Valeria Nunes dos Santos - Bacharel em ciência da computação pela universidade tecnológica federal do Paraná (UTFPR) Medianeira. Atualmente analista de sistemas do PPTIC e supervisora de projetos relacionados a inteligência artificial no CELTAB.

1. Valéria Nunes dos Santos
Ciência da computação pela UTFPR - Medianeira em 2018
PPTIC - CELTAB

2. COMO USAR E APLICAR A YOLOv3

3. AGENDA
● O que é YOLO
● Como usar a CNN YOLOv3
● Como aplicar a CNN YOLOv3

4. YOLOv3

5. REDE NEURAL CONVOLUCIONAL (CNN)
● Reconhecimento de objetos em imagens;
● Pelo menos uma camada convolucional;
● Pode conter outras camadas como:
○ MaxPooling;
○ AVGPooling;
○ FullConnected;
○ Shortcut;
○ Dropout;
○ Softmax, entre outras.

6. FERRAMENTAS INDISPENSÁVEIS
● Placa de vídeo nvidia;
● CUDA Toolkit (8, 9, 10);
● Library cuDNN 6.0.

7. FERRAMENTAS OPCIONAIS
● Github;
● Opencv;
● BBox-label-tool.

8. BBox-label-tool

9. YOLO
( you only look once )
V1 (jun-2016) - V2(dez-2016) - V3(2018)

10. YOLO versão 1
Joseph Redmon, Santosh Divvala, Ross Girshick, Ali
Farhadi
PASCAL VOC 2012
● Person
● Bird, Cat, Cow, Dog, Horse, Sheep
● Aeroplane, Bicycle, Boat, Bus, Car, Motorbike, Train
● Bottle, Chair, Dining Table, Potted Plant, Sofa,
Tv/Monitor

11. YOLO versão 1
Real-Time Detectors Train mAP FPS
100Hz DPM 2007 16.0 100
30Hz DPM 2007 26.1 30
Fast YOLO 2007+2012 52.7 155
YOLO 2007+2012 63.4 45

12. YOLO versão 1
Less Than Real-Time Train mAP FPS
Fastest DPM 2007 30.4 15
R-CNN Minus R 2007 53.5 6
Fast R-CNN 2007+2012 70.0 0.5
Fast R-CNN VGG-16 2007+2012 73.2 7
Fast R-CNN ZF 2007+2012 62.1 18
YOLO VGG-16 2007+2012 66.4 21

13. YOLO v2
Detection Frameworks Train mAP FPS
Fast R-CNN 2007+2012 70.0 0.5
Faster R-CNN VGG-16 2007+2012 73.2 7
Faster R-CNN ResNet 2007+2012 76.4 5
YOLO 2007+2012 63.4 45
SSD300 2007+2012 74.3 46
SSD500 2007+2012 76.8 19
YOLOv2 288 x 288 2007+2012 69.0 91
YOLOv2 352 x 352 2007+2012 73.7 81
YOLOv2 416 x 416 2007+2012 76.8 67
YOLOv2 480 x 480 2007+2012 77.8 59
YOLOv2 544 x 544 2007+2012 78.6 40

14. YOLO v3
Method mAP-50 Tempo Treinamento
SSD321 45.4 61
DSSD321 46.1 85
R-FCN 51.9 85
SSD513 50.4 125
DSSD513 53.3 156
FPN FRCN 59.1 172
RetinaNet-50-500 50.9 73
RetinaNet-101-500 53.1 90
RetinaNet-50-800 57.5 198
YOLOv3-320 51.5 22
YOLOv3-416 55.3 29
YOLOv3-608 57.9 51

15. COMO USAR YOLOv3

16. MONTAR O DATASET
● Pascal VOC Dataset Mirror - 20 classes;
● Common Objects in Context vugo COCO - 80
classes;
● Imagenet (14,197,122 images);
● Criar o próprio Banco;
● Últimos casos no google;

17. SOBRE IMAGENS
● Rotação (x y z);
● Escala;
● Desfoque;
● Oclusão;
● Empilhamento;
● Iluminação, escala de cinza;
● Mudança de ambiente;
● Estado íntegro do objeto;
● Quantidade de objetos na mesma imagem.

18. SOBRE IMAGENS NEGATIVAS
=

19. PREPARANDO A YOLOv3 PARA TREINAMENTO
● batch;
● subdivisions;
● width;
● height;
● max_batches;
● filters (linha 603, 689, 776): (class + 5) * 3
● classes (linha 610, 696, 783)
● random.

20. TESTE E TREINAMENTO
● treinamento 75% teste 25%
● treinamento 80% teste 20%
● treinamento 70% teste 30%

21. COMO APLICAR A YOLOv3

22. DÚVIDAS?

23. valeria.valsnfw@gmail.com
valeria.santos@pti.org.br
Muito Obrigada pelo seu tempo!