끊임없이 부단히

이번 포스팅에서는 mmrotate에서 제공하는 데이터 셋이 아닌 임의의 데이터 셋을 이용하여 모델을 학습하려 합니다. 새로운 데이터 셋으로는 앞선 포스팅에서 공부했던 COCO 데이터를 이용합니다. 1. DOTA 데이터 형태로 변환 먼저, COCO 데이터 셋을 DOTA 데이터 형태로 변환합니다. COCO는 bbox가 x, y, w, h 형태이므로 이를 x1, y1, x2, y2, x3, y3, x4, y4 형태로 바꾸는 함수를 작성합니다. 여기서 COCO의 x, y는 왼쪽 위(left-top)의 꼭지점 위치이며 이미지의 좌상단을 원점으로 합니다. DOTA도 x1, y1를 왼쪽 위로 하며 나머지들은 시계 방향으로 꼭지점들을 의미합니다. 추가로 category정보와 difficult정보(1: 어려움, 0: 쉬..

지난 포스팅에 이어서 mmrotate를 이용하여 rotated RetinaNet을 학습하려 합니다. 마찬가지로 아래의 DOTA 홈페이지에서 학습용 데이터를 다운받아 줍니다. 참고로, 버전 1, 1.5, 2가 있는데 버전 1을 다운받아야 합니다. (1.5이상을 쓸 경우 'container crane'이 없다는 오류가 납니다) 다운받은 데이터를 각각 data/DOTA/train & val 폴더 내의 images & labelTxt 폴더에 정리해줍니다. https://captain-whu.github.io/DOTA/dataset.html DOTA DOTA 2 --> DOTA A Large-Scale Benchmark and Challenges for Object Detection in Aerial Images..

이번 포스팅에서는 open-mmlab의 mmrotate를 실행하려 합니다. 먼저 지난 포스팅에서 만든 환경에서 이어서 진행힙니다. https://fictitious.tistory.com/4 [mmrotate] open-mmlab의 mmrotate docker로 실행하기 이번 포스팅에서는 open-mmlab의 mmrotate를 실행하려 합니다. 우선 git clone을 해주고 폴더 이동을 합니다. git clone https://github.com/open-mmlab/mmrotate.git cd mmrotate 참고로 github 주소는 아래와 같.. fictitious.tistory.com mmrotate는 많은 object detection (특히, 회전된 bounding box 기반의) 기법들을 제공..