본 레퍼지토리는 스마트팩토리 등 이미지 영역 검출 Task인 Semantic Segmentation의 Proof of concept을 위한 것 입니다.
This repositoty is about Proof of concept related deep learning project related to Semantic Segmentation
All of module are implemented in Keras, Tensorflow environment
- python(>= 3.6)
- Docker(>=19.03.05)
- 리눅스 Docker 설치
$ sudo apt-get update
$ sudo apt-get install docker-ce docker-ce-cli containerd.io
도커 설치가 끝나면 터미널에서 docker명령어를 입력하여 도커가 정상적으로 설치되었는지 확인한다. 아래와 같이 출력되는지 확인 한다.
$ docker
Usage: docker [OPTIONS] COMMAND
A self-sufficient runtime for containers
(이하 생략)
- 학습 환경을 위한 docker container 셋팅
$ sudo su
$ cd Deep_POC_2019
$ sh trainer.sh
root 계정으로 접속하여 Docker에 접근 권한을 얻는다. 다음으로 git clone한 Deep_POC_2019 폴더로 이동하여 sh trainer.sh 를 실행한다. trainer.sh 실행으로 segmentation model을 학습하기 위한 docker image를 가져와서 환경을 실행한다.
Annotator tool은 coco 형식 기반의 segmentation dataset 생성 tool로, 사용자가 업로드한 img에 라벨별 영역을 표기하는 tool 이다.
사용자는 카테고리 생성, 데이터셋 폴더 생성, 이미지 업로드, 이미지 Scan, 이미지 annotatin, 이미지 export를 통해 프로젝트의 데이터셋을 생성한다.
- annotator tool docker load
$ sh annotator.sh
-
카테고리 생성
프로젝트에 사용 될 label의 종류를 정의한다.
-
데이터셋 폴더 생성
해당 프로젝트 데이터셋의 디렉토리 이름을 정의한다.
-
데이터셋 폴더 경로
아래와 같이 ./coco-annotator/dataset 에 위에서 생성한 디렉토리 이름 기반의 폴더가 생성된다.
-
이미지 Scan
데이터셋 폴더 경로에 이미지를 업로드 및 coco-annotator의 scan 클릭 후 새로고침을 누르면 데이터셋이 반영된다.
-
이미지 Annotation
라벨 영역을 추가 할 때 우측 해당 라벨의 '+' 를 클릭 후 영역을 표기한다. 동일 라벨을 다른 영역에서 추가할 경우(ex. 아래의 여러사람) 우측의 해당 라벨의 '+' 를 클릭 후 추가한다.
-
Annotation export
Annotation이 완료된 후 Dataset 영역 좌측의 Export COCO를 클릭한다. 해당 이미지 디렉토리의 하위(./coco-annotator/dataset/human_dog_research/.exports/)dp annotation json 파일이 생성된다.
- 모델 학습 설정 셋팅
모델 학습을 위한 셋팅에서 사용자가 입력하는 영역은 json_path, img_path, img_dir_name, model_name, epoch 이다.
| variable | 설명 | 예시 | | :--------- | :---------: | ---------: | | json_path | coco-annotator를 통해 생성된 json 파일의 경로(가장 최근 파일) | "coco-annotator/datasets/human_dog_research/.exports/coco-1513442.94673.json" | | img_path | coco-annoator에 저장된 이미지의 경로 | "/coco-annotator/datasets/human_dog_research" | | img_dir_name | 이미지 디렉토리 이름 | "human_dog_research" | | model_name | train에서 설정할 버전명 | "v_1" | | epoch | 학습 epcoh 설정(50 권장) | 50 |
- 모델 학습 및 최적화
$ sh trainer.sh
-
모델 serving 설정 셋팅
모델 serving을 위한 셋팅에서 사용자가 입력하는 영역은 service_version 이다. 앞서 학습에서 셋팅한 model_name과 동일하게 입력하면 된다. (ex. "v_1")
-
모델 docker 생성 및 serving
$ source server.sh
$ curl -X POST "http://{주소}:8892/predict" -F image=@sample_image.png
Deep_poc
│ train_serve.sh
│ trainer.sh
│ annotator.sh
│
└───src
│ │ bento_deploy.py
│ │ data.py
│ │ deploy_valid_path.py
│ │ generator.py
│ │ keras_segment.py
│ │ metric.py
│ │ model.py
│ │ post_processing.py
│ │ predict.py
│ │ train.py
│ │ utils.py
│
└───coco-annotator
│ │ docker-compose.yml
│ │ ...
│ └───datasets
│ │ ...
│ └───cloud_segment
│ │ 00a0954.jpg
│ │ ...
│ └───.exports
│ │ coco-00000.json
│ │ ...
│
│
└───result
│ └───cloud_segment
│ └───segment
│ │ └───cloud_v80
│ │ └───graph
│ │ │ │ tesnorboard log
│ │ └───log
│ │ │ │ log.out
│ │ └───model
│ │ │ │ model_epoch_loss.h5
│ │ └───prediction
│ │ │ dict_prediction
└───deploy
│ └───KerasSegmentationService
│ └───segment
│ │ └───cloud_v80
│ │ │ Dockerfile
│ │ │ bentoml.yml
│ │ │ ...
│ │ └───KerasSegmentationService
│ │ │ bento.yml
│ │ │ deploy_valid_grid.py
│ │ │ keras_segment.py
│ │ │ metric.py
│ │ │ model.py
│ │ │ utils.py
| Type | Task | Reference link |
|---|---|---|
| Image | multi-class image classification | https://github.com/BIGBALLON/cifar-10-cnn |
| Annotator | Image segmenation annotator | https://github.com/jsbroks/coco-annotator |
| API | COCO Python API | https://github.com/cocodataset/cocoapi/tree/master/PythonAPI |
| Segmenation | Segmentation_models | https://github.com/qubvel/segmentation_models |
| Image | Keras efficientnet | https://github.com/qubvel/efficientnet |