一、Image_PCB_YOLOv3_Keras 介紹

 

Image_PCB_YOLOv3_Keras 是使用 Keras 的 YOLO 第三版— YOLOv3 來判斷目標進行分類、檢測。

YOLO 演算法全稱為 You Only Look Once，它的優勢在於檢測速度與 SSD 差不多快，準確度也算高，這裡的解決方案使用 YOLOv3 來判斷電容的位置，主要的使用流程為下圖 1，每一個步驟於本文件之每一章節會依序詳細介紹。

 

圖 1.製作訓練樣本的流程 。

 

 

二、Image_PCB_YOLOv3_Keras 資料夾介紹

 

Image_PCB_YOLOv3_Keras 位於 OpenR8 的 solution 資料夾內，其中包含：

 

1. 資料夾：【data 資料夾】、【src 資料夾】。

 

2. flow 檔案：【1_train_cpu.flow】、【1_train_gpu.flow】、【2_inference.flow】。

 

※初次使用者，建議先只改動 data 資料夾內的檔案內容，等熟悉後，再自行更動至想要的位置。

 

圖 2.Image_PCB_YOLOv3_Keras 位置 。

 

圖 3.Image_PCB_YOLOv3_Keras 資料夾 。

 

名稱	用途與功能	內容
data	存放樣本圖片、樣本類別、數據庫的地方，其資料夾內容表 2會做說明。	train_annot_folder、 train_image_folder、 valid_annot_folder、 vaild_image_folder。
1_train_cpu.flow 1_train_gpu.flow	選擇 CPU 或 GPU 模式來訓練樣本。
2_inference.flow	測試訓練樣本。
config.json config_gpu.json	1_train_cpu.flow 或1_train_gpu.flow 參數設定時會用到，用來設定訓練用的一些參數，關於參數的說明，可參考表 3。
train.py predict.py callbacks.py evaluate.py gen_anchors.py generarot.py voc.py yolo.py	1_train_cpu.flow、1_train_gpu.flow 及 2_inference.flow 會用到的 python 檔。

表1. Image_PCB_YOLOv3_Keras 資料夾介紹。

 

圖 4. Image_PCB_YOLOv3_Keras 的 data 資料夾內容 。

 

 

 

data 資料夾內容	用途	資料夾/檔案 內容
train_annot_folder	放置訓練樣本類別的資料夾。	存放透過 labelImg.exe 標記完的樣本類別檔案 (xml 檔)。
train_image_folder	放置訓練樣本圖片的資料夾。	存放樣本圖片。
valid_annot_folder	放置測試樣本類別的資料夾。	存放透過 labelImg.exe 標記完的測試樣本類別檔案(xml 檔)。
vaild_image_folder	放置測試樣本圖片的資料夾。	存放測試樣本圖片。

表2. Image_PCB_YOLOv3_Keras 的 data 資料夾介紹。

 

 

三、準備訓練樣本圖

 

我們要訓練之前時，要先決定好方向，以此文件為例，我們想檢測電容所在的位置，所以我們須將樣本圖片一一標示它們的類別(電容)，才能加入訓練。

 

第一步：開啟標記軟體。

開啟 “LABELIMG.EXE” 來標記我們想訓練的樣本類別。

 

圖 5. LABELIMG.EXE 的介面 。

 

第二步：選擇樣本圖片存放資料夾。

點選 Open Dir 來開啟圖片樣本所放的資料夾位置，以下圖 6為例，將圖片放在 data/ train_image_folder 中(根據每個人放的位置，資料夾的位置也不同，第一次使用建議放在 data /train_image_folder 取代原本的圖)，然後按下【選擇資料夾】。

 

圖 6.開啟樣本圖檔所在的位置 。

 

第三步：選擇存放類別標記資料夾。

點選 Change Save Dir 選擇存放類別標記資料夾位置，以下圖 7為例，將圖片放在  datatrain_annot_folder 中(根據每個人放的位置，資料夾的位置也不同，第一次使用建議放在 datatrain_annot_folder 取代原本的標記檔案)，然後按下【選擇資料夾】。

 

圖 7.選擇樣本圖檔標記類別後所存放的資料夾位置 。

 

第四步：框選樣本圖片並標記類。

按下 Create RectBox 來框選樣本範圍，接著選擇類別，一張圖片並不侷限框同一種類別，框好後，按下 Save 儲存標記類別的檔案。

按 Next Image 繼續框選下一張樣本圖片，直到所有樣本圖片皆標記好類別為止。

 

圖 8.樣本圖檔 。

 

圖 9.按下 Create RectBox 來框選樣本 。

 

圖 10.選擇樣本類別後按下 OK 。

 

圖 11.框好樣本類別後按下 Save 。

 

圖 12.按下 Next Image 到下一張圖片繼續框選類別 。

 

※有關於其他 labelImg.exe 的其他使用方法，請參考[ezAI 簡單學AI] labelImg 使用方法 (Windows  版本)。

 

 

 

 

四、執行 1_train_cpu.flow 或 1_train_gpu.flow

 

在【OpenR8 資料夾】底下有一個【R8.exe】執行檔。如下圖 13。滑鼠點擊兩下即可執行 R8.exe。

 

圖 13.執行 R8.exe 。

 

執行 R8.exe 後，第一次登入需輸入帳號密碼。如下圖 14。

Open Robot ID (Email) : 登入開源機器人俱樂部的帳號。

Password : 登入開源機器人俱樂部會員的密碼。

 

圖 14.登入開源機器人帳號 。

 

請點選【File】=>【Language】=>【繁體中文】=>【確定】。如下圖 15。 點選完，請重新啟動 OpenR8。關閉 OpenR8，再次執行 R8.exe。即可顯示繁體中文介面。如下圖 16。

 

圖 15.變更語言成為繁體中文介面 。

 

圖 16.繁體中文介面 。

 

請點選【檔案】=>【開啟】=>【進入到 OpenR8 底下的 solution 資料夾】=>【選擇 Image_PCB_YOLOv3_Keras 資料夾】=>【選擇 1_train_cpu.flow 開啟】或【選擇 1_train_gpu.flow 開啟】，如圖 18、圖 19。

 

※可根據自己執行電腦的硬體設備是否有支援 GPU 加速來選擇不同的檔案，如果有支援 GPU，可以改選擇 1_train_gpu.flow 來加速訓練，如果不支援 GPU，請選擇 1_train_cpu.flow 訓練，如圖 21。

 

※在運行前，請先確認 PKL 檔案是否已刪除，如圖 17 。

 

※在運行前，如果沒有要沿用之前的 model ，請刪除所有 h5 檔案(但保留backend.h5)。

 

圖 17.刪除 PKL 檔。

 

圖 18.選擇 1_train_cpu.flow。

 

圖 19.開啟 1_train_cpu.flow。

 

• python：

使用 python 函式執行 train.py 檔來訓練樣本。

輸出字串：預設不填寫參數，如果需要看回傳的內容時，可自行新增參數。

py 路徑：要執行的 py 檔案，這裡要執行的是【train.py】。

參數：要傳給執行的 py 檔案，所需的參數，這裡傳的是【-c config.json】。

python 路徑：預設不填寫參數，若【train.py】並不在原本的位置(Image_PCB_SSD_Keras 的資料夾內)時，需自行新增參數修改【train.py】路徑。

 

圖 20.1_train_gpu.flow 的 python 函式 。

 

確認完所有參數後，即可按下執行開始訓練樣本，直到跳出「Press any key to continue…」。

 

※在執行前，如果想改變 “訓練模型”、“訓練次數”、“分類類別” ……等參數設定，請看第六章 ― config.json。

 

如果開啟的檔案為【1_train_gpu.flow 】時，參數也有些變化。

圖 21.1_train_gpu.flow 的 python 函式 

 

 

• python：

使用python 函式執行 train.py 檔來訓練樣本。

輸出字串：預設不填寫參數，如果需要看回傳的內容時，可自行新增參數。

py 路徑：要執行的 py 檔案，這裡要執行的是【train.py】。

參數：要傳給執行的 py 檔案，所需的參數，這裡傳的是【-c config_gpu.json】。

python 路徑：預設不填寫參數，若【train.py】並不在原本的位置(Image_PCB_SSD_Keras 的資料夾內)時，需自行新增參數修改【train.py】路徑。

 

 

五、執行 2_inference.flow 看訓練結果

 

在執行完 1_train_cpu.flow 或 1_train_gpu.flow 訓練結束後，開啟 2_inference.flow 來測試圖片，如圖 22、圖 23。

 

圖 22.選擇 2_inference.flow 。

 

圖 23.開啟 2_inference.flow 。

 

• python：

python 函式執行 train.py 檔來訓練樣本。

輸出字串：預設不填寫參數，如果需要看回傳的內容時，可自行新增參數。

py 路徑：要執行的 py 檔案，這裡要執行的是【predice.py】。

參數：要傳給執行的py檔案，所需的參數，這裡傳的是【-c config.json -i data/valid_image_folder/13.png】。

python 路徑：預設不填寫參數，若【predice.py】並不在原本的位置(Image_PCB_SSD_Keras 的資料夾內)時，需自行新增參數修改【predice.py】路徑。

 

圖 24. 2_inference.flow 的 python 函式 

 

※請根據訓練時，使用 config.json 還是 config_gpu.json 來填寫上面參數紅字部分，舉例：【-c config_gpu.json -i data/valid_image_folder/13.png】。

 

確認完參數後，即可按下執行看結果。

 

圖 25. 2_inference.flow 的測試結果。

 

※補充說明：

圖 24 的函式中，參數欄位【-c config.json -i data/valid_image_folder/13.png】，

如果要測試其他圖片：

請將 data/valid_image_folder/13.png 改成想測試的圖片路徑，舉例 data/valid_image_folder/11.png。

如果要測試整個資料夾的圖片：

請將 data/valid_image_folder/13.png 改成想測試資料夾路徑，舉例 data/valid_image_folder。

 

 

六、config.json介紹

 

config.json 與 config_gpu.json 的差異在於 “gpus” 填入的是 “1” 、 “0” 或是 “” 的差異，當 “gpus” ： “” 時，表示不使用 GPU 加速。

 

圖 26. config_gpu.json 的內容 。

 

圖 26為config.json 的內容，其中，有可能會變動到的參數如下表 3。

參數名稱	對應的參數值	參數說明
labels	["capacitor"]	標示類別的名稱，本文件為例，只有標示“capacitor”而已，如果想再增加類別，其樣式為 ["capacitor","新增加類別名稱","新增加類別名稱2"…….] 以此類推，如圖 27。
train_image_folder	"data/train_image_folder/"	放訓練樣本圖片的資料夾位置。
train_annot_folder	"data/train_annot_folder/"	放訓練樣本標記類別的資料夾位置。
gpus	“”	如果有要運行 GPU 加速時，根據想要運行的 GPU 數量改變數字，假設有兩個 GPU，想使用後來裝的 GPU 時，可將值改為 “1”，若只有一個 GPU 時，其值為 “0”。
saved_weights_name	“pcb.h5”	讀取 yolo model 的檔案名稱。
valid_image_folder	"data/ valid_image_folder/"	放置測試樣本圖片的資料夾位置。
valid_annot_folder	"data/ valid _annot_folder/"	放置測試標記類別的資料夾位置。

表3.config.json 的參數介紹。

 

圖 27. labels 增加類別 。

 

圖 28. gpus 增加 gpu 數量 。