CCTV 객체 감지 시스템

CCTV 영상에서 객체를 감지하기 위한 딥러닝 기반 시스템입니다. 메인 리포입니다.

개요

이 프로젝트는 CCTV 영상에서 자동차, 사람 등의 객체를 감지하기 위한 딥러닝 모델을 학습하고 추론하는 시스템을 제공합니다. YOLOv8 및 D-FINE과 같은 최신 객체 감지 모델을 지원합니다.

주요 기능

1. 데이터 전처리: 이미지 품질 향상 및 라벨 변환
2. 클래스 불균형 해결: 전략적 다운샘플링을 통한 균형 잡힌 데이터셋 생성
3. 데이터셋 분할: 다운샘플링된 데이터를 학습/검증/테스트 세트로 자동 분할
4. 모델 학습: YOLOv8 또는 D-FINE 모델 학습
5. 객체 감지: 테스트 이미지에서 객체 감지 수행
6. 성능 평가: 객체 감지 정확도 평가
7. 앙상블 및 TTA: 여러 모델 앙상블 및 테스트 시간 증강

사용법

1. YOLOv8 모델 학습

YOLO 형식의 데이터셋을 사용하여 YOLOv8 모델을 학습합니다.

python main.py --model yolo --train --train_dir data/train --val_dir data/val --epochs 50 --batch_size 8 --img_size 640 --project results

2. D-FINE 모델 학습

COCO 형식의 데이터셋을 사용하여 D-FINE 모델을 학습합니다.

python main.py --model dfine --train --train_json data/train/labels_coco/train.json --val_json data/val/labels_coco/val.json --img_root data/train/images_processed --epochs 60 --batch_size 2 --project results

3. 학습된 모델로 추론

사전 학습된 가중치를 로드하여 테스트 이미지에서 객체 감지를 수행합니다.

python main.py --model yolo --inference --weights results/best.pt --test_dir data/test

또는 D-FINE 모델:

python main.py --model dfine --inference --weights results/dfine/best.pt --test_dir data/test

4. 모델 앙상블

여러 YOLOv8 모델을 결합하여 더 정확한 예측을 생성합니다.

python main.py --model yolo --inference --weights results/ensemble --test_dir data/test

5. 데이터셋 다운샘플링 및 분할

클래스 불균형 문제를 해결하기 위한 전략적 다운샘플링을 수행하고, 데이터를 학습/검증/테스트 세트로 자동 분할합니다:

python tools/dataset_downsampling.py --coco_json data/train/labels_coco/train.json --img_dir data/train/images --output_dir dataset_split --balance_by_min_class --split_data

보다 자세한 내용은 tools/README.md를 참조하세요.

매개변수 설명

매개변수	설명	기본값
--model	사용할 모델 (yolo, dfine)	yolo
--train	모델 학습 실행 여부	False
--inference	추론 실행 여부	False
--train_dir	학습 데이터 디렉토리	data/train
--val_dir	검증 데이터 디렉토리	data/val
--test_dir	테스트 데이터 디렉토리	data/test
--epochs	학습 에포크 수	50
--batch_size	배치 크기	8
--img_size	이미지 크기	640
--project	결과 저장 디렉토리	results
--weights	사전 학습된 가중치 파일 경로	None
--train_json	COCO 형식 학습 주석 파일 (D-FINE용)	None
--val_json	COCO 형식 검증 주석 파일 (D-FINE용)	None
--img_root	이미지 루트 디렉토리 (D-FINE용)	None

모델 지원

YOLOv8

YOLOv8은 실시간 객체 감지를 위한 빠르고 정확한 모델입니다. 다양한 크기(n, s, m, l, x)를 지원합니다.

D-FINE

D-FINE은 디퓨전 기반 객체 감지 모델로, 복잡한 장면에서 높은 정확도를 제공합니다. COCO 형식의 데이터셋이 필요합니다.

데이터셋 구조 및 요구사항

data/
├─test/
│  ├─images/         # 테스트 이미지
│  ├─labels_coco/    # COCO 형식 주석 파일
│  └─labels_json/    # 원본 JSON 형식 주석 파일
├─train/
│  ├─images/         # 원본 학습 이미지
│  ├─images_processed/ # 전처리된 학습 이미지 (그레이스케일, CLAHE 등 적용)
│  ├─labels_coco/    # COCO 형식 주석 파일
│  ├─labels_json/    # 원본 JSON 형식 주석 파일
│  └─labels_yolo/    # YOLO 형식 주석 파일
└─val/
   ├─images/         # 검증 이미지
   ├─labels_coco/    # COCO 형식 주석 파일
   └─labels_json/    # 원본 JSON 형식 주석 파일

YOLOv8 모델

• 디렉토리 구조:
  • 이미지: train_dir/images 또는 train_dir/images_processed(전처리된 경우)
  • 라벨: train_dir/labels_yolo
• 라벨 포맷: YOLO 형식 (.txt)
  • 각 줄: <class_id> <x_center> <y_center> <width> <height> (모두 정규화된 좌표 [0-1])

D-FINE 모델

• 디렉토리 구조:
  • 이미지: img_root (전처리된 이미지 권장: data/train/images_processed)
  • 주석: train_json (COCO 형식: data/train/labels_coco/train.json)
• 라벨 포맷: COCO 형식 (.json)

  • 주요 섹션: images, annotations, categories

  • 바운딩 박스 형식: [x, y, width, height] (절대 좌표)

  • 하이퍼 파라미터 모델 간 피드백

    • 백 프레셔 기법