SY32_TD2_Groupe_D

Projet de vision par ordinateur

Installation de l'environnement

Pour installer l'environnement conda nécessaire pour exécuter les codes de ce projet, veuillez suivre les étapes suivantes :

1. Téléchargez et installez Anaconda ou Miniconda si ce n'est pas déjà fait.
2. Créez un nouvel environnement conda en utilisant le fichier environment.yml fourni dans ce dépôt :

conda env create -f environment.yml

1. Activez l'environnement nouvellement créé :

conda activate utc-sy32

1. (Facultatif) Si vous souhaitez utiliser un noyau Jupyter spécifique à cet environnement, installez ipykernel :

conda install -c anaconda ipykernel

Puis enregistrez le noyau :

python -m ipykernel install --user --name=utc-sy32

Vous êtes maintenant prêt à exécuter les codes de ce projet dans l'environnement utc-sy32.

Machine Learning

Pour pouvoir prédire sur de nouvelles données et que vous n'avez pas encore le modèle enregistrer veuillez suivre ces étapes :

1. Lancer le script transform_dataset.pyprésent dans le dossier utils afin d'obtenir le dossier full_datset contenant toutes les classes de panneaux
2. Executer l'entiereté des fichiers .ipynb du dossier machine_learning
3. Eventuellement changer le nom et le chemin du dossier à prédire

Sinon vous pouvez n'executer que le début permettant de récupérer les variables et les fonctions utiles puis lancer la prédiction

Deep Learning

Final implementation

Contient les codes de l'implémentation finale de notre modèle de détection en deep learning.

Pour lancer la détection sur les images de test. Faire cette commande depuis le repertoire racine du projet :

python ./deep_learning/final_implemenation/run_on_test.py

Réentrainement :
Pour lancer l'entrainement de U-net

python ./deep_learning/final_implemenation/train_segmentation_model.py

Pour lancer l'entrainement du classifieur

python ./deep_learning/final_implemenation/train_classification_model.py

Les poids de ces réseaux vont s'enregistrer dans le repertoire checkpoints
La définition des modèles est dans le repertoire models

YOLO implementation

Code de la tentative d'implémentation de YOLO (demande puissance de calcul trop importante -> Kaggle)

YOLO fine tuning

Code du fine tuning

Dans le fichier run.ipynb, saisir le chemin d'une image et visualiser la détection réalisé de YOLO sur celle ci.

Réentrainement :
Transformer le dataset au format accepté par YOLO via le notebook creation_dataset.ipynb
Réentrainer le modele sur ce dataset avec train_yolo.ipynb

Auteurs

• Martin C.
• Sacha S.