imagec-ai-training

Package to train object detection model for biological problems

Start

1. Install Visual Studio Code and the remote container plugin
2. Open the folder
3. Reopen project in container

Create training data

1. Execute create-new-project.sh
2. Execute start-label-studio.sh from a separate terminal.
3. Open a browser and type http://127.0.0.1:8080
4. Use any e-mail and password to login
5. Create new project
6. Go to Labeling Setup and click custom template
7. Copy paste the content form templates/labeling_interface.xml.
8. Click Save.
9. Click Import to import new images for training
10. Open the image and label them
11. When you have finished export the data in YOLO format
12. Unzip the downloaded folder and split the data in train and valid.
13. Copy the images and labels to the folders train/images and train/labels and valid/images and valid/labels

Start the training

1. Go to projects/<PROJECT NAME>/data.yaml and enter the labels of your training data.
2. Execute start-training.shor start-seg-training.sh

Faster training with GPU

Install NVIDIA container toolkit

distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
      && curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
      && curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \
            sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
            sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

• When starting the docker container add --gpus=all argument
• Add the argument --device 0 to the start-training.sh and start-seg-training.sh

Use nvtop to show gpu usage

Todos

• https://ultralytics.com/assets/Arial.ttf to /root/.config/Ultralytics/Arial.ttf

---

References

https://blog.paperspace.com/train-yolov5-custom-data/
ultralytics/yolov5#475

Metrics

Klassenbezogene Metriken Einer der Abschnitte der Ausgabe ist die klassenweise Aufschlüsselung der Leistungsmetriken. Diese detaillierten Informationen sind nützlich, wenn du herausfinden willst, wie gut das Modell für jede einzelne Klasse abschneidet, vor allem in Datensätzen mit einer Vielzahl von Objektkategorien. Für jede Klasse im Datensatz wird Folgendes angegeben:

Klasse: Dies bezeichnet den Namen der Objektklasse, z. B. "Person", "Auto" oder "Hund".

Bilder: Diese Metrik zeigt dir die Anzahl der Bilder im Validierungsset, die die Objektklasse enthalten.

Instanzen: Hier wird gezählt, wie oft die Klasse in allen Bildern des Validierungssatzes vorkommt.

Box(P, R, mAP50, mAP50-95): Diese Metrik gibt Aufschluss über die Leistung des Modells bei der Erkennung von Objekten:

P (Präzision): Die Genauigkeit der erkannten Objekte, die angibt, wie viele Erkennungen richtig waren.

R (Recall): Die Fähigkeit des Modells, alle Instanzen von Objekten in den Bildern zu identifizieren.

mAP50: Mittlere durchschnittliche Genauigkeit, berechnet bei einem Schwellenwert von 0,50 für die Überschneidung über die Vereinigung (IoU). Er ist ein Maß für die Genauigkeit des Modells, das nur die "einfachen" Erkennungen berücksichtigt.

mAP50-95: Der Durchschnitt der durchschnittlichen Genauigkeit, die bei verschiedenen IoU-Schwellenwerten zwischen 0,50 und 0,95 berechnet wurde. Er gibt einen umfassenden Überblick über die Leistung des Modells bei verschiedenen Schwierigkeitsgraden.

https://docs.ultralytics.com/de/guides/yolo-performance-metrics/#how-to-calculate-metrics-for-yolov8-model