manviny

Envorinment

• source yolo_env/bin/[activate|deactivate]
• conda activate anylabeling_env

Pasos para el entrenamiento y predición de imágenes

• Cargar zip en formato yolo en ./label-studio
• Descomprimir zip en carpetas ./mydata (borra las carpetas anteriores)
  • python organizar_etiquetado.py
• Crear el yaml para los ficheros cargados (zip) del paso anterior
  • python crear_yaml.py
• Entrenar el modelo
  • python train.py
• Predicciones del modelo
  • python predict.py
• Funciones auxiliares
  • python split_in_640_chunks.py # trocea imagen en partes de 640
  • python script.py # detecta objetos en imagen
  • python webcam.py # detecta objetos por camara

Índice

• Entorno
• Pasos para el Entrenamiento y Predicción
• YOLOv8
• Label Studio
• DeepSort
• Dependencias
• Uso
• Dividir Imágenes en Fragmentos
• Entrenamiento
• Predicción
• Datasets
• AutoLabel Recursos Web
• Docker en AWS
• NGROQ

Yolo8

Train Yolov8 object detection on a custom dataset

Learn Computer Vision in 30 Days

20 vision projects

• copiar proyectos a GitHub public y enlazar con aules

Label Studio

label-studio

1. colocar el zip en la carpeta label_studio y ejecutar:

• python organizar_etiquetado.py

ENVIRONMENT

• python -m venv yolo_env
• source yolo_env/bin/activate
• conda info --envs
• conda activate ---

DEPENDENCIES

• pip install ultralytics===8.3.27
• pip install six

USE

detectar imagen

• yolo predict model=yolo11n.pt source='./imagen_1.jpg'
• [python -m ultralytics yolo predict model=yolo11n.pt source='./imagen_1.jpg']

ver imagen detectada

Dividir una imagen en chunck

• divide la imagen en trozos de 640x640 apropiado para train de yolo11
• de esta forma los tamaños del test escaneado y entrenado se parecen python split.py

Entrenar

• entrena lo indicado en "./mydata/data.yaml" python train.py
• la salida se encuentra como best.pt en: runs/detect/train12

Predecir

• predice cuadrados en la imagen con el ultimo modelo entrenado en /runs/trainX/weights/best.pt python predict.py

Datasets

• RoboFlow datasets
• Coches kaggle
• Señales tráfico
• Coches vista aerea
• Cartas pocker

AutoLable Recursos Web

YOLO ML backend GitHub

Integrating Ultralytics YOLOv8 with Label Studio NGROQ

Docker on AWS

NGROQ