Значение YOLO

Итак, перво-наперво, YOLO это аббревиатура, которая расшифровывается как You Only Live Once. Если кто не силен в английском языке, то поясню. Фраза переводится как «Живешь только раз».

Теперь уже стало гораздо понятнее, как же интерпретировать данную фразу. И тут то и возникают сложности. Некоторые считают, что фраза «Живем лишь раз» это некий призыв к действию, и оно действительно так, с этим не поспоришь. А вот к каким именно действиям, тут уже и каждый накручивает что хочет. Многие этим оправдывают курение, алкоголь и другие «радости». Вот как всегда, народ любит все перевернуть с ног на голову. А тут еще и новомодное словцо подвернулось. К слову, опять же, как и со SWAG’ом, многие даже и расшифровки не знают.

Примеры картинок, которые демонстрируют понимание YOLO среди подростков из группы вконтакте:

Ну и какой образ у вас формируется? Свободолюбивый человек, курящий, в татушках и постоянно тусующийся. Нужно ведь успеть все попробовать и жить в свое удовольствие. Но только это не верно! YOLO не подразумевает путь саморазрушения!

Что такое YOLO?

YOLO – это передовая сеть для распознавания объектов (object detection), разработанная Джозефом Редмоном (Joseph Redmon). Главное, что отличает ее от других популярных архитектур – это скорость. Модели семейства YOLO действительно быстрые, намного быстрее R-CNN и других. Это значит, что мы можем распознавать объекты в реальном времени.

Во время первой публикации (в 2016 году) YOLO имела передовую mAP (mean Average Precision), по сравнению с такими системами, как R-CNN и DPM. С другой стороны, YOLO с трудом локализует объекты точно. Тем не менее, она обучается общему представлению объектов. В новой версии как скорость, так и точность системы были улучшены.

YOLO преобразовала задачу распознавания объектов к единой задаче регрессии. Она проходит прямо от пикселей изображения до координат содержащих рамок и вероятностей классов. Таким образом, единая CNN предсказывает множество содержащих рамок и вероятности классов для этих рамок.

Начало без проблем ↑

Прежде чем мы погрузимся в код, давайте установим необходимые библиотеки для наших упражнений (если вы хотите использовать код PyTorch, ознакомьтесь с инструкциями для установки ):

Довольно сложно строить всю систему YOLO v3 (модель и используемые методы) с нуля. Библиотеки с открытым исходным кодом, такие как Darknet или OpenCV значительно упрощают этот процесс и уже многое сделали для вас. Так, что даже некоторые простые человеки уже реализовали свои проекты для YOLO v3 (посмотрите, как это сделано для TensorFlow. 2 реализация)

Импорт необходимых модулей:

Давайте определим некоторые переменные и параметры, которые нам понадобятся:

Мы инициализировали наши параметры, но поговорим о них позже. config_path и weights_path представляют собой соответственно конфигурацию модели (это YOLO v3) и соответствующие предварительно обученные веса модели. labels — это список всех меток классов для различных объектов. Каждый класс объекта при обнаружении нарисуем уникальным цветом, для чего генерируем случайные цвета.

За необходимыми файлами, пожалуйста, обратитесь к этому репозиторию , а поскольку файл весов очень большой (около 240 МБ) и в репозитории его нет, загрузите его отсюда .

Приведенный ниже код загружает модель:

Обнаружение объекта через YOLO

YOLO — это алгоритм обнаружения нескольких объектов, который также работает в режиме реального времени. Картинаавтомобили с автоматическим управлением, которым необходимо идентифицировать автомобили, пешеходов и светофоров во время вожденияилипросто комментируя фильм, YOLO очень быстр, потому что «вы смотрите только один раз», то есть вы выполняете один шаг прямого распространения и сразу же точно знаете, где находится объект на изображении и к какому классу принадлежит этот объект. Как вишня на вершине, YOLO может обнаружить несколько объектов на изображении.

Чем YOLO отличается от других алгоритмов глубокого обучения для обнаружения объектов?

Основное отличие YOLO от других алгоритмов сверточной нейронно й сети (CNN), используемых для обнаружения объектов, заключается в том, что он очень быстро опознает объекты в режиме реального времени. Принцип работы YOLO подразумевает ввод сразу всего изображения, которое проходит через сверточную нейронную сеть только один раз. Именно поэтому он называется “Стоит только раз взглянуть”. В других алгоритмах этот процесс происходит многократно, то есть изображение проходит через CNN снова и снова. Так что YOLO обладает преимуществом высокоскоростного обнаружения объектов, чем не могут похвастать другие алгоритмы.

Представьте себе автомобиль, оснащенный функцией самостоятельного вождения, который использует обычный алгоритм обнаружения объектов сети CNN. Если алгоритм заметит впереди препятствие, машина затормозит сама. Но в данном случае все будет происходить медленно, и алгоритм увидит объект-препятствие довольно поздно. Это может привести к аварии. Теперь представьте себе ту же ситуацию с YOLO. На этот раз автомобиль оснащен алгоритмом YOLO и остановится как раз вовремя, так как очень быстро обнаружит препятствие в режиме реального времени.

Конфигурация

Как упоминалось в предыдущем абзаце, все, что нам нужно сделать сейчас, это создать несколько файлов конфигурации. Они определяют расположение обучающего набора и набора тестов, имя класса объекта и предоставляют руководство по архитектуре используемой нейронной сети.

Стандартное эталонное изображение набора шахматных данных

Во-первых, нам нужно разделить набор данных на обучающий набор и тестовый набор. Для этого мы используем два файла .txt, каждый из которых содержит путь к определенному изображению в наборе данных. Чтобы ускорить работу, я подготовил скрипт Python, который автоматически создаст для нас эти файлы. Вам нужно только указать расположение набора данных и определить процент разделения между обучающим набором и набором тестов. Ниже представлен фрагмент файла train.txt / test.txt.

.data — это последний файл, который нам нужно предоставить. Давайте на примере следующего проекта обсудим его содержание — Chess Detector. В этом примере у меня есть 12 уникальных классов объектов, которые я хочу идентифицировать. Затем мы указываем местоположение файла, который определяет, какие фотографии принадлежат обучающему набору, а какие фотографии принадлежат тесту, и, наконец, местоположение файла с именем метки, которое обсуждалось ранее. Чтобы все работало правильно, файлы chess.data, chess_train.txt, chess_test.txt и chess.names необходимо переместить в каталог project / yolov3 / data.

Другие социальные сети

Создание контента для TikTok – не единственное занятие участников проекта. Другие соцсети дают возможность представить свои таланты в ином формате и привлечь новых поклонников.

Для Инстаграма ребята снимают истории, используют Ютуб-канал для продвижения роликов. Пообщаться с наиболее активными поклонниками можно с помощью электронной переписки, свою почту тиктокеры предоставляют всем желающим.

Ребята хорошо ориентируются в возможностях соцсетей, понимают, что у каждого потенциального подписчика свои пристрастия, поэтому открыты для общения и не ограничиваются ТикТоком.

Почему Solo 322?

Один из скринов ставки оказался в публичном доступе. Игрок ROX.KiS Алексей Solo Березин поставил против себя (не на себя) – $100 на победу zRage с коэффициентом 3.22 и таким образом выиграл $322.

Конечно, сразу после этого команду и игроков отстранили от участия в турнирах. Solo признал свою вину и получил пожизненный бан на турнирах StarLadder. Вину других игроков доказать не удалось – поэтому был наказан только Соло. Он признался, но сказал, что тиммейты по ROX.KiS были не в курсе того, что он поставил против себя.

Была наказана только организация RoX.KIS – отстранением от LAN-финала и призовых в размере $1500 (другие участники из топ-4 отказались от поездки), а также была оштрафована на следующий сезон.

После этого прозвище «322» прилипло к Solo на всю карьеру – многих удивило, что игрок решил рискнуть своей профессиональной карьерой за такую небольшую сумму.

Таланты и их поклонники

Есть у ребят и свои фирменные приемы, которые пригодятся и в будущем. Так, Батырхан Еркин видит себя актером. В этом он признался во время интервью с представителями телевидения. Проект вызвал повышенный интерес казахской прессы. Поэтому журналисты охотно отправились в гости к блогерам. Правда, пришлось соблюдать все правила, не забывая про маску, перчатки и остальные меры безопасности.

Идеи для сюжетов есть всегда. В этом ребята не сомневаются. Достаточно увидеть локации, интересных людей – и замысел обретает очертания. Такие моментальные озарения очень востребованы в тик ток доме. Потому и собирается компания проживающих в нем создавать только яркие ролики, основанные на вполне реальных событиях либо тех, что могли произойти в жизни. Однако против фантазий на невероятные темы они также не отказываются. Вполне вероятно, что и такие видео найдут своих зрителей.

Аудитория казахских тик токеров давно не ограничена территорией страны. Их поклонники живут и в Индонезии, и в Японии, и в России. Да и творчество представлено многогранное, рассчитанное на разные вкусы.

Алина Ким за два года набрала десять миллионов подписчиков, а Ренат Исраилов вспомнил, что после первого миллиона пообещал перекрасить волосы. И об этом после второго миллиона поклонники напоминают постоянно.

Авторские песни ребята также пишут. Потому не исключают, что в искусстве они добьются успеха. Необязательно оставаться лишь блогерами.