convert2Yolo 소개

convert2Yolo는 각종 datasets들을 YOLO[You Only Look Once]저자가 만든 darknet 프레임워크가 사용하는 label format으로 변경해주는 프로젝트입니다.

본 문서에서 모든 Object Detection 구현체의 Dataloader는 convert2Yolo를 이용하므로 해당 프로젝트가 어떻게 구성되어있고 어떻게 사용하는지 숙지해야 Dataloader를 이해할 수 있습니다.

01. 사용법

convert2Yolo의 README에 사용법이 간단히 정리되어있습니다.

해당 내용을 정리해보겠습니다.

01.01) 지원하는 데이터셋

convert2Yolo는 현재 아래와 같은 데이터셋을 지원합니다.

COCO
VOC
UDACITY
KITTI

해당 데이터셋이 아닌 다른 데이터셋을 사용하려면 직접 파싱코드를 작성하는 방법, convert2Yolo에 해당 데이터셋을 파싱하는 코드를 작성, 새로운 툴을 사용하는 방법으로 이를 해결해야 합니다.

01.02) 의존성 패키지 설치

먼저 convert2Yolo는 여러 의존성 패키지 툴을 필요로합니다.

해당 코드를 클론한 다음 다음과 같은 명령어를 이용하여 의존성 패키지를 설치해줍니다.

$ mkdir convert2Yolo
$ cd convert2Yolo
$ git init
$ git remote add origin https://github.com/ssaru/convert2Yolo.git
$ git pull origin master
$ pip3 install -r requirements.txt

01.03) 파라미터

convert2Yolo는 여러가지 파라미터를 받습니다.

파라미터 종류는 아래와 같습니다.

--datasets
--img_path
--label
--convert_output_path
--img_type
--manipast_path
--cla_list_file

--datasets : 해당 파라미터는 어떤 dataset에 대해서 데이터셋 파싱을 진행할 건지에 대한 mode flag입니다. 위에서도 언급했듯이 convert2Yolo는 COCO, VOC, UDACITY, KITTI 데이터셋을 지원하므로 해당 파라미터도 COCO, VOC, UDACITY, KITTI중에 하나를 입력하면 됩니다.

$ --datasets VOC

--img_path : 데이터셋의 이미지 폴더 경로입니다. 예를 들어 데이터셋이 PASCAL VOC라고 가정했을 때, 이미지 폴더는 VOC20XX/JPEGImages에 있을 테니 다음과 같이 파라미터를 입력하면 됩니다.

$ --img_path VOC20XX/JPEGImages/

--label : 데이터셋의 레이블 폴더 경로입니다. 예를 들어 데이터셋이 PASCAL VOC라고 가정했을 때, 레이블 폴더는 VOC20XX/Annotations에 있을 테니 다음과 같이 파라미터를 입력하면 됩니다.

$ --label VOC20XX/Annotations/

어떤 데이터셋들은 레이블이 복수의 파일이 아닌 *.json, *.csv 확장자를 갖는 단일파일인 경우가 있습니다. 대표적으로 COCO, UDACITY같은 경우가 대표적인데, 이런 경우에는 --label파라미터는 다음과 같이 파일 경로를 입력해주면 됩니다.

$ --label ./UDACITY/label.csv

--convert_output_path : 변환된 레이블 파일이 저장될 폴더 경로를 의미합니다. 사용자가 원하는 폴더를 생성하거나 이미 있는 폴더를 지정해주면 됩니다.

$ --convert_output_path ./

--img_type : --img_path 폴더에 있는 이미지의 확장자가 무엇인지 명시해주는 파라미터입니다. convert2Yolo는 *.jpg, *.png파일을 지원합니다.

$ --img_type ".jpg"
or
$ --img_type ".png"

--manipast_path : darknet 프레임워크을 이용하여 학습할 경우에는 데이터셋의 이미지가 어디 있는지 이미지마다 파일 경로가 적혀있는 *.txt파일을 요구하게 됩니다. 해당 파라미터는 darknet 프레임워크를 위한 파라미터이지만, 불필요한 경우에 생략할 수 없으므로 무조건 적어주어야 합니다.

$ --minipast_path ./

--cls_list_file : 해당 파라미터 또한 darknet 프레임워크에서 필요한 파일입니다. darknet 프레임워크에서는 클래스 목록을 *.names파일을 참조하여 학습하고, 추론하게 됩니다. 해당 파일의 포맷은 링크를 참조하시기 바랍니다.

$ --cls_list_file voc.names

01.04) 예제 코드

파라미터에 대한 내용을 숙지했다면, 다음과 같은 명령어로 특정 dataset을 darknet 프레임워크에서 요구하는 레이블 포맷으로 변환할 수 있습니다.

$ python3 example.py --datasets [COCO/VOC/KITTI/UDACITY] --img_path <image_path> --label <label path or annotation file> --convert_output_path <output path> --img_type [".jpg" / ".png"] --manipast_path <output manipast file path> --cls_list_file <*.names file path>

>> python3 example.py --datasets KITTI --img_path ./example/kitti/images/ --label ./example/kitti/labels/ --convert_output_path ./ --img_type ".jpg" --manipast_path ./ --cls_list_file names.txt

02. 변환 방식

convert2Yolo의 변환방식은 기본적으로 다음과 같은 방식을 따릅니다.

데이터 Load (parsing)
dictionary형태의 공통된 label format으로 변경 (generate)
yolo format으로 변경 (generate)
저장 (save)

dictionary형태의 공통된 파일 포맷은 다음과 같습니다.

{
    "filename" :      
                {                  
                    "size" :
                                {
                                    "width" : <string>
                                    "height" : <string>
                                    "depth" : <string>
                                }

                    "objects" :
                                {
                                    "num_obj" : <int>
                                    "<index>" :
                                                {
                                                    "name" : <string>
                                                    "bndbox" :
                                                                {
                                                                    "xmin" : <float>
                                                                    "ymin" : <float>
                                                                    "xmax" : <float>
                                                                    "ymax" : <float>
                                                                }
                                                }
                                    ...


                                }
                }
...
}

filename은 확장자가 제거된 image file name입니다.
size는 image의 해상도입니다.
objects는 해당 이미지에 있는 객체 전체를 포함합니다.
num_obj는 objects의 개수입니다.
<index>는 objects에서 특정 object 일부를 표현합니다.
bndbox는 object의 box 좌표정보에 대한 정보입니다.

이러한 변환방식을 이해했다면, VOC 데이터셋을 YOLO포맷으로 바꾸는 과정에 대한 다음 코드를 통해 더 자세하게 convert2Yolo가 어떻게 작동하는지 확인해봅시다.

voc = VOC()
yolo = YOLO(os.path.abspath(config["cls_list"]))

flag, data = voc.parse(config["label"])

if flag == True:

    flag, data = yolo.generate(data)
    if flag == True:
        flag, data = yolo.save(data, config["output_path"], config["img_path"] ,
                               config["img_type"], config["manipast_path"])

        if flag == False:
            print("Saving Result : {}, msg : {}".format(flag, data))

    else:
        print("YOLO Generating Result : {}, msg : {}".format(flag, data))


else:
    print("VOC Parsing Result : {}, msg : {}".format(flag, data))

VOC객체를 생성합니다.
YOLO객체를 cls_list파일 (*.name)파일을 파라미터로 생성합니다.
voc인스턴스를 이용하여 parsing작업을 수행합니다.

(이 과정에서 parsing이 실패한다면 data값은 error message가 되며, flag는 False를 갖습니다.

(parsing이 완료된 data는 dictionary형태의 공통 포맷입니다.)
yolo 인스턴스를 이용하여 이를 yolo format으로 변경해줍니다.
yolo format으로 된 데이터를 저장합니다.

해당 내용의 사용은 3장 Common utils의 dataloader에서 사용할 예정이므로, 코드의 흐름이 맞는지 한번 직접 코드를 수정하면서 이해해보시기 바랍니다.

이 저작물은 크리에이티브 커먼즈 저작자표시-비영리-동일조건변경허락 4.0 국제 라이선스에 따라 이용할 수 있습니다.

02). Convert2Yolo 소개