YOLOv8 を使用したライブオブジェクト検出と画像セグメンテーション

概要

コンピュータービジョンでは、ライブオブジェクト検出のためのさまざまな技術が存在します。 R-CNN、 SSD, YOLO。各手法には制限と利点があります。 Faster R-CNN は精度では優れているかもしれませんが、リアルタイムシナリオではそれほどパフォーマンスが良くない可能性があり、 YOLO アルゴリズム。

オブジェクト検出はコンピュータービジョンの基礎であり、マシンがフレームまたは画面内のオブジェクトを識別して位置を特定できるようになります。長年にわたり、さまざまな物体検出アルゴリズムが開発されてきましたが、YOLO は最も成功したアルゴリズムの 8 つとして浮上しています。最近、YOLOvXNUMX が導入され、アルゴリズムの機能がさらに強化されました。

この包括的なガイドでは、Faster R-CNN、SSD (Single Shot MultiBox Detector)、YOLOv8 という XNUMX つの著名な物体検出アルゴリズムについて説明します。仮想環境のセットアップや Streamlit アプリケーションの開発など、これらのアルゴリズムの実装の実践的な側面について説明します。

学習目標

Faster R-CNN、SSD、YOLO を理解し、それらの違いを分析します。
OpenCV、Supervision、YOLOv8 を使用したライブオブジェクト検出システムの実装に関する実践的な経験を積みます。
Roboflow アノテーションを使用した画像セグメンテーションモデルを理解します。
簡単なユーザーインターフェイスを実現する Streamlit アプリケーションを作成します。

YOLOv8 で画像セグメンテーションを行う方法を見てみましょう。

より高速なR-CNN

Faster R-CNN (Faster Regional-based Convolutional Neural Network) は、深層学習ベースの物体検出アルゴリズムです。これは R-CNN および Fast R-CNN フレームワークを使用して評価され、Fast R-CNN の拡張と考えることができます。

このアルゴリズムでは、領域提案ネットワーク (RPN) を導入して領域提案を生成し、R-CNN で使用される選択的検索を置き換えます。 RPN は畳み込み層を検出ネットワークと共有するため、効率的なエンドツーエンドのトレーニングが可能になります。

生成された領域提案は、バウンディングボックスの改良とオブジェクトの分類のために Fast R-CNN ネットワークに供給されます。

上の図は Faster R-CNN ファミリを包括的に示しており、各アルゴリズムを評価するのに理解しやすいものです。

シングルショットマルチボックス検出器(SSD)

　シングルショットマルチボックス検出器 (SSD)) はオブジェクト検出で一般的であり、主にコンピュータービジョンタスクで使用されます。以前の手法である Faster R-CNN では、2016 つのステップに従いました。最初のステップには検出部分が含まれ、XNUMX 番目のステップには回帰が含まれます。ただし、SSD では、検出ステップは XNUMX つだけ実行されます。 SSD は、高速かつ正確な物体検出モデルのニーズに応えるために XNUMX 年に導入されました。

SSD には、Faster R-CNN などの以前の物体検出方法に比べて、いくつかの利点があります。

効率: SSD は単一段階の検出器です。つまり、別の提案生成ステップを必要とせずに、境界ボックスとクラススコアを直接予測します。これにより、Faster R-CNN のような 2 段階の検出器と比較して高速になります。
エンドツーエンドのトレーニング: SSD はエンドツーエンドでトレーニングでき、ベースネットワークと検出ヘッドの両方を共同で最適化するため、トレーニングプロセスが簡素化されます。
マルチスケールの特徴融合: SSD は複数のスケールの特徴マップ上で動作し、さまざまなサイズのオブジェクトをより効果的に検出できます。

SSD は速度と精度のバランスが取れており、パフォーマンスと効率の両方が重要なリアルタイムアプリケーションに適しています。

一度だけ見る(YOLOv8)

2015 年、You Only Look Once (YOLO) は、Joseph Redmon、Santosh Divvala、Ross Girshick、Ali Farhadi による研究論文で物体検出アルゴリズムとして紹介されました。 YOLO は、入力として完全な画像を使用して境界ボックスとクラス確率を予測するニューラルネットワークを XNUMX つだけ持たせることにより、単一パスでオブジェクトを直接分類するシングルショットアルゴリズムです。

ここで、精度と速度が向上したリアルタイムの物体検出における最先端の進歩としての YOLOv8 を理解しましょう。 YOLOv8 を使用すると、COCO (Common Objects in Context) などの膨大なデータセットですでにトレーニングされた事前トレーニング済みモデルを活用できます。画像セグメンテーションは各オブジェクトに関するピクセルレベルの情報を提供し、画像コンテンツのより詳細な分析と理解を可能にします。

画像のセグメンテーションは計算コストがかかる場合がありますが、YOLOv8 はこの方法をニューラルネットワークアーキテクチャに統合し、効率的かつ正確なオブジェクトのセグメンテーションを可能にします。

YOLOv8 の動作原理

YOLOv8 この機能は、まず入力画像をグリッドセルに分割することによって機能します。 YOLOv8 は、これらのグリッドセルを使用して、クラスの確率で境界ボックス (bbox) を予測します。

その後、YOLOv8 は NMS アルゴリズムを採用して重複を削減します。たとえば、画像内に複数の車が存在し、その結果境界ボックスが重なり合う場合、NMS アルゴリズムはこの重なりを軽減するのに役立ちます。

Yolo V8 のバリアント間の違い: YOLOv8 には、YOLOv8、YOLOv8-L、YOLOv8-X の 8 つのバリアントがあります。バリアント間の主な違いは、バックボーンネットワークのサイズです。 YOLOv8 のバックボーンネットワークは最小ですが、YOLOvXNUMX-X のバックボーンネットワークは最大です。

差異より高速な R-CNN、SSD、YOLO 間

側面	より高速なR-CNN	SSD	YOLO
アーキテクチャ	RPN と Fast R-CNN を備えた 2 段階検出器	単段検出器	単段検出器
地域提案	有り	いいえ	いいえ
検出速度	SSDやYOLOと比べて遅い	Faster R-CNN と比較して高速、YOLO より低速	非常に高速
正確さ	一般に精度が高くなります	バランスの取れた精度と速度	適切な精度 (特にリアルタイムアプリケーションの場合)
柔軟性	柔軟性があり、さまざまなオブジェクトのサイズとアスペクト比を処理できます	複数のスケールのオブジェクトを処理できる	小さなオブジェクトの正確な位置特定に苦労する可能性がある
統合された検出	いいえ	いいえ	有り
速度と精度のトレードオフ	一般に精度のために速度を犠牲にする	スピードと正確性のバランスをとる	十分な精度を維持しながら速度を優先

セグメンテーションとは何ですか？

ご存知のとおり、セグメンテーションとは、特定の特性に基づいて大きな画像を小さなグループに分割することを意味します。画像を複数の異なるセグメントまたは領域に分割するために使用されるコンピュータービジョン技術である画像セグメンテーションについて理解しましょう。画像はピクセルで構成されているため、画像セグメンテーションでは、色、強度、テクスチャ、またはその他の視覚的特性の類似性に基づいてピクセルがグループ化されます。

たとえば、画像に木、車、人物が含まれている場合、画像のセグメンテーションにより、意味のあるオブジェクトや画像の一部を表すさまざまなクラスに画像が分割されます。画像セグメンテーションは、医療画像、衛星画像分析、コンピュータビジョンでの物体認識などのさまざまな分野で広く使用されています。

セグメンテーションの部分では、最初に Robflow を使用して最初の YOLOv8 セグメンテーションモデルを作成します。次に、セグメンテーションモデルをインポートして、セグメンテーションタスクを実行します。疑問が生じます。タスクは検出アルゴリズムだけで完了できるのに、なぜセグメンテーションモデルを作成するのでしょうか?

セグメンテーションにより、クラスの全身画像を取得できます。検出アルゴリズムはオブジェクトの存在を検出することに重点を置いていますが、セグメンテーションはオブジェクトの正確な境界を描写することにより、より正確な理解を提供します。これにより、画像内に存在するオブジェクトのより正確な位置特定と理解が可能になります。

ただし、セグメンテーションでは、アノテーションの分離やモデルの作成などの追加の手順が必要となるため、通常、検出アルゴリズムに比べて時間の複雑さが高くなります。この欠点にもかかわらず、セグメンテーションによる精度の向上は、オブジェクトの正確な描写が重要なタスクでは計算コストを上回る可能性があります。

YOLOv8 を使用した段階的なライブ検出と画像セグメンテーション

この概念では、conda を使用して仮想環境を作成し、venv をアクティブ化し、pip を使用して要件パッケージをインストールする手順を検討します。まず通常の Python スクリプトを作成してから、streamlit アプリケーションを作成します。

ステップ 1: Conda を使用して仮想環境を作成する

conda create -p ./venv python=3.8 -y

ステップ 2: 仮想環境をアクティブ化する

conda activate ./venv

ステップ3:requirements.txtを作成する

ターミナルを開き、以下のスクリプトを貼り付けます。

touch requirements.txt

ステップ 4: Nano コマンドを使用して、requirements.txt を編集します。

requirements.txtを作成した後、requirements.txtを編集するための次のコマンドを記述します。

nano requirements.txt

上記のスクリプトを実行すると、この UI が表示されます。

彼女に必要なパッケージを作成します。

ultralytics==8.0.32
supervision==0.2.1
streamlit

次に、 「ctrl+o」(このコマンドは編集部分を保存します) を押します。 "入る"

「Ctrl+x」。 ファイルを終了できます。そしてメインの道へ。

ステップ5:requirements.txtのインストール

pip install -r requirements.txt

ステップ6: Python スクリプトを作成する

ターミナルで次のスクリプトを書きます。またはコマンドとも言えます。

touch main.py

main.pyを作成した後、ターミナルでコマンド書き込みを使用してvsコードを開きます。

code

ステップ 7: Python スクリプトの作成

import cv2
from ultralytics import YOLO
import supervision as sv

# Define the frame width and height for video capture
frame_width = 1280
frame_height = 720

def main():
    # Initialize video capture from default camera
    cap = cv2.VideoCapture(0)
    cap.set(cv2.CAP_PROP_FRAME_WIDTH, frame_width)
    cap.set(cv2.CAP_PROP_FRAME_HEIGHT, frame_height)

    # Load YOLOv8 model
    model = YOLO("yolov8l.pt")

    # Initialize box annotator for visualization
    box_annotator = sv.BoxAnnotator(
        thickness=2,
        text_thickness=2,
        text_scale=1
    )

    # Main loop for video processing
    while True:
        # Read frame from video capture
        ret, frame = cap.read()

        # Perform object detection using YOLOv8
        result = model(frame, agnostic_nms=True)[0]
        detections = sv.Detections.from_yolov8(result)

        # Prepare labels for detected objects
        labels = [
            f"{model.model.names[class_id]} {confidence:0.2f}"
            for _, confidence, class_id, _
            in detections
        ]

        # Annotate frame with bounding boxes and labels
        frame = box_annotator.annotate(
            scene=frame,
            detections=detections,
            labels=labels
        )

        # Display annotated frame
        cv2.imshow("yolov8", frame)

        # Check for quit key
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    # Release video capture
    cap.release()
    cv2.destroyAllWindows()

if __name__ == "__main__":
    main()

このコマンドを実行すると、カメラが開いてあなたの一部を検出していることがわかります。性別や背景の部分など。

ステップ7: ストリームリットアプリを作成する

import cv2
import streamlit as st
from ultralytics import YOLO
import supervision as sv

# Define the frame width and height for video capture
frame_width = 1280
frame_height = 720

def main():
    # Set page title and header
    st.title("Live Object Detection with YOLOv8")

    # Button to start the camera
    start_camera = st.button("Start Camera")

    if start_camera:
        # Initialize video capture from default camera
        cap = cv2.VideoCapture(0)
        cap.set(cv2.CAP_PROP_FRAME_WIDTH, frame_width)
        cap.set(cv2.CAP_PROP_FRAME_HEIGHT, frame_height)

        # Load YOLOv8 model
        model = YOLO("yolov8l.pt")

        # Initialize box annotator for visualization
        box_annotator = sv.BoxAnnotator(
            thickness=2,
            text_thickness=2,
            text_scale=1
        )

        # Main loop for video processing
        while True:
            # Read frame from video capture
            ret, frame = cap.read()

            # Perform object detection using YOLOv8
            result = model(frame, agnostic_nms=True)[0]
            detections = sv.Detections.from_yolov8(result)

            # Prepare labels for detected objects
            labels = [
                f"{model.model.names[class_id]} {confidence:0.2f}"
                for _, confidence, class_id, _
                in detections
            ]

            # Annotate frame with bounding boxes and labels
            frame = box_annotator.annotate(
                scene=frame,
                detections=detections,
                labels=labels
            )

            # Display annotated frame
            st.image(frame, channels="BGR", use_column_width=True)

            # Check for quit key
            if cv2.waitKey(1) & 0xFF == ord('q'):
                break

        # Release video capture
        cap.release()

if __name__ == "__main__":
    main()

このスクリプトでは、streamlit アプリケーションを作成し、ボタンを作成すると、ボタンを押した後にデバイスのカメラが開き、フレーム内のパーツが検出されるようになります。

このコマンドを使用してこのスクリプトを実行します。

streamlit run app.py
# first create the app.py then paste the above code and run this script.

上記のコマンドを実行した後、次のようなリーチアウトエラーが発生したとします。

次にこのコマンドを押します。

sudo sysctl fs.inotify.max_user_watches=524288

sudo コマンドを使用しているため、パスワードを書き込みたいコマンドを入力した後、sudo は神です:)

スクリプトを再度実行します。ストリームリットされたアプリケーションが表示されます。

ここでは、次の部分でセグメンテーション部分を見て、成功するライブ検出アプリケーションを作成できます。

注釈の手順

ステップ 1: Roboflow のセットアップ

署名後、「プロジェクトを作成します。」 ここでプロジェクトと注釈グループを作成できます。

ステップ2: データセットのダウンロード

ここでは単純な例を検討しますが、問題ステートメントで使用したいので、ここではアヒルデータセットを使用します。

これに行ってくださいアヒルのデータセットをダウンロードします。

フォルダーを解凍すると、次の 3 つのフォルダーが表示されます。 トレーニング、テスト、ヴァル。

ステップ3: データセットを roboflow にアップロードする

roboflow でプロジェクトを作成した後、ここでこの UI が表示されます。データセットをアップロードできるため、トレーニングパーツの画像のみをアップロードします。「」を選択します。フォルダーを選択" オプションを選択します。

次に、保存して続行" 赤い四角形のボックスにマークを付けたオプション

roboflow へのデータセットのアップロード | Yolov8 を使用した画像のセグメンテーション

ステップ4: クラス名を追加する

その後、 クラス部分 左側の赤いボックスにチェックを入れます。クラス名を次のように書きます アヒル、 緑色のボックスをクリックした後。

これでセットアップは完了し、注釈部分などの次の部分も簡単になります。

ステップ5: を開始します。注釈部分

に行きます 注釈オプション 赤いボックスでマークし、緑のボックスでマークした注釈部分の開始をクリックします。

最初の画像をクリックすると、この UI が表示されます。これを確認したら、手動注釈オプションをクリックします。

次に、メール ID またはチームメイトの名前を追加して、タスクを割り当てることができます。

最初の画像をクリックすると、この UI が表示されます。ここで赤いボックスをクリックすると、多多項式モデルを選択できます。

赤いボックスをクリックした後、デフォルトのモデルを選択し、アヒルオブジェクトをクリックします。これにより、画像が自動的に分割されます。次に、次の部分をクリックして保存します。すると、左側が赤いボックスでマークされており、そこにクラス名が表示されます。

クリック 保存して入力 オプション。すべての画像に注釈を付けます。

YOLOv8 形式の画像を追加します。右側に、注釈セクションに画像を追加するオプションが表示されます。ここでは、注釈付き画像用と注釈なし画像用の XNUMX つの部分が作成されます。

まず、左側の「」をクリックします。注釈を付ける」 オプション 加えます 画像データセットに。
次に、次の「」をクリックします。画像を追加"

最後に、データセットを作成します。左側の「生成」オプションをクリックし、オプションにチェックを入れて、conitune オプションを押します。

次に、データセット分割オプションの UI を取得します。ここで、train、test、val フォルダーの画像が自動的に分割されていることを確認できます。上の赤枠をクリックします データセットのエクスポートオプション zip ファイルをダウンロードします。 zip ファイルのフォルダー構造は次のようになります…

root_file.zip
│
├── test
│   ├── Images
│   └── labels
│
├── train
│   ├── Images
│   └── labels
│
├── val
│   ├── Images
│   └── labels
│
├── data.yaml
└── Readme.roboflow.txt

ステップ 6: 画像セグメンテーションモデルをトレーニングするためのスクリプトを作成する

このパートでは、まずドライブを使用して Google Collab ファイルを作成し、データセットをアップロードします。 Google Collab を使用して Google ドライブをマウントします。

1. このコマンドを使用するのは、 Google ドライブをマウントする

from google.colab import drive

drive.mount('/content/gdrive')

2. データディレクトリを定義する 定数変数を使用します。

DATA_DIR = '/content/drive/MyDrive/YoloV8/Data/'

3. 必要なパッケージをインストールすると、 ウルトラリティクスをインストールする

!pip install ultralytics

4. ライブラリのインポート

import os

from ultralytics import YOLO

5.ロード事前トレーニング済み YOLOv8 モデル（ここでは別のモデルもあります。公式ドキュメントを確認すると、別のモデルが確認できます）

model = YOLO('yolov8n-seg.pt') 
 # load a pretrained model (recommended for training)

6. モデルをトレーニングする

model.train(data='/content/drive/MyDrive/YoloV8/Data/data.yaml', epochs=2, imgsz=640)

# Update the path & and join this line together

ドライブをチェックしません。モデル名フォルダーが作成され、そこに、このモデルが必要な予測用のモデルが保存されます。

7. モデルを予測する

#Update the path
model_path = '/content/drive/MyDrive/YoloV8/Model/train2/weights/last.pt'
#Update the path
image_path = '/content/drive/MyDrive/YoloV8/Data/val/1be566eccffe9561.png'

img = cv2.imread(image_path)
H, W, _ = img.shape

model = YOLO(model_path)

results = model(img)

for result in results:
    for j, mask in enumerate(result.masks.data):

        mask = mask.numpy() * 255

        mask = cv2.resize(mask, (W, H))

        cv2.imwrite('./output.png', mask)

ここで、セグメンテーション画像が保存されていることがわかります。

これで、ついにライブ検出モデルと画像セグメンテーションモデルの両方を構築できるようになりました。

まとめ

このブログでは、YOLOv8 を使用したライブオブジェクトの検出と画像のセグメンテーションについて説明します。ライブ検出では、事前トレーニングされた YOLOv8 モデルをインポートし、コンピュータービジョンライブラリである OpenCV を利用してカメラを開いてオブジェクトを検出します。さらに、魅力的なユーザーインターフェイスを実現する Streamlit アプリケーションを作成します。

次に、YOLOv8 を使用した画像セグメンテーションについて詳しく説明します。事前トレーニングされたモデルをインポートし、カスタムデータセットで転移学習を実行します。これに先立ち、私たちはデータセットのアノテーションのために Roboflow を検討し、次のようなツールの使いやすい代替手段を提供しました。ラベル画像.

最後に、アヒルが含まれる画像を予測します。画像ではオブジェクトは鳥のように見えますが、クラス名を「」とします。カモ」をデモンストレーション目的で使用します。

主要な取り組み

Faster R-CNN、SSD、最新の YOLOv8 などの物体検出モデルについて学習します。
アノテーションツール Roboflow と、YOLOv8 セグメンテーションモデルのデータセット作成におけるその役割を理解します。
OpenCV (cv2) と Supervision を使用したライブオブジェクト検出を検討し、実践的なスキルを強化します。
YOLOv8 を使用してセグメンテーションモデルをトレーニングおよびデプロイし、実践的な経験を積みます。

よくある質問

Q1. YOLOv8 によるオブジェクト検出と画像セグメンテーションの違いは何ですか?

A. オブジェクト検出には、通常、オブジェクトの周囲に境界ボックスを描画することによって、画像内の複数のオブジェクトを識別して位置を特定することが含まれます。一方、画像セグメンテーションは、ピクセルの類似性に基づいて画像をセグメントまたは領域に分割し、オブジェクトの境界をより詳細に理解できるようにします。

Q2. YOLOv8 は YOLO の以前のバージョン (YOLOv3 など) とどう違うのですか?

A. YOLOv8 は、ネットワークアーキテクチャ、トレーニング技術、最適化の進歩を組み込むことにより、以前のバージョンを改良しています。 YOLOv3 と比較して、精度、速度、効率が向上する可能性があります。

Q3.組み込みデバイスでのリアルタイムのオブジェクト検出に YOLOv8 を使用できますか?

A. YOLOv8 は、ハードウェア機能とモデルの最適化に応じて、組み込みデバイスでのリアルタイムのオブジェクト検出に使用できます。ただし、リソースに制約のあるデバイスでリアルタイムのパフォーマンスを実現するには、モデルの枝刈りや量子化などの最適化が必要になる場合があります。

Q4.他のツールと比較して、データセットのアノテーションに Roboflow を使用する利点は何ですか?

A. Roboflow は、直感的な注釈ツール、データセット管理機能、およびさまざまな注釈形式のサポートを提供します。注釈プロセスを合理化し、コラボレーションを可能にし、バージョン管理を提供することで、コンピュータービジョンプロジェクトのデータセットの作成と管理が容易になります。

SEO を活用したコンテンツと PR 配信。今日増幅されます。
PlatoData.Network 垂直生成 Ai。自分自身に力を与えましょう。こちらからアクセスしてください。
プラトアイストリーム。 Web3 インテリジェンス。知識増幅。こちらからアクセスしてください。
プラトンESG。カーボン、クリーンテック、エネルギー、環境、太陽、廃棄物管理。こちらからアクセスしてください。
プラトンヘルス。バイオテクノロジーと臨床試験のインテリジェンス。こちらからアクセスしてください。
情報源： https://www.analyticsvidhya.com/blog/2024/03/live-object-detection-and-image-segmentation-with-yolov8/

生成的データインテリジェンス

YOLOv8 を使用したライブオブジェクトの検出と画像のセグメンテーション

概要

学習目標

目次

より高速なR-CNN

シングルショットマルチボックス検出器(SSD)

一度だけ見る(YOLOv8)

YOLOv8 の動作原理

差異より高速な R-CNN、SSD、YOLO 間

セグメンテーションとは何ですか？

YOLOv8 を使用した段階的なライブ検出と画像セグメンテーション

ステップ 1: Conda を使用して仮想環境を作成する

ステップ 2: 仮想環境をアクティブ化する

ステップ3:requirements.txtを作成する

ステップ 4: Nano コマンドを使用して、requirements.txt を編集します。

ステップ5:requirements.txtのインストール

ステップ6: Python スクリプトを作成する

ステップ 7: Python スクリプトの作成

ステップ7: ストリームリットアプリを作成する

注釈の手順

ステップ 1: Roboflow のセットアップ

ステップ2: データセットのダウンロード

ステップ3: データセットを roboflow にアップロードする

ステップ4: クラス名を追加する

ステップ5: を開始します。注釈部分

ステップ 6: 画像セグメンテーションモデルをトレーニングするためのスクリプトを作成する

まとめ

主要な取り組み

よくある質問

カーリー・ハンソン、アリス・イン・チェインズの「Nutshell」を心のこもったカバーで追悼

ヒュンダイは、EV需要の鈍化を補うためにさらに多くのハイブリッドを開発する – Autoblog

最新のインテリジェンス

ドレイク、トゥパックのAIボーカルを巡る訴訟で脅迫される

「マグショットエディション」購入者向けのカスタム序数を備えた独占的なトランプビットコインNFT – CryptoInfoNet

企業がナイジェリア人にデジタル金融リテラシートレーニングを提供 – CryptoInfoNet

BDAG が 5 年の有望な仮想通貨プリセールのトップ 2024 をリード

暗号通貨を購入する前に市場センチメントを評価する方法

SOLネットワーク問題とDOT価格予測の中でのBlockDAGの100億ドルの流動性と権利確定期間

YOLOv8 を使用したライブオブジェクトの検出と画像のセグメンテーション

概要

学習目標

目次

より高速なR-CNN

シングルショットマルチボックス検出器(SSD)

一度だけ見る(YOLOv8)

YOLOv8 の動作原理

差異 より高速な R-CNN、SSD、YOLO 間

セグメンテーションとは何ですか？

YOLOv8 を使用した段階的なライブ検出と画像セグメンテーション

ステップ 1: Conda を使用して仮想環境を作成する

ステップ 2: 仮想環境をアクティブ化する

ステップ3:requirements.txtを作成する

ステップ 4: Nano コマンドを使用して、requirements.txt を編集します。

ステップ5:requirements.txtのインストール

ステップ6: Python スクリプトを作成する

ステップ 7: Python スクリプトの作成

ステップ7: ストリームリットアプリを作成する

注釈の手順

ステップ 1: Roboflow のセットアップ

ステップ2: データセットのダウンロード

ステップ3: データセットを roboflow にアップロードする

ステップ4: クラス名を追加する

ステップ5: を開始します。 注釈部分

ステップ 6: 画像セグメンテーション モデルをトレーニングするためのスクリプトを作成する

まとめ

主要な取り組み

よくある質問

最新のインテリジェンス

差異より高速な R-CNN、SSD、YOLO 間

ステップ5: を開始します。注釈部分

ステップ 6: 画像セグメンテーションモデルをトレーニングするためのスクリプトを作成する