YOLO 학습전에 파이토치 튜토리얼로 한번 찬찬히 맛보고 넘어가도록 하겠다.
먼저, 지난번에 파이토치 설치하고 나서, Cuda 지원버전인지 확인을 한번 했어야 했는데 그냥 넘어갔다.
명령어를 통해 Cuda가 활용가능한지 확인해 볼 수 있다.
값이 잘찍히는지 확인할 수 있었다.
그럼 본격적으로 튜토리얼을 진행해보도록 하겠다.
파이토치 튜토리얼은 아래 공홈의 튜토리얼 페이지에서 제공하고있다.
파이토치는 데이터 작업을 위한 기본 요소 두가지를 제공한다.
두 번째는 데이터로더 이다.
나도 잘은 모르지만 결국 A/I 든 뭐든 데이터셋을 구성하고 데이터를 돌면서 모델에 학습시키는게 주된 업무다 보니 이런걸 지원하는게 파이토치의 역할인것 같다.
아래와 같은 코드를 실행을시키면, 데이터 다운로드가 시작된다.
그럼 아래와 같이 다운로드가 완료 되고 data 폴더와 그 하부의 데이터가 자동으로 생성된다.
폴더를 열어보면 FashionMNIST 데이터를 받아서 저장했다. 파이토치는 라이브러리를 데이터셋과 함께 제공한다. 이 튜토리얼에서는 TorchVision 데이터셋을 사용하도록 한다.
튜토리얼 전문을 가져와보자.
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
# 공개 데이터셋에서 학습 데이터를 내려받습니다.
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
)
# 공개 데이터셋에서 테스트 데이터를 내려받습니다.
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor(),
)
batch_size = 64
# 데이터로더를 생성합니다.
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)
for X, y in test_dataloader:
print(f"Shape of X [N, C, H, W]: {X.shape}")
print(f"Shape of y: {y.shape} {y.dtype}")
break
# 학습에 사용할 CPU나 GPU, MPS 장치를 얻습니다.
device = (
"cuda"
if torch.cuda.is_available()
else "mps"
if torch.backends.mps.is_available()
else "cpu"
)
print(f"Using {device} device")
# 모델을 정의합니다.
class NeuralNetwork(nn.Module):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10)
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NeuralNetwork().to(device)
print(model)
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
for batch, (X, y) in enumerate(dataloader):
X, y = X.to(device), y.to(device)
# 예측 오류 계산
pred = model(X)
loss = loss_fn(pred, y)
# 역전파
optimizer.zero_grad()
loss.backward()
optimizer.step()
if batch % 100 == 0:
loss, current = loss.item(), (batch + 1) * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
def test(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
model.eval()
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X, y = X.to(device), y.to(device)
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
epochs = 5
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train(train_dataloader, model, loss_fn, optimizer)
test(test_dataloader, model, loss_fn)
print("Done!")
torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")
model = NeuralNetwork().to(device)
model.load_state_dict(torch.load("model.pth"))
classes = [
"T-shirt/top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
]
model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
x = x.to(device)
pred = model(x)
predicted, actual = classes[pred[0].argmax(0)], classes[y]
print(f'Predicted: "{predicted}", Actual: "{actual}"')
대충 돌려봤는데 세부적으로 설명을 하자면 너무 길고 대충 느낌만 가져가자.
굉장히 일반적으로 영상인식 모델을 적용하는 방식으로 보여지고 YOLO로 여기에서 크게 벗어나지 않을 것으로 예상된다.
나의 GTX 1080을 작 인식하고 5번의 epoch를 잘 숭해하며 64.7%의 정확도를 보이며 잘 학습이 되는걸 확인 할 수 있었다.
이제 바로 YOLO로 넘어가도록 하겠다.
