#物体検出
【論文要約:自動運転関連】A New Dataset for Monocular Depth Estimation Under Viewpoint Shifts
自動車のADAS(先進運転支援システム)および自動運転に関わる仕事をしています。
新しい技術が次々と登場するため、最新情報の収集が重要です。
その一環として、自動運転に関連する論文の紹介と要約を行っています。
興味のある論文については、ぜひ実際の論文をお読みください。
論文へのリンク：https://arxiv.org/abs/2409.17851
1. タイトル
原題: A New Data
YOLO11を試してみた
概要YOLOv8を発表したUltralyticsが新しいYOLOシリーズのモデル YOLO11 を発表したので試してみました。
Ultralyticsのドキュメントもv8から11へ更新されています。
命名はこれまでと異なり「v」無しの YOLO11 です。
「v」付きの命名を避けたのは、既にYOLOv11という命名の悪戯リポジトリがあるためかもしれません
YOLOは物体検出モデルとして有
【論文要約:自動運転関連】YOLO-PPA based Efficient Traffic Sign Detection for Cruise Control in Autonomous Driving
自動車のADAS(先進運転支援システム)および自動運転に関わる仕事をしています。
新しい技術が次々と登場するため、最新情報の収集が重要です。
その一環として、自動運転に関連する論文の紹介と要約を行っています。
興味のある論文については、ぜひ実際の論文をお読みください。
論文へのリンク：https://arxiv.org/abs/2409.03320
1. タイトル:
原題: YOLO-PPA
AlbumentationsのMotionBlurは画像をシフトする
自然画像を対象とした物体検出モデルを学習していてData AugmentationのためにAlbumentationsを使っていたのですが、AlbumentationsのMotionBlurが画像をシフトする事に気づかず、Bounding Boxの真値とずれてハマったので本記事を書きました。
Albumentationsは画像をシフトするサンプルとして以下の画像で説明します。
Bounding
YOLO-NAS物体検出モデルのonnx、Torchscript、TensorRT処理速度評価：EC2編
1. はじめに 本記事では物体検出モデルYOLO-NASを用いて推論処理を行った際の「1フレーム処理速度」とそれから推定される「フレーム処理速度」の評価を行う。
YOLO-NASはPytorchのモデル形式であるが、本記事ではOnnx、Torchscript、TensorRTのモデルに変換して上記指標を比較して、最もフレーム処理速度の速いモデル形式を明らかにした。
2. YOLO-NASYO
【論文要約:自動運転関連】SimPB: A Single Model for 2D and 3D Object Detection from Multiple Cameras
自動運転に関連する論文の要約をしています。
論文へのリンク：https://arxiv.org/abs/2403.10353
1. タイトル
原題: SimPB: A Single Model for 2D and 3D Object Detection from Multiple Cameras
和訳: SimPB: 複数のカメラから2Dおよび3Dオブジェクト検出のための単一モデル
2.
【論文要約:自動運転関連】HeightFormer: Explicit Height Modeling without Extra Data for Camera-only 3D Object Detection in Bird’s Eye View
自動運転に関連する論文の要約をしています。
論文へのリンク：https://arxiv.org/abs/2307.13510
1. タイトル
原題: HeightFormer: Explicit Height Modeling without Extra Data for Camera-only 3D Object Detection in Bird’s Eye View
和訳: Height
Youtubeストリーミング動画をYoloV10でリアルタイム物体認識する方法
UltralyticsでYoloV10が使えるようになりましたので、Youtubeストリーミング動画をリアルタイムで物体認識するコードを紹介していきます。
Pythonライブラリをインストールします。
pip install opencv-python yt-dlp numpy ultralytics tempfile
次に、youtubeyolov10.pyという名前で以下内容をコピーしま
UltralyticsのYoloV10でリアルタイムで物体認識する
UltralyticsでYoloV10が使えるようになりましたので、紹介していきます。
YoloV10で使えるモデルは、以下となります。
今回は、Yolov10-Sをダウンロードして使ってみます。
最初に、test.pyとして次のコードを張り付けてください。
import cv2import torchfrom ultralytics import YOLO# モデルの読み込みmodel
小さな物体の検出率UPのためにSAHIを試してみた
概要物体検出モデルが見逃しやすい小さな物体の検出力向上を目的としたライブラリSAHIを試してみました。
物体検出モデルにはYOLOv8sとYOLOv8xを使用しました。
YOLOのインスタンスセグメンテーションは未対応なようです。
SAHI (Slicing Aided Hyper Inference)入力画像を分割して物体検出モデルに入力し、その結果をマージしてくれるライブラリです。
G
YOLOv8をONNXに変換して動かしてみる
前回の記事では、YOLOv8で物体検出を行う手順を紹介しました。
今回は前回からの続きで、学習したYOLOv8のモデルをONNX形式に変換し、ONNX Runtime で実行する方法について紹介します。
■ ONNXとは機械学習モデルを、異なるフレームワーク間でシームレスに移行させるための共通フォーマットです。
通常、TensorFlowのフレームワークで作成した機械学習モデルは、Tenso
YOLOv8で物体検出をしてみる
YOLOv8を使い、オリジナル画像で物体検出するまでの手順について記述します。環境構築からオリジナル画像でのアノテーション、Pythonでの学習、推論実行までの手順をまとめました。この記事通りに行えば、独自のYOLOv8推論を動かすことができるので、是非チャレンジしてみてください。
■ 事前準備ここでは Anaconda を用いて環境を構築していきます。また、Pythonのコーディングは VS
Pythonでやってみた（画像処理編2）：物体検出(YOLOv5)
１．概要 前回の記事でYOLOv3による物体検出をしてみましたがリアルタイムでの検出は環境構築が私には無理でした。
今回YOLOv5を使用したらすんなりいったので紹介します。
参考としてPCスペックは下記の通りでありGPUは「NVIDIA GeForce RTX3050 Laptop GPU」を積んでおります（おそらくGPUがないと処理速度的に動かないと思います）。
２．YOLOの比較