지 확인하세요.
- 다른 USB 포트에 연결해 보세요.
카메라 드라이버 업데이트:
- 최신 카메라 드라이버를 설치하세요.
다른 카메라 인덱스 시도:
- cv2.VideoCapture(0) 대신 cv2.VideoCapture(1) 또는 다른 인덱스를 사용해 보세요.
DirectShow 백엔드 사용:
- MSMF 대신 DirectShow를 사용해 보세요. 코드를 다음과 같이 수정하세요:
  
  cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)
카메라 해상도 설정:
- 특정 해상도를 명시적으로 설정해 보세요:
  
  cap = cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
다른 카메라 사용:
- 가능하다면 다른 웹캠으로 테스트해 보세요.
OpenCV 재설치:
- OpenCV를 재설치하거나 다른 버전을 시도해 보세요.
시스템 재부팅:
- 간단하지만 때때로 효과적인 방법입니다.
에러 처리 추가:
- 코드에 에러 처리를 추가하여 문제를 더 자세히 파악할 수 있습니다:
  
  python
  
  Copy
  
  cap = cv2.VideoCapture(0) if not cap.isOpened(): print("카메라를 열 수 없습니다.") exit()
다른 비디오 캡처 라이브러리 사용:
- 예를 들어, pyv4l2나 libuvc 같은 라이브러리를 시도해 볼 수 있습니다.

* 해결방안: 아래 내용 수정

# 웹캠 설정
cap = cv2.VideoCapture(0) ======> cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)

from ultralytics import YOLO
import cv2

def count_bolts_realtime():
    # YOLOv8 모델 로드
    model = YOLO('yolov8n.pt')  # 또는 볼트 감지용으로 fine-tuning된 모델

    # 웹캠 설정
    cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)

    while True:
        ret, frame = cap.read()
        if not ret:
            break

        # 객체 감지 수행
        results = model(frame)

        # 감지된 객체 표시 및 개수 세기
        bolt_count = 0
        for r in results:
            boxes = r.boxes
            for box in boxes:
                # 클래스 ID가 볼트에 해당하는 경우에만 처리
                if box.cls == 0:  # 0은 볼트 클래스 ID로 가정
                    bolt_count += 1
                    x1, y1, x2, y2 = box.xyxy[0]
                    cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)

        # 볼트 개수 표시
        cv2.putText(frame, f"Bolts: {bolt_count}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

        # 결과 프레임 표시
        cv2.imshow('Bolt Counter', frame)

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    cap.release()
    cv2.destroyAllWindows()

count_bolts_realtime()

VSCODE Terminal

20240722_yolov8.py
Traceback (most recent call last):
  File "e:\vscode_workspace\20240722_yolov8.py", line 1, in <module>
    from ultralytics import YOLO
ModuleNotFoundError: No module named 'ultralytics'

(base) E:\vscode_workspace>pip install ultralytics
Collecting ultralytics
  Downloading ultralytics-8.2.62-py3-none-any.whl.metadata (41 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 41.2/41.2 kB 197.3 kB/s eta 0:00:00
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 825.2/825.2 kB 5.2 MB/s eta 0:00:00
Downloading ultralytics_thop-2.0.0-py3-none-any.whl (25 kB)
Downloading py_cpuinfo-9.0.0-py3-none-any.whl (22 kB)
Installing collected packages: py-cpuinfo, ultralytics-thop, ultralytics
Successfully installed py-cpuinfo-9.0.0 ultralytics-8.2.62 ultralytics-thop-2.0.0

[notice] A new release of pip is available: 24.0 -> 24.1.2
[notice] To update, run: python.exe -m pip install --upgrade pip

python.exe e:/vscode_workspace/20240722_yolov8.py
Downloading https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt to 'yolov8n.pt'...
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 6.25M/6.25M [00:00<00:00, 12.1MB/s]
[ERROR:0@44.436] global obsensor_uvc_stream_channel.cpp:156 cv::obsensor::getStreamChannelGroup Camera index out of range

python.exe e:/vscode_workspace/20240722_yolov8.py
[ERROR:0@3.470] global obsensor_uvc_stream_channel.cpp:156 cv::obsensor::getStreamChannelGroup Camera index out of range

python.exe e:/vscode_workspace/20240722_yolov8.py
[ WARN:0@10.173] global cap_msmf.cpp:471 `anonymous-namespace'::SourceReaderCB::OnReadSample videoio(MSMF): OnReadSample() is called with error status: -2147023170
[ WARN:0@10.219] global cap_msmf.cpp:483 `anonymous-namespace'::SourceReaderCB::OnReadSample videoio(MSMF): async ReadSample() call is failed with error status: -2147023170
[ WARN:1@10.234] global cap_msmf.cpp:1759 CvCapture_MSMF::grabFrame videoio(MSMF): can't grab frame. Error: -2147023170

python.exe e:/vscode_workspace/20240722_yolov8.py
[ERROR:0@3.429] global obsensor_uvc_stream_channel.cpp:156 cv::obsensor::getStreamChannelGroup Camera index out of range
python.exe e:/vscode_workspace/20240722_yolov8.py

0: 480x640 (no detections), 592.0ms
Speed: 87.2ms preprocess, 592.0ms inference, 46.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 laptop, 150.4ms
Speed: 37.1ms preprocess, 150.4ms inference, 58.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 148.0ms
Speed: 3.0ms preprocess, 148.0ms inference, 3.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 140.0ms
Speed: 2.0ms preprocess, 140.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 143.0ms
Speed: 2.0ms preprocess, 143.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 142.0ms
Speed: 2.0ms preprocess, 142.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 140.0ms
Speed: 3.0ms preprocess, 140.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 143.0ms
Speed: 2.0ms preprocess, 143.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 141.0ms
Speed: 2.0ms preprocess, 141.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 143.0ms
Speed: 3.0ms preprocess, 143.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 139.0ms
Speed: 2.0ms preprocess, 139.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 143.0ms
Speed: 2.0ms preprocess, 143.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 140.0ms
Speed: 2.0ms preprocess, 140.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 142.0ms
Speed: 2.0ms preprocess, 142.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 person, 1 remote, 158.4ms
Speed: 2.0ms preprocess, 158.4ms inference, 2.5ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 165.7ms
Speed: 2.5ms preprocess, 165.7ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 145.0ms
Speed: 2.0ms preprocess, 145.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 314.0ms
Speed: 1.0ms preprocess, 314.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 163.0ms
Speed: 3.0ms preprocess, 163.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 155.0ms
Speed: 3.0ms preprocess, 155.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 162.0ms
Speed: 2.0ms preprocess, 162.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 210.0ms
Speed: 3.0ms preprocess, 210.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 146.0ms
Speed: 2.0ms preprocess, 146.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 2 remotes, 145.0ms
Speed: 2.0ms preprocess, 145.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 149.0ms
Speed: 4.0ms preprocess, 149.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 1 keyboard, 150.0ms
Speed: 2.0ms preprocess, 150.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 176.5ms
Speed: 2.0ms preprocess, 176.5ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 167.0ms
Speed: 4.8ms preprocess, 167.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 150.0ms
Speed: 2.0ms preprocess, 150.0ms inference, 3.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 159.0ms
Speed: 2.0ms preprocess, 159.0ms inference, 5.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 167.0ms
Speed: 2.0ms preprocess, 167.0ms inference, 3.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 1 remote, 156.0ms
Speed: 2.0ms preprocess, 156.0ms inference, 2.0ms postprocess per image at shape (1, 3, 480, 640)

0: 480x640 (no detections), 163.0ms
Speed: 3.0ms preprocess, 163.0ms inference, 1.0ms postprocess per image at shape (1, 3, 480, 640)

저작자표시 비영리 변경금지

'인공지능' 카테고리의 다른 글

Feature Extraction and Performance Comparison for ANN-based Speaker Identification Systems (0)	2024.11.13
Ollama Local LLM 실행 (0)	2024.11.13
젯슨 나노(Jetson Nano)를 이용하여 센서(카메라)를 통해 물체의 수량을 카운트하는 방법 (0)	2024.07.19
Machine Learning 참고 사이트 (0)	2024.01.04
Anomaly Detection (0)	2023.03.17

AI 3D Printing

YOLOv8을 사용한 오브젝트 감지 코드 - Claude.ai

'인공지능' 카테고리의 다른 글

댓글

티스토리툴바

« 2024/12 »
일	월	화	수	목	금	토
1	2	3	4	5	6	7
8	9	10	11	12	13	14
15	16	17	18	19	20	21
22	23	24	25	26	27	28
29	30	31

YOLOv8을 사용한 오브젝트 감지 코드 - Claude.ai

'인공지능' 카테고리의 다른 글

관련글

댓글

티스토리툴바