RevYOLOv5_3 のバックアップ(No.7)

  [ トップ ]   [ 一覧 | 検索 | 履歴 | ログイン ]

• バックアップ一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• RevYOLOv5_3 へ行く。
  • 1 (2024-05-13 (月) 09:55:01)
  • 2 (2024-05-13 (月) 11:37:36)
  • 3 (2024-05-17 (金) 13:59:53)
  • 4 (2024-05-23 (木) 16:24:10)
  • 5 (2024-05-23 (木) 17:31:06)
  • 6 (2024-05-24 (金) 13:31:35)
  • 7 (2024-05-24 (金) 17:30:31)
  • 8 (2024-05-25 (土) 07:02:38)
  • 9 (2024-05-25 (土) 08:39:11)
  • 10 (2024-05-25 (土) 16:27:40)
  • 11 (2024-05-28 (火) 15:35:46)
  • 12 (2024-05-29 (水) 07:12:55)
  • 13 (2024-05-30 (木) 16:31:15)
  • 14 (2024-05-31 (金) 16:41:38)
  • 15 (2024-06-09 (日) 15:55:01)
  • 16 (2024-06-12 (水) 14:53:47)

---

私的AI研究会 > RevYOLOv5_3

『ナンバープレート判別』「YOLO V5」３　== 編集中 == †

　物体検出の応用として車のナンバープレート識別を検討してみる

• 参考サイト
  ・車のナンバープレート読み取りプログラム
  ・ YOLOv8でナンバープレートを検出してAI-OCRで読み取ってみました
  

• 手順 2ステップでナンバープレートを読み取る
  
  Step 1: ナンバープレートの領域を調べる
  ・「YOLO v5」を使ってナンバープレートの追加学習を行い得られた学習済みモデルを使用しナンバープレートの領域を得る
  
  Step 2: その領域からナンバープレートの情報を読み取る
  ・方法１: ランダムなナンバープレート画像を生成しデータセットとして「YOLO v5」の追加学習をして物体認識の手法で上位法を取得
  ・方法２: AI-OCR を使って領域を切り出したナンバープレート画像から情報を得る
  

Step 1: ナンバープレートの領域を判別 †

データセットの準備 †

1. Vehicle Detection Computer Vision Project のページを開く
   ・「Download」ボタンを押す
   ・ダウンロードファイル「Vehicle Detection.v7i.yolov5pytorch.zip」を解凍する
   ・フォルダ名を変更「Vehicle Detection.v7i.yolov5pytorch」→「vd_dataset」
   
   
2. 「vd_dataset/」フォルダ内の「data.yaml」をコピーしてファイル「vd_data.yaml」を作成
   ・データセットの配置場所は「yolov5/data/」フォルダとする
   

   train: data/vd_dataset/train/images
   val: data/vd_dataset/valid/images
   test: data/vd_dataset/test/images
   
   nc: 2
   names: ['licence', 'licenseplate']
   
   roboflow:
     workspace: image-processing-u647q
     project: vehicle-detection-639on
     version: 7
     license: CC BY 4.0
     url: https://universe.roboflow.com/image-processing-u647q/vehicle-detection-639on/dataset/7

3. 「vd_dataset/」フォルダを「yolov5/data/」内にコピー（移動）する
   

学習の実行 †

1. エポック数 100 で実行する
   ・実行ディレクトリは「workspace_pylearn/yolov5/」
   ・学習モデルはデフォールト設定「yolov7s」を使用する
   ・学習結果フォルダ名は「vd_yolov5s_ep100」とする

   (py_learn) python train.py --epochs 100 --data data/vd_dataset/vd_data.yaml --weights yolov5s.pt --name vd_yolov5s_ep100

   ・GPU を使用しない場合は以下のコマンドを実行する
   

   (py_learn) python train.py --epochs 100 --data data/vd_dataset/vd_data.yaml --weights yolov5s.pt --name vd_yolov5s_ep100 --device cpu

2. 学習の終了
   

   (py_learn) python train.py --epochs 100 --data data/vd_dataset/vd_data.yaml --weights yolov5s.pt --name vd_yolov5s_ep100
           :
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         99/99      4.17G    0.01894   0.006213   0.000583         12        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.544        0.5      0.468      0.242
   
   100 epochs completed in 0.107 hours.
   Optimizer stripped from runs\train\vd_yolov5s_ep100\weights\last.pt, 14.4MB
   Optimizer stripped from runs\train\vd_yolov5s_ep100\weights\best.pt, 14.4MB
   
   Validating runs\train\vd_yolov5s_ep100\weights\best.pt...
   Fusing layers...
   Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:01<0
                      all        136        155      0.476       0.53      0.472       0.26
                  licence        136        132      0.681      0.712      0.635      0.333
             licenseplate        136         23       0.27      0.348       0.31      0.187
   Results saved to runs\train\vd_yolov5s_ep100

   ▼「train.py」実行ログ詳細
   ▲「train.py」実行ログ詳細

   (py_learn) python train.py --epochs 100 --data data/vd_dataset/vd_data.yaml --weights yolov5s.pt --name vd_yolov5s_ep100
   train: weights=yolov5s.pt, cfg=, data=data/vd_dataset/vd_data.yaml, hyp=data\hyps\hyp.scratch-low.yaml, epochs=100, batch_size=16, imgsz=640, rect=False, resume=False, nosave=False, noval=False, noautoanchor=False, noplots=False, evolve=None, evolve_population=data\hyps, resume_evolve=None, bucket=, cache=None, image_weights=False, device=, multi_scale=False, single_cls=False, optimizer=SGD, sync_bn=False, workers=8, project=runs\train, name=vd_yolov5s_ep100, exist_ok=False, quad=False, cos_lr=False, label_smoothing=0.0, patience=100, freeze=[0], save_period=-1, seed=0, local_rank=-1, entity=None, upload_dataset=False, bbox_interval=-1, artifact_alias=latest, ndjson_console=False, ndjson_file=False
   github:  YOLOv5 is out of date by 10 commits. Use 'git pull' or 'git clone https://github.com/ultralytics/yolov5' to update.
   YOLOv5  v7.0-294-gdb125a20 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)
   
   hyperparameters: lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=0.05, cls=0.5, cls_pw=1.0, obj=1.0, obj_pw=1.0, iou_t=0.2, anchor_t=4.0, fl_gamma=0.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0
   Comet: run 'pip install comet_ml' to automatically track and visualize YOLOv5  runs in Comet
   TensorBoard: Start with 'tensorboard --logdir runs\train', view at http://localhost:6006/
   Overriding model.yaml nc=80 with nc=2
   
                    from  n    params  module                                  arguments
     0                -1  1      3520  models.common.Conv                      [3, 32, 6, 2, 2]
     1                -1  1     18560  models.common.Conv                      [32, 64, 3, 2]
     2                -1  1     18816  models.common.C3                        [64, 64, 1]
     3                -1  1     73984  models.common.Conv                      [64, 128, 3, 2]
     4                -1  2    115712  models.common.C3                        [128, 128, 2]
     5                -1  1    295424  models.common.Conv                      [128, 256, 3, 2]
     6                -1  3    625152  models.common.C3                        [256, 256, 3]
     7                -1  1   1180672  models.common.Conv                      [256, 512, 3, 2]
     8                -1  1   1182720  models.common.C3                        [512, 512, 1]
     9                -1  1    656896  models.common.SPPF                      [512, 512, 5]
    10                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]
    11                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
    12           [-1, 6]  1         0  models.common.Concat                    [1]
    13                -1  1    361984  models.common.C3                        [512, 256, 1, False]
    14                -1  1     33024  models.common.Conv                      [256, 128, 1, 1]
    15                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
    16           [-1, 4]  1         0  models.common.Concat                    [1]
    17                -1  1     90880  models.common.C3                        [256, 128, 1, False]
    18                -1  1    147712  models.common.Conv                      [128, 128, 3, 2]
    19          [-1, 14]  1         0  models.common.Concat                    [1]
    20                -1  1    296448  models.common.C3                        [256, 256, 1, False]
    21                -1  1    590336  models.common.Conv                      [256, 256, 3, 2]
    22          [-1, 10]  1         0  models.common.Concat                    [1]
    23                -1  1   1182720  models.common.C3                        [512, 512, 1, False]
    24      [17, 20, 23]  1     18879  models.yolo.Detect                      [2, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]]
   Model summary: 214 layers, 7025023 parameters, 7025023 gradients, 16.0 GFLOPs
   
   Transferred 343/349 items from yolov5s.pt
   AMP: checks passed
   optimizer: SGD(lr=0.01) with parameter groups 57 weight(decay=0.0), 60 weight(decay=0.0005), 60 bias
   train: Scanning C:\anaconda_win\workspace_pylearn\yolov5\data\vd_dataset\train\labels... 534 images, 0 backgrounds, 0 c
   train: New cache created: C:\anaconda_win\workspace_pylearn\yolov5\data\vd_dataset\train\labels.cache
   val: Scanning C:\anaconda_win\workspace_pylearn\yolov5\data\vd_dataset\valid\labels... 136 images, 0 backgrounds, 0 cor
   val: New cache created: C:\anaconda_win\workspace_pylearn\yolov5\data\vd_dataset\valid\labels.cache
   
   AutoAnchor: 4.49 anchors/target, 0.998 Best Possible Recall (BPR). Current anchors are a good fit to dataset
   Plotting labels to runs\train\vd_yolov5s_ep100\labels.jpg...
   Image sizes 640 train, 640 val
   Using 8 dataloader workers
   Logging results to runs\train\vd_yolov5s_ep100
   Starting training for 100 epochs...
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          0/99      3.35G     0.1077    0.02402    0.02739         10        640: 100%|██████████| 34/34 [00:03<00:00,  8.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:01<0
                      all        136        155    0.00147      0.441    0.00787     0.0015
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          1/99      4.17G    0.07881    0.01994    0.02233          8        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155     0.0881      0.286     0.0908     0.0228
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          2/99      4.17G    0.06813    0.01882    0.02023         11        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.124       0.14     0.0758     0.0166
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          3/99      4.17G    0.06052    0.01907    0.02192         15        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.262       0.28      0.187     0.0507
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          4/99      4.17G    0.05604    0.01678    0.01979          3        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.251      0.344      0.226     0.0733
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          5/99      4.17G    0.05357    0.01453    0.01962          4        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.339      0.468      0.275        0.1
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          6/99      4.17G    0.04962      0.013    0.01755         11        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.243      0.508      0.302      0.123
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          7/99      4.17G    0.04819    0.01288    0.01671          8        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.286      0.573      0.324      0.141
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          8/99      4.17G    0.04799    0.01224    0.01682          9        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155       0.41      0.496      0.403      0.141
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
          9/99      4.17G     0.0452    0.01103    0.01316         12        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.421      0.467      0.388      0.176
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         10/99      4.17G    0.04408    0.01181    0.01312         11        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.379       0.47      0.356      0.132
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         11/99      4.17G    0.04409    0.01053    0.01366         10        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.344      0.666      0.405      0.157
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         12/99      4.17G     0.0436    0.01069     0.0119          7        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.353      0.678      0.364      0.157
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         13/99      4.17G    0.04195    0.01045    0.01321          9        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.338      0.536      0.373      0.147
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         14/99      4.17G    0.04161    0.01003    0.01148         10        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.384      0.519      0.392       0.17
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         15/99      4.17G    0.04152     0.0105    0.01172         11        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155        0.4      0.604      0.398      0.156
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         16/99      4.17G    0.04103    0.01077   0.009728         16        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.398      0.691      0.403      0.183
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         17/99      4.17G    0.04067    0.01022   0.009083         10        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.329      0.525      0.309      0.136
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         18/99      4.17G    0.03998    0.01104   0.008598         12        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.463      0.597       0.44      0.182
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         19/99      4.17G    0.03857    0.01019   0.008915         10        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.431       0.55      0.395      0.175
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         20/99      4.17G     0.0397    0.01049   0.008228          8        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.407      0.478      0.389      0.173
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         21/99      4.17G     0.0381    0.01013    0.00713         11        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155       0.41      0.598       0.38      0.158
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         22/99      4.17G    0.03814    0.01021   0.007856          9        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.395      0.479      0.375      0.167
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         23/99      4.17G    0.03744   0.009726   0.008886         13        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.407      0.475      0.366      0.179
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         24/99      4.17G    0.03816   0.009636   0.007989         10        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.348      0.614      0.383      0.183
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         25/99      4.17G     0.0362   0.009729   0.006832          7        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.381      0.549      0.388      0.163
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         26/99      4.17G    0.03631    0.00967   0.006515         10        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.464      0.691      0.438      0.199
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         27/99      4.17G    0.03671   0.009812   0.006551         19        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.419      0.558      0.364      0.161
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         28/99      4.17G    0.03558   0.009518   0.008033         17        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.446      0.502      0.422      0.187
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         29/99      4.17G    0.03544   0.009402   0.006808          9        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.456      0.449      0.448       0.21
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         30/99      4.17G    0.03582   0.008926   0.004771          9        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.382      0.568      0.401      0.196
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         31/99      4.17G     0.0351   0.009278   0.006837         11        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.338      0.568      0.345      0.149
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         32/99      4.17G    0.03559   0.008784   0.006162          8        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.399      0.638      0.389      0.146
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         33/99      4.17G    0.03339   0.009218   0.006279          9        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.378      0.414      0.343      0.153
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         34/99      4.17G    0.03328   0.009094   0.005969         11        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.486      0.511      0.407      0.178
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         35/99      4.17G    0.03212   0.008869   0.004334          9        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155       0.44      0.464      0.381      0.185
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         36/99      4.17G    0.03479   0.008576   0.004585          7        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155       0.46      0.576      0.433      0.207
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         37/99      4.17G    0.03282   0.008963   0.004829          7        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.554      0.538      0.481      0.238
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         38/99      4.17G    0.03182   0.008006   0.005745          7        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.509      0.579      0.462      0.222
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         39/99      4.17G    0.03272    0.00886   0.004122         11        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.503      0.522      0.457      0.214
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         40/99      4.17G    0.03229   0.008904   0.004129          8        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.479      0.424      0.449      0.205
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         41/99      4.17G    0.03179   0.009141   0.004667         35        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.512        0.4      0.402      0.177
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         42/99      4.17G    0.03232   0.008642   0.004059          6        640: 100%|██████████| 34/34 [00:03<00:00, 10.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.466      0.466      0.436      0.214
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         43/99      4.17G    0.03252   0.008401   0.004131         11        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.477      0.515      0.453      0.231
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         44/99      4.17G    0.03102   0.008662   0.003599          8        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.535      0.496      0.487      0.233
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         45/99      4.17G    0.03094   0.008696   0.003257         12        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.546      0.531      0.509      0.231
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         46/99      4.17G     0.0311   0.008247   0.003277          9        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.554      0.476      0.452       0.22
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         47/99      4.17G    0.03009   0.008467   0.003349          9        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.403      0.504      0.408      0.208
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         48/99      4.17G    0.02996   0.007897   0.003302         11        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.493      0.556      0.467      0.231
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         49/99      4.17G    0.02982   0.008305     0.0032         13        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.487      0.522      0.478      0.252
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         50/99      4.17G    0.02879   0.007663   0.002992         12        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.433      0.498      0.449      0.217
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         51/99      4.17G    0.02883   0.007434   0.002397         12        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.498       0.47      0.434      0.208
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         52/99      4.17G     0.0286   0.007931   0.003441          8        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.404      0.608      0.421      0.208
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         53/99      4.17G    0.02858   0.007742   0.002966          7        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.414      0.442      0.429       0.21
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         54/99      4.17G      0.029   0.007838   0.002552          9        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.455      0.459      0.434       0.21
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         55/99      4.17G    0.02779   0.007517   0.003272          6        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.449      0.596      0.425      0.201
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         56/99      4.17G    0.02813   0.007328   0.002441          6        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.344      0.454      0.356      0.165
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         57/99      4.17G    0.02872   0.008069   0.002178         13        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.448      0.473      0.395       0.19
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         58/99      4.17G    0.02734   0.007133   0.001701         12        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155       0.46       0.58      0.459      0.221
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         59/99      4.17G    0.02736   0.007516   0.002258          4        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.436      0.544      0.437      0.217
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         60/99      4.17G    0.02616   0.007238   0.002091          7        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.456      0.427      0.435      0.212
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         61/99      4.17G    0.02666   0.007796   0.001681          8        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.522      0.445       0.44      0.227
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         62/99      4.17G    0.02614   0.007259   0.002317          7        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.447      0.581      0.472      0.236
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         63/99      4.17G    0.02614    0.00749   0.001597          9        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.447      0.602      0.464      0.213
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         64/99      4.17G    0.02571   0.007683   0.001898         12        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155        0.5       0.48      0.428      0.207
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         65/99      4.17G    0.02528   0.007227   0.002234         14        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.555      0.537      0.458      0.236
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         66/99      4.17G    0.02516   0.007606   0.001728         11        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.569       0.46      0.446      0.239
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         67/99      4.17G    0.02534   0.006963   0.001995         14        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.478       0.53      0.471      0.259
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         68/99      4.17G    0.02417   0.006699   0.001296          6        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.527      0.503      0.468      0.252
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         69/99      4.17G    0.02451   0.006508  0.0008484          6        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.464       0.52      0.443      0.229
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         70/99      4.17G    0.02485   0.007124   0.001725         11        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.451      0.469      0.445      0.229
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         71/99      4.17G     0.0237   0.006755   0.001088         10        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.444      0.529      0.431      0.214
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         72/99      4.17G    0.02346   0.006891   0.001379         15        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.445      0.537      0.436      0.222
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         73/99      4.17G    0.02407   0.007179   0.001141         17        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.496      0.488      0.418      0.221
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         74/99      4.17G    0.02253   0.006743   0.001067          9        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.449      0.508      0.408      0.209
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         75/99      4.17G    0.02311   0.006914  0.0009088         12        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155       0.51      0.457      0.426      0.214
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         76/99      4.17G    0.02289   0.006651   0.001182         10        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.538      0.448      0.439      0.228
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         77/99      4.17G    0.02306   0.006418  0.0007185         13        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.513      0.525      0.446      0.235
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         78/99      4.17G    0.02275   0.006783  0.0009759         11        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.518      0.492      0.436      0.221
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         79/99      4.17G    0.02272   0.006716   0.001041         17        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.475      0.515      0.444      0.224
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         80/99      4.17G    0.02203   0.006576   0.001053         12        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.511      0.445      0.451      0.234
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         81/99      4.17G    0.02181   0.006566  0.0006471         10        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.535      0.444      0.431      0.223
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         82/99      4.17G    0.02159   0.006546  0.0006951         11        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.488      0.515      0.463       0.24
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         83/99      4.17G    0.02111   0.006619  0.0008768         26        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.475      0.511      0.454      0.232
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         84/99      4.17G    0.02119    0.00669   0.001046          8        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.492      0.502      0.435      0.225
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         85/99      4.17G    0.02142   0.006132  0.0004634          5        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.468      0.548      0.436      0.229
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         86/99      4.17G    0.02127   0.006663    0.00109         12        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.508      0.534      0.462       0.24
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         87/99      4.17G    0.02075   0.006554  0.0009801         10        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.572      0.547      0.479      0.245
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         88/99      4.17G    0.02098   0.006237  0.0008284          9        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.549      0.558      0.475      0.244
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         89/99      4.17G    0.02011   0.006429  0.0008699          9        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.576      0.492      0.463      0.242
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         90/99      4.17G    0.02069   0.006413  0.0009655         11        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.538      0.492      0.452      0.235
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         91/99      4.17G    0.02029   0.006122  0.0006603         11        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.545      0.548      0.465      0.235
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         92/99      4.17G    0.01956   0.006109  0.0006611         11        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.528      0.541       0.48      0.248
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         93/99      4.17G    0.01998   0.006234  0.0005419         13        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.501      0.565      0.481      0.253
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         94/99      4.17G    0.01997   0.005772  0.0007185          9        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.536      0.518      0.468      0.248
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         95/99      4.17G    0.01924   0.006182  0.0006602          8        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.589      0.488      0.474      0.243
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         96/99      4.17G     0.0196   0.006417   0.001518         11        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.595      0.478      0.471      0.239
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         97/99      4.17G    0.01935   0.006105  0.0005842         14        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.486      0.562      0.465      0.244
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         98/99      4.17G     0.0186   0.006031  0.0004643         12        640: 100%|██████████| 34/34 [00:02<00:00, 11.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.473       0.57      0.469      0.243
   
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         99/99      4.17G    0.01894   0.006213   0.000583         12        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                      all        136        155      0.544        0.5      0.468      0.242
   
   100 epochs completed in 0.107 hours.
   Optimizer stripped from runs\train\vd_yolov5s_ep100\weights\last.pt, 14.4MB
   Optimizer stripped from runs\train\vd_yolov5s_ep100\weights\best.pt, 14.4MB
   
   Validating runs\train\vd_yolov5s_ep100\weights\best.pt...
   Fusing layers...
   Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:01<0
                      all        136        155      0.476       0.53      0.472       0.26
                  licence        136        132      0.681      0.712      0.635      0.333
             licenseplate        136         23       0.27      0.348       0.31      0.187
   Results saved to runs\train\vd_yolov5s_ep100

   
   
3. メッセージ「Results saved to runs\train\vd_yolov5s_ep30」のファイルを確認
   ・学習結果モデルは「runs/train/vd_yolov5s_ep100/weights」評価指標は「runs/train/vd_yolov5s_ep100/」
   

   F1 curve	P curve	PR curve	R curve

   
   
   
   
   
   
   
   
   
   
   
   
   

実行結果を使って推論 †

1. ラベルファイルを作成する
   ・「vd_names_jp」日本語ファイル
   

   ナンバー
   ナンバープレート

   ・「vd_names」英語ファイル
   

   licence
   licenseplate

2. 「detect2.py」で推論実行（静止画をフォルダごとまとめて）
   ・学習結果モデルを指定する
   

   (py_learn) python detect2.py --weights runs/train/vd_yolov5s_ep100/weights/best.pt --source ../number/test_data/

   
   ・実行ログ（結果は「runs/detect/exp*」*は順次更新）
   

   (py_learn) python detect2.py --weights runs/train/vd_yolov5s_ep100/weights/best.pt --source ../number/test_data/
   detect2: weights=['runs/train/vd_yolov5s_ep100/weights/best.pt'], source=../number/test_data/, data=data\coco128.yaml, imgsz=[640, 640], conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_csv=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs\detect, name=exp, exist_ok=False, line_thickness=3, hide_labels=False, hide_conf=False, half=False, dnn=False, vid_stride=1
   YOLOv5  v7.0-294-gdb125a20 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)
   
   Fusing layers...
   Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
   Speed: 0.2ms pre-process, 5.4ms inference, 1.2ms NMS per image at shape (1, 3, 640, 640)
   Results saved to runs\detect\exp43

3. 「detect3_yolov5.py」で推論実行（静止画）
   ・学習結果モデルを指定する
   

   (py_learn) python detect3_yolov5.py -m runs/train/vd_yolov5s_ep100/weights/best.pt -i ../number/test_data/japan69.jpg -l ./data/vd_dataset/vd_names_jp

   
   ・実行ログ
   

   (py_learn) python detect3_yolov5.py -m runs/train/vd_yolov5s_ep100/weights/best.pt -i ../number/test_data/japan69.jpg -l ./data/vd_dataset/vd_names_jp
    Starting..
   
   Object detection+ YoloV5 Ver. 0.08: Starting application...
      OpenCV virsion : 4.9.0
   
      - Image File   :  ../number/test_data/japan69.jpg
      - YOLO v5      :  ultralytics/yolov5
      - Pretrained   :  runs/train/vd_yolov5s_ep100/weights/best.pt
      - Confidence lv:  0.25
      - Label file   :  ./data/vd_dataset/vd_names_jp
      - Program Title:  y
      - Speed flag   :  y
      - Processed out:  non
      - Use device   :  cuda:0
      - Log Level    :  3
   
   Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
   YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)
   
   Fusing layers...
   Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
   Adding AutoShape...
   
   FPS average:       8.90
   
    Finished.

    

Step 2: ナンバープレートの情報を識別 †

データセットの準備 †

1. ナンバープレートのデータセットについて
   ・ナンバープレート画像を多数収集するのは簡単ではないので、プログラムによって画像を生成する
   
   ・ナンバープレートには特殊なフォントが使用されているが、それらしいフォントで代用する（↓以下サイトの説明より）
   　※1 FZcarnumberJA-OTF_ver10.otf　「ＦＺナンバープレートゴシック　Ｖｅｒ.10」
   

   収録文字　半角の1234567890、ひらがなの全て（お、し、へ、ん、及び、ＴＲＭフォントに収録してある文字を除く）、金、高、口、山、士、沢、知、徳、島、奈、富、福、良   欧文大文字の全て、小文字の枠にＡＢＣＥＨＫＬＭＴＶ（沖縄に配慮して、Ｙは表示せず）カタカナの枠に「ツクバ」→「つくば」

   　※2 TrmFontJB.ttf　TRMフォント JB
   

   このフォントは自動車登録番号票の大板（大きいナンバープレート）の文字*1に似せたものです。
   上段数字（分類番号１・２・８・選択番号などの３）/下段数字（一連指定番号０～９　ハイフン　点）/下段ひらがなの一部（あ・い・う・を・か・き・く・け・こ・せ）を収録、事業者用大型車両の模型に適しています。

   
   ・使用するナンバープレートのフォント（地名・かな は 3種類を乱数で選択）
   
   
   
   
2. ナンバープレート生成プログラム「number_gen.py」を作成する
   ・8000枚のナンバープレート画像とラベルを生成する
   

   (py_learn) cd /anaconda_win/workspace_pylearn/number/
   (py_learn) python number_gen.py

   ・生成したナンバープレートの例
   
   
   
   
   ・ソースコード
   
   ▼「number_gen.py」
   ▲「number_gen.py」

   # -*- coding: utf-8 -*-
   ##------------------------------------------
   ##  ナンバープレート生成        Ver 0.02
   ##
   ##               2024.05.20 Masahiro Izutsu
   ##------------------------------------------
   ## https://nuco.co.jp/blog/article/_GuFT52g
   ## number_gen.py
   ##  Ver 0.02        2024/05/22  フォント/位置調整
   
   from PIL import Image, ImageDraw, ImageFont, ImageFilter
   import random
   import os
   
   # 定数定義
   DATASET_PATH = './dataset_f'
   IMAGE_FILE = 'image'
   DATASET_TXT = 'data'
   GEN_COUNT = 8000
   
   # 保存フォルダの作成
   if not os.path.exists(DATASET_PATH):
       os.makedirs(DATASET_PATH)
   s = DATASET_PATH + '/images'
   if not os.path.exists(s):
       os.makedirs(s)
   s = DATASET_PATH + '/labels'
   if not os.path.exists(s):
       os.makedirs(s)
   
   # 採用されているひらがなリストを作成(全部で42個)
   hiragana = []
   for i in range(ord('あ'),ord('お')+1):
       if i % 2 == 0:
           hiragana.append(chr(i))
   for i in range(ord('か'),ord('ち')+1):
       if i % 2 == 1:
           hiragana.append(chr(i))
   hiragana.append('つ')
   for i in range(ord('て'),ord('と')+1):
       if i % 2 == 0:
           hiragana.append(chr(i))
   for i in range(ord('な'),ord('の')+1):
       hiragana.append(chr(i))
   for i in range(ord('は'),ord('ほ')+1):
       if i % 3 == 0:
           hiragana.append(chr(i))
   for i in range(ord('ま'),ord('も')+1):
       hiragana.append(chr(i))
   for i in range(ord('や'),ord('よ')+1):
       if i % 2 == 0:
           hiragana.append(chr(i))
   for i in range(ord('ら'),ord('ろ')+1):
       hiragana.append(chr(i))
   
   hiragana.append('わ')
   hiragana.append('を')
   
   # お、し、へ、んはナンバープレートに採用されていないため除外
   hiragana.remove('お')
   hiragana.remove('し')
   hiragana.remove('へ')
   
   # 地名リストを作成
   #place = ["品川", "練馬", "杉並", "板橋", "足立", "江東", "葛飾", "多摩", "世田谷", "八王子", "江戸川"]
   # yamlファイルに記載するためローマ字でのリストも作成
   #place_roma = ["shinagawa", "nerima", "suginami", "itabashi", "adachi", "koto", "katsushika", "tama", "setagaya", "hachioji", "edogawa"]
   
   place = ["京都", "なにわ", "大阪", "和泉", "堺", "奈良", "和歌山", "神戸", "徳島", "香川", "愛媛", "千葉"]
   place_roma = ["kyoto", "naniwa", "oosaka", "izumi", "sakai", "nara", "wakayama", "kobe", "tokushima", "kagawa", "ehime", "chiba"]
   
   # 画像出力用リスト
   names_ja = []
   
   # yamlファイル記載用リスト
   names = []
   names_jp = []
   
   # 0~9の数字をstr型に直してリストに追加。
   for i in range(10):
       names.append(str(i))
       names_jp.append(str(i))
       names_ja.append(str(i))
   
   # ひらがなをリストに追加、認識結果は10~51で表示される
   for idx, i in enumerate(hiragana):
       names_ja.append(i)
       names.append(str(idx + 10))
       names_jp.append(i)
   
   # 地名をリストに追加
   for i in place:
       names_ja.append(i)
       names_jp.append(i)
   for i in place_roma:
       names.append(i)
   
   # yamlファイルに記載する内容を出力
   data_txt = DATASET_PATH + '/' + DATASET_TXT +'.txt'
   data_jp_txt = DATASET_PATH + '/' + DATASET_TXT +'_jp.txt'
   
   with open(data_txt,'w', encoding = 'utf_8_sig') as f:
       f.write(f'nc: {len(names)}\n')
       f.write(f'names:\n')
       for i in range(len(names)):
           f.write(f"  {i}: '{names[i]}'\n")
   
   s = DATASET_PATH + '/names'
   with open(s,'w', encoding = 'utf_8_sig') as f:
       for i in range(len(names)):
           if i > 0:
               f.write('\n')
           f.write(f"'{names[i]}'")
   
   s = DATASET_PATH + '/names_jp'
   with open(s,'w', encoding = 'utf_8_sig') as f:
       for i in range(len(names_jp)):
           if i > 0:
               f.write('\n')
           f.write(f"'{names_jp[i]}'")
   
   # 画像の出力
   for iter in range(GEN_COUNT):
       # 日本のナンバープレートは330×160mm
       width = 330
       height = 165
   
       # ナンバープレートの背景とテキストの色をランダムで決定するための乱数
       color_int = random.randint(0, 99)
   
       # 60%の確率で普通自動車
       if color_int < 60:
           plate_color = (255, 255, 255)
           text_color = (29, 54, 35)
       # 20%の確率で軽自動車
       elif color_int < 80:
           plate_color = (230, 180, 21)
           text_color = (0, 0, 0)
       # 15%の確率で事業用車
       elif color_int < 95:
           plate_color = (29, 54, 35)
           text_color = (255, 255, 255)
       # 5%の確率で事業用軽自動車
       else:
           plate_color = (0, 0, 0)
           text_color = (230, 180, 21)
   
       # 画像を描画する場所を準備
       im = Image.new("RGB", (width, height), plate_color)
       draw = ImageDraw.Draw(im)
   
       # 4桁の数字をランダムに生成
       num4 = []
       num4.append(random.randint(1, 9))
       for i in range(3):
           num4.append(random.randint(0, 9))
   
       # 3桁の数字をランダムに生成
       num3 = []
       num3.append(random.randint(1, 9))
       for i in range(2):
           num3.append(random.randint(0, 9))
   
       # ひらがなをランダムに選択
       random_hira = random.randint(10, 51)
       # ひらがなのフォントをランダムに選択
       font_random = random.randint(0, 2)
   
       # 地名をランダムに選択
       random_place = random.randint(52, 52 + len(place) - 1)
       # 地名のフォントをランダムに選択
       font_random_place = random.randint(0, 2)
   
       # それぞれを変数に格納
       texts_4num = [str(num4[0]), str(num4[1]), str(num4[2]),str(num4[3])]
       text_place = names_ja[random_place]
       texts_3num = [str(num3[0]), str(num3[1]), str(num3[2])]
       text_hira = names_ja[random_hira]
       text_hyphen = "-"
   
   
       print(f'{iter}: {text_place} {texts_3num} {text_hira} {texts_4num}')
   
   
       # ナンバープレートフォント（ダウンロード）
       font_4num = ImageFont.truetype('./FZcarnumberJA-OTF_ver10.otf', 80)
   
       # 文字の長さによってフォントサイズを変更
       if len(names_ja[random_place]) <= 2:
           fontsize_place = 44
       else:
           fontsize_place = 35
   
       # 地名のフォントを選択    
       if font_random == 0:
           # メイリオ
           font_place = ImageFont.truetype('C:/Windows/Fonts/meiryo.ttc', fontsize_place)
       elif font_random == 1:
           # HG丸ゴシックM-PRO
           font_place = ImageFont.truetype('C:/Windows/Fonts/HGRSMP.TTF', fontsize_place)
       elif font_random == 2:
           # HGゴシックM
           font_place = ImageFont.truetype('C:/Windows/Fonts/HGRGM.TTC', fontsize_place)
   
       font_3num = ImageFont.truetype('./TrmFontJB.ttf', 42)
   
       if font_random == 0:
           # HG正解書体-PRO
           font_hira = ImageFont.truetype('C:/Windows/Fonts/HGRSKP.TTF', 40)
       elif font_random == 1:
           # HGS行書体
           font_hira = ImageFont.truetype('C:/Windows/Fonts/HGRGY.TTC', 40)
       elif font_random == 2:
           # メイリオ
           font_hira = ImageFont.truetype('C:/Windows/Fonts/yumindb.ttf', 40)
   
       # 文字描画の初期位置（画像左上からx, yだけ離れた位置）
       x_4num = 70
       y_4num = 70
       if len(names_ja[random_place]) == 2:
           x_place = 84
           y_place = 10
       elif len(names_ja[random_place]) == 1:
           x_place = 94
           y_place = 10
       else:
           x_place = 74
           y_place = 12
       x_3num = 180
       y_3num = 16
       x_hira = 16
       y_hira = 90
   
       # 4桁の数字の描画
       for i,text in enumerate(texts_4num):
           # 描画位置、描画する文字、文字色、フォントを指定
           draw.text((x_4num, y_4num), text, fill= text_color, font=font_4num)
           x_4num = x_4num + 55
   
           if i == 1:
               x_4num = x_4num + 33
   
       # 地名の描画
       draw.text((x_place, y_place), text_place, fill= text_color, font=font_place)
       # 3桁の数字の描画
       for i,text in enumerate(texts_3num):
           draw.text((x_3num, y_3num), text, fill= text_color, font=font_3num)
           x_3num = x_3num + 30
       # ひらがなの描画
       draw.text((x_hira, y_hira), text_hira, fill= text_color, font=font_hira)
       # ハイフンの描画
       draw.line((185, 115, 205, 115), fill= text_color, width=10)
   
       # ねじみたいな部分描画
       draw.ellipse((50, 23, 60, 33), fill=(90, 80, 60))
       draw.ellipse((280, 23, 290, 33), fill=(90, 80, 60))
   
       # 画像をぼかす
       imf = im.filter(ImageFilter.GaussianBlur(radius=2))
       imf.save(f"./imagef.jpg")
   
       # 画像ファイル作成
       img_file =  DATASET_PATH + '/images/' + IMAGE_FILE + f'{iter:04}.jpg'
       print(f'image: {img_file}')
       im.save(f"./image.jpg")
       imf.save(img_file)
   
       # ラベルデータファイル作成
       # (x_center, y_center, width, height)
       label_file =  DATASET_PATH + '/labels/' + IMAGE_FILE + f'{iter:04}.txt'
       print(f'label: {label_file}\n')
   #    with open(label_file, 'w', encoding = 'utf_8_sig') as f:
       with open(label_file, 'w') as f:
           # 4桁のうち1桁目
           f.write(f'{num4[0]} {95/width} {127.5/height} {60/width} {95/height}\n')
           # 4桁のうち2桁目
           f.write(f'{num4[1]} {152.5/width} {127.5/height} {75/width} {95/height}\n')
           # 4桁のうち3桁目
           f.write(f'{num4[2]} {238/width} {127.5/height} {60/width} {95/height}\n')
           # 4桁のうち4桁目
           f.write(f'{num4[3]} {298/width} {127.5/height} {60/width} {95/height}\n')
           # 3桁のうち1桁目
           f.write(f'{num3[0]} {195/width} {35/height} {30/width} {50/height}\n')
           # 3桁のうち2桁目
           f.write(f'{num3[1]} {225/width} {35/height} {30/width} {50/height}\n')
           # 3桁のうち3桁目
           f.write(f'{num3[2]} {255/width} {35/height} {30/width} {50/height}\n')
           # ひらがな
           f.write(f'{random_hira} {35/width} {110/height} {50/width} {50/height}\n')
           # 地名
           f.write(f'{random_place} {126/width} {36/height} {106/width} {60/height}\n')

   
   
3. データセット名を「nm_dataset」として配置するディレクトリを作成する
   ・以下のコマンドを実行

   mkdir -p nm_dataset/train/images
   mkdir -p nm_dataset/val/images
   mkdir -p nm_dataset/train/labels
   mkdir -p nm_dataset/val/labels

   ・作成結果
   

   (py_learn) tree
   /anaconda_win/workspace_pylearn/number
   ├─nm_dataset
   │  ├─train
   │  │  ├─images
   │  │  └─labels
   │  └─val
   │      ├─images
   │      └─labels

4. 「nm_dataset」ディレクトリに画像ファイルとラベルファイルを配置する
   検証用(val)：学習用(train) がおよそ 8:2 になるようにする
   ・検証用はファイル名の末尾が 1 (800個), 5 (800個) のもの計1600個を移動
   

   move dataset_f/labels/*1.txt nm_dataset/val/labels
   move dataset_f/labels/*5.txt nm_dataset/val/labels
   move dataset_f/images/*1.jpg nm_dataset/val/images
   move dataset_f/images/*5.jpg nm_dataset/val/images

   ・学習用は残りのファイルを移動｛8000-1600 = 6400個）
   

   move dataset_f/labels/*.txt nm_dataset/train/labels
   move dataset_f/images/*.jpg nm_dataset/train/images

5. 「nm_dataset/」フォルダ内にファイル nm_dataset.yaml を作成
   ・データセットの配置場所は「yolov5/data/」フォルダとする
   
   ▼「nm_dataset.yaml」
   ▲「nm_dataset.yaml」

   train: data/nm_dataset/train/images
   val: data/nm_dataset/val/images
   nc: 64
   names:
     0: '0'
     1: '1'
     2: '2'
     3: '3'
     4: '4'
     5: '5'
     6: '6'
     7: '7'
     8: '8'
     9: '9'
     10: '10'
     11: '11'
     12: '12'
     13: '13'
     14: '14'
     15: '15'
     16: '16'
     17: '17'
     18: '18'
     19: '19'
     20: '20'
     21: '21'
     22: '22'
     23: '23'
     24: '24'
     25: '25'
     26: '26'
     27: '27'
     28: '28'
     29: '29'
     30: '30'
     31: '31'
     32: '32'
     33: '33'
     34: '34'
     35: '35'
     36: '36'
     37: '37'
     38: '38'
     39: '39'
     40: '40'
     41: '41'
     42: '42'
     43: '43'
     44: '44'
     45: '45'
     46: '46'
     47: '47'
     48: '48'
     49: '49'
     50: '50'
     51: '51'
     52: 'kyoto'
     53: 'naniwa'
     54: 'oosaka'
     55: 'izumi'
     56: 'sakai'
     57: 'nara'
     58: 'wakayama'
     59: 'kobe'
     60: 'tokushima'
     61: 'kagawa'
     62: 'ehime'
     63: 'chiba'

   
   
6. 「nm_dataset/」フォルダを「yolov5/data/」内にコピー（移動）する
   

学習の実行 †

1. エポック数 30/50/100 で実行する
   ・実行ディレクトリは「workspace_pylearn/yolov5/」
   ・学習モデルはデフォールト設定「yolov7s」を使用する
   ・学習結果フォルダ名は「nm_yolov5s_ep50」とする

   (py_learn) python train.py --data data/nm_dataset/nm_dataset.yaml --weights yolov5s.pt --epochs 30 --name nm_yolov5s_ep50

   (py_learn) python train.py --data data/nm_dataset/nm_dataset.yaml --weights yolov5s.pt --epochs 50 --name nm_yolov5s_ep50

   (py_learn) python train.py --data data/nm_dataset/nm_dataset.yaml --weights yolov5s.pt --epochs 100 --name nm_yolov5s_ep50

   
   
2. 学習の終了
   
   ▼　エポック数 30 実行ログ抜粋
   ▲　エポック数 30 実行ログ抜粋

   (py_learn) python train.py --data data/nm_dataset/nm_dataset.yaml --weights
    yolov5s.pt --epochs 30 --name nm_yolov5s_ep30
       :
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         29/29      3.81G   0.006697    0.01863    0.00697        315        640: 100%|██████████| 400/400 [00:34<00:00, 1
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 50/50 [00:11
                      all       1600      14400      0.904      0.949      0.977      0.958
   
   30 epochs completed in 0.389 hours.
   Optimizer stripped from runs\train\nm_yolov5s_ep30\weights\last.pt, 14.7MB
   Optimizer stripped from runs\train\nm_yolov5s_ep30\weights\best.pt, 14.7MB
   
   Validating runs\train\nm_yolov5s_ep30\weights\best.pt...
   Fusing layers...
   Model summary: 157 layers, 7182733 parameters, 0 gradients, 16.3 GFLOPs
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 50/50 [00:13
                      all       1600      14400      0.903      0.949      0.977      0.958
                        0       1600        804      0.999          1      0.995      0.995
                        1       1600       1137      0.999          1      0.995      0.995
                        2       1600       1200      0.999          1      0.995      0.995
                        3       1600       1217      0.999          1      0.995      0.995
                        4       1600       1144      0.999          1      0.995      0.995
                        5       1600       1197      0.999          1      0.995      0.995
                        6       1600       1092      0.999          1      0.995      0.995
                        7       1600       1122      0.999          1      0.995      0.995
                        8       1600       1134      0.999          1      0.995      0.995
                        9       1600       1153      0.999          1      0.995      0.995
                       10       1600         45      0.988          1      0.995      0.988
                       11       1600         38      0.981          1      0.995      0.898
                       12       1600         42      0.979          1      0.995      0.986
                       13       1600         37      0.974          1      0.995      0.992
                       14       1600         33      0.974          1      0.995      0.917
                       15       1600         39      0.696          1      0.995      0.965
                       16       1600         36      0.977          1      0.995      0.979
                       17       1600         34      0.972          1      0.995       0.98
                       18       1600         41      0.977          1      0.995      0.931
                       19       1600         32      0.916      0.679      0.945      0.853
                       20       1600         43      0.607          1      0.995       0.98
                       21       1600         46      0.981          1      0.995      0.957
                       22       1600         32      0.923          1      0.995      0.985
                       23       1600         33      0.978          1      0.995      0.939
                       24       1600         38          1      0.726      0.944      0.944
                       25       1600         40      0.979          1      0.995      0.995
                       26       1600         45      0.981          1      0.995      0.995
                       27       1600         41      0.977          1      0.995       0.94
                       28       1600         49          1          0      0.793       0.79
                       29       1600         35      0.976          1      0.995      0.958
                       30       1600         33      0.946          1      0.995      0.988
                       31       1600         33      0.162      0.141      0.468      0.468
                       32       1600         35      0.966          1      0.995       0.99
                       33       1600         33          1      0.771      0.984      0.984
                       34       1600         37      0.787          1      0.995      0.907
                       35       1600         33      0.495          1      0.995       0.94
                       36       1600         37      0.834       0.73      0.857      0.854
                       37       1600         40      0.505          1      0.995      0.995
                       38       1600         37      0.623          1      0.995      0.995
                       39       1600         34          1      0.952      0.992      0.992
                       40       1600         36      0.798          1      0.995      0.995
                       41       1600         35       0.85      0.969      0.968      0.942
                       42       1600         34      0.976          1      0.995      0.965
                       43       1600         37      0.636          1      0.995      0.986
                       44       1600         39      0.931          1      0.995       0.84
                       45       1600         42      0.834          1      0.993      0.948
                       46       1600         41       0.98          1      0.995      0.941
                       47       1600         48      0.902          1      0.995      0.958
                       48       1600         43      0.591          1      0.983      0.979
                       49       1600         34      0.744          1      0.995      0.972
                       50       1600         44       0.84      0.795      0.895       0.89
                       51       1600         36      0.946      0.978      0.979      0.918
                    kyoto       1600        145      0.986          1      0.995      0.995
                   naniwa       1600        122      0.994          1      0.995      0.995
                   oosaka       1600        150      0.905          1      0.995      0.995
                    izumi       1600        130      0.995          1      0.995      0.995
                    sakai       1600        126      0.992          1      0.995      0.995
                     nara       1600        141      0.995          1      0.995      0.995
                 wakayama       1600        139      0.995          1      0.995      0.995
                     kobe       1600        133      0.993          1      0.995      0.995
                tokushima       1600        137      0.995          1      0.995      0.995
                   kagawa       1600        141      0.808          1      0.995      0.995
                    ehime       1600        113      0.994          1      0.995      0.995
                    chiba       1600        123      0.992          1      0.995      0.995
   Results saved to runs\train\nm_yolov5s_ep30

   ▼　エポック数 50 実行ログ抜粋
   ▲　エポック数 50 実行ログ抜粋

   (py_learn) python train.py --data data/nm_dataset/nm_dataset.yaml --weights yolov5s.pt --epochs 50 --name nm_yolov5s_ep50
       :
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         49/49      3.81G   0.005283     0.0148   0.003302        351        640: 100%|██████████| 400/400 [00:33<00:00, 1
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 50/50 [00:10
                      all       1600      14400      0.998          1      0.995      0.995
   
   50 epochs completed in 0.642 hours.
   Optimizer stripped from runs\train\nm_yolov5s_ep50\weights\last.pt, 14.7MB
   Optimizer stripped from runs\train\nm_yolov5s_ep50\weights\best.pt, 14.7MB
   
   Validating runs\train\nm_yolov5s_ep50\weights\best.pt...
   Fusing layers...
   Model summary: 157 layers, 7182733 parameters, 0 gradients, 16.3 GFLOPs
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 50/50 [00:13
                      all       1600      14400      0.998          1      0.995      0.995
                        0       1600        804          1          1      0.995      0.995
                        1       1600       1137          1          1      0.995      0.995
                        2       1600       1200          1          1      0.995      0.995
                        3       1600       1217          1          1      0.995      0.995
                        4       1600       1144          1          1      0.995      0.995
                        5       1600       1197          1          1      0.995      0.995
                        6       1600       1092          1          1      0.995      0.995
                        7       1600       1122          1          1      0.995      0.995
                        8       1600       1134          1          1      0.995      0.995
                        9       1600       1153          1          1      0.995      0.995
                       10       1600         45      0.998          1      0.995      0.995
                       11       1600         38      0.997          1      0.995      0.995
                       12       1600         42      0.998          1      0.995      0.995
                       13       1600         37      0.997          1      0.995      0.995
                       14       1600         33      0.997          1      0.995      0.995
                       15       1600         39      0.997          1      0.995      0.995
                       16       1600         36      0.997          1      0.995      0.995
                       17       1600         34      0.997          1      0.995      0.995
                       18       1600         41      0.997          1      0.995      0.995
                       19       1600         32      0.997          1      0.995      0.995
                       20       1600         43      0.998          1      0.995      0.995
                       21       1600         46      0.998          1      0.995      0.995
                       22       1600         32      0.997          1      0.995      0.995
                       23       1600         33      0.997          1      0.995      0.995
                       24       1600         38      0.998          1      0.995      0.995
                       25       1600         40      0.998          1      0.995      0.995
                       26       1600         45      0.998          1      0.995      0.995
                       27       1600         41      0.998          1      0.995      0.995
                       28       1600         49      0.998          1      0.995      0.995
                       29       1600         35      0.997          1      0.995      0.995
                       30       1600         33      0.997          1      0.995      0.995
                       31       1600         33      0.998          1      0.995      0.995
                       32       1600         35      0.997          1      0.995      0.988
                       33       1600         33      0.998          1      0.995      0.995
                       34       1600         37      0.997          1      0.995      0.995
                       35       1600         33      0.997          1      0.995      0.995
                       36       1600         37      0.996          1      0.995      0.995
                       37       1600         40      0.998          1      0.995      0.995
                       38       1600         37      0.997          1      0.995      0.995
                       39       1600         34      0.998          1      0.995      0.995
                       40       1600         36      0.998          1      0.995      0.995
                       41       1600         35      0.997          1      0.995      0.995
                       42       1600         34      0.996          1      0.995      0.995
                       43       1600         37      0.997          1      0.995      0.995
                       44       1600         39      0.998          1      0.995      0.991
                       45       1600         42      0.998          1      0.995      0.995
                       46       1600         41      0.998          1      0.995      0.995
                       47       1600         48      0.998          1      0.995      0.995
                       48       1600         43      0.997          1      0.995      0.995
                       49       1600         34      0.997          1      0.995      0.995
                       50       1600         44      0.998          1      0.995      0.995
                       51       1600         36      0.998          1      0.995      0.995
                    kyoto       1600        145      0.999          1      0.995      0.995
                   naniwa       1600        122      0.999          1      0.995      0.995
                   oosaka       1600        150      0.999          1      0.995      0.995
                    izumi       1600        130      0.999          1      0.995      0.995
                    sakai       1600        126      0.999          1      0.995      0.995
                     nara       1600        141      0.999          1      0.995      0.995
                 wakayama       1600        139      0.999          1      0.995      0.995
                     kobe       1600        133      0.999          1      0.995      0.995
                tokushima       1600        137      0.999          1      0.995      0.995
                   kagawa       1600        141      0.999          1      0.995      0.995
                    ehime       1600        113      0.999          1      0.995      0.995
                    chiba       1600        123      0.999          1      0.995      0.995
   Results saved to runs\train\nm_yolov5s_ep50

   ▼　エポック数 100 実行ログ抜粋
   ▲　エポック数 100 実行ログ抜粋

   (py_learn) python train.py --data data/nm_dataset/nm_dataset.yaml --weights
    yolov5s.pt --epochs 100 --name nm_yolov5s_ep100
       :
         Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
         99/99      3.81G   0.004151     0.0112   0.002198        313        640: 100%|██████████| 400/400 [00:34<00:00, 1
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 50/50 [00:10
                      all       1600      14400      0.999          1      0.995      0.995
   
   100 epochs completed in 1.272 hours.
   Optimizer stripped from runs\train\nm_yolov5s_ep100\weights\last.pt, 14.7MB
   Optimizer stripped from runs\train\nm_yolov5s_ep100\weights\best.pt, 14.7MB
   
   Validating runs\train\nm_yolov5s_ep100\weights\best.pt...
   Fusing layers...
   Model summary: 157 layers, 7182733 parameters, 0 gradients, 16.3 GFLOPs
                    Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 50/50 [00:12
                      all       1600      14400      0.999          1      0.995      0.995
                        0       1600        804          1          1      0.995      0.995
                        1       1600       1137          1          1      0.995      0.995
                        2       1600       1200          1          1      0.995      0.995
                        3       1600       1217          1          1      0.995      0.995
                        4       1600       1144          1          1      0.995      0.995
                        5       1600       1197          1          1      0.995      0.995
                        6       1600       1092          1          1      0.995      0.995
                        7       1600       1122          1          1      0.995      0.995
                        8       1600       1134          1          1      0.995      0.995
                        9       1600       1153          1          1      0.995      0.995
                       10       1600         45      0.999          1      0.995      0.995
                       11       1600         38      0.999          1      0.995      0.995
                       12       1600         42      0.999          1      0.995      0.995
                       13       1600         37      0.998          1      0.995      0.995
                       14       1600         33      0.998          1      0.995      0.995
                       15       1600         39      0.999          1      0.995      0.995
                       16       1600         36      0.998          1      0.995      0.995
                       17       1600         34      0.998          1      0.995      0.995
                       18       1600         41      0.999          1      0.995      0.995
                       19       1600         32      0.998          1      0.995      0.995
                       20       1600         43      0.999          1      0.995      0.995
                       21       1600         46      0.999          1      0.995      0.995
                       22       1600         32      0.998          1      0.995      0.995
                       23       1600         33      0.998          1      0.995      0.995
                       24       1600         38      0.999          1      0.995      0.995
                       25       1600         40      0.999          1      0.995      0.995
                       26       1600         45      0.999          1      0.995      0.995
                       27       1600         41      0.999          1      0.995      0.995
                       28       1600         49      0.999          1      0.995      0.995
                       29       1600         35      0.998          1      0.995      0.995
                       30       1600         33      0.998          1      0.995      0.995
                       31       1600         33      0.998          1      0.995      0.995
                       32       1600         35      0.998          1      0.995      0.995
                       33       1600         33      0.998          1      0.995      0.995
                       34       1600         37      0.998          1      0.995      0.995
                       35       1600         33      0.998          1      0.995      0.995
                       36       1600         37      0.999          1      0.995      0.995
                       37       1600         40      0.999          1      0.995      0.995
                       38       1600         37      0.999          1      0.995      0.995
                       39       1600         34      0.998          1      0.995      0.995
                       40       1600         36      0.998          1      0.995      0.995
                       41       1600         35      0.998          1      0.995      0.995
                       42       1600         34      0.998          1      0.995      0.995
                       43       1600         37      0.998          1      0.995      0.995
                       44       1600         39      0.999          1      0.995      0.995
                       45       1600         42      0.999          1      0.995      0.995
                       46       1600         41      0.999          1      0.995      0.995
                       47       1600         48      0.999          1      0.995      0.995
                       48       1600         43      0.999          1      0.995      0.995
                       49       1600         34      0.998          1      0.995      0.995
                       50       1600         44      0.999          1      0.995      0.995
                       51       1600         36      0.998          1      0.995      0.995
                    kyoto       1600        145          1          1      0.995      0.995
                   naniwa       1600        122      0.999          1      0.995      0.995
                   oosaka       1600        150          1          1      0.995      0.995
                    izumi       1600        130          1          1      0.995      0.995
                    sakai       1600        126          1          1      0.995      0.995
                     nara       1600        141          1          1      0.995      0.995
                 wakayama       1600        139          1          1      0.995      0.995
                     kobe       1600        133          1          1      0.995      0.995
                tokushima       1600        137          1          1      0.995      0.995
                   kagawa       1600        141          1          1      0.995      0.995
                    ehime       1600        113      0.999          1      0.995      0.995
                    chiba       1600        123      0.999          1      0.995      0.995
   Results saved to runs\train\nm_yolov5s_ep100

   
   
3. 学習回数の違いによる結果を比較する
   

   学習回数	30	50	100
   バッチ数	16
   学習モデル	yolov5s.pt
   データセット	nm_dataset
   学習結果	nm_yolov5s_ep30	nm_yolov5s_ep50	nm_yolov5s_ep100
   F1 curve
   P curve
   PR curve
   R curve
   混同行列 Confusion Matrix
   評価指標
   学習時間	23分20秒	38分31秒	1時間16分19秒

実行結果を使って推論 †

1. 「detect3_yolov5.py」で推論実行
   ・学習結果モデルを指定（ログレベルを'0'として識別経過を表示）
   

   (py_learn) python detect3_yolov5.py -m ./runs/train/vd_yolov5s_ep100/weights/best.pt -ms ./runs/train/nm_yolov5s_ep50/weights/best.pt -l ./data/nm_dataset/vd_names_jp -i ../number/test_data/japan79.jpg --log 0

   
   ・実行ログ
   

   (py_learn) python detect3_yolov5.py -m ./runs/train/vd_yolov5s_ep100/weights/best.pt -ms ./runs/train/nm_yolov5s_ep50/weights/best.pt -l ./data/nm_dataset/vd_names_jp -i ../number/test_data/japan79.jpg --log 0
    Starting..
   
   Object detection+ YoloV5 Ver. 0.08: Starting application...
      OpenCV virsion : 4.9.0
   
      - Image File   :  ../number/test_data/japan79.jpg
      - YOLO v5      :  ultralytics/yolov5
      - Pretrained   :  ./runs/train/vd_yolov5s_ep100/weights/best.pt
      - Pretrained 2 :  ./runs/train/nm_yolov5s_ep50/weights/best.pt
      - Confidence lv:  0.25
      - Label file   :  ./data/nm_dataset/vd_names_jp
      - Program Title:  y
      - Speed flag   :  y
      - Processed out:  non
      - Use device   :  cuda:0
      - Log Level    :  0
   
   Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
   YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)
   
   Fusing layers...
   Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
   Adding AutoShape...
   Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
   YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)
   
   Fusing layers...
   Model summary: 157 layers, 7182733 parameters, 0 gradients, 16.3 GFLOPs
   Adding AutoShape...
   
   ** Bounding Box:
   [[     117.31      68.326       463.6      223.57     0.85471           0]
    [     185.14         145      247.09      238.57     0.98435          11]
    [     237.82      146.53      309.99      238.75     0.97927           6]
    [     334.89      149.99      398.25      241.71     0.97658           7]
    [     395.26       148.3      456.66      245.42     0.96122           6]
    [     311.43      83.831       349.9      137.64     0.90122           9]
    [      351.6      84.356         392      136.87     0.86674          11]
    [     350.22      85.405      391.93      136.08     0.47585           7]]
   
   (117, 68)-(463, 223)    ナンバー: 0.85
   (185, 144)-(247, 238)   9: 0.98
   (237, 146)-(309, 238)   4: 0.98
   (334, 149)-(398, 241)   5: 0.98
   (395, 148)-(456, 245)   4: 0.96
   (311, 83)-(349, 137)    7: 0.90
   (351, 84)-(392, 136)    9: 0.87
   (350, 85)-(391, 136)    5: 0.48
   
   FPS average:       6.90
   
    Finished.

   
   

• 識別結果からナンバープレート情報を得る手順
  
  
  1. 識別結果の Bounding Box を Y最小値でソート
  2. 上下を Yの 50/330 で分割する
  3. 上下それぞれ別々に X最小値でソート
  4. 上部地名の IDを検索して最初の文字にする（なければ '□□'）
  5. 下部かなの IDを検索して最初の文字にする（なければ '□'）
  6. 上下それぞれの文字に数字を加える
  7. 上下を足してナンバープレート識別結果とする
  

ナンバープレート識別プログラムを作成 †

1. 「detect3_number.py」で推論実行
   ・学習結果モデルを指定（ログレベルを'0'として識別経過を表示）
   

   (py_learn) python detect3_number.py --log 0

   
   ・実行ログ
   

   (py_learn) python detect3_number.py --log 0
    Starting..
   
   Number plate detection YOLOv5 Ver. 0.08: Starting application...
      OpenCV virsion : 4.9.0
   
      - Image File   :  ../number/test_data/japan78.jpg
      - YOLO v5      :  ultralytics/yolov5
      - Pretrained   :  ./runs/train/vd_yolov5s_ep100/weights/best.pt
      - Pretrained 2 :  ./runs/train/nm_yolov5s_ep50/weights/best.pt
      - Confidence lv:  0.25
      - Label file   :  ./data/nm_dataset/vd_names_jp
      - Program Title:  y
      - Speed flag   :  y
      - Processed out:  non
      - Use device   :  cuda:0
      - Log Level    :  0
   
   Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
   YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)
   
   Fusing layers...
   Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
   Adding AutoShape...
   Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
   YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)
   
   Fusing layers...
   Model summary: 157 layers, 7182733 parameters, 0 gradients, 16.3 GFLOPs
   Adding AutoShape...
   
   ** プレートラベル:
   ['ナンバー', 'ナンバープレート', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'あ', 'い', 'う', 'え', 'か', 'き', 'く', 'け', 'こ', 'さ', 'す', 'せ', 'そ', 'た', 'ち', 'つ', 'て', 'と', 'な', 'に', 'ぬ', 'ね', 'の', 'は', 'ひ', 'ふ', 'ほ', 'ま', 'み', 'む', 'め', 'も', 'や', 'ゆ', 'よ', 'ら', 'り', 'る', 'れ', 'ろ', 'わ', 'を', '京都', 'なにわ', '大阪', '和泉', '堺', '奈良', '和歌山', '神戸', '徳島', '香川', '愛媛', '千葉']
   
   ** Bounding Box:
   [[     61.591      38.322      510.12      262.66      0.4888           0]
    [     352.12      59.349      392.61      129.97     0.98521           2]
    [     315.72      59.296      354.99      131.48     0.98443           3]
    [     391.33      60.289       431.3      129.43     0.98215           2]
    [      344.3      148.63      433.98      289.92      0.9785           7]
    [     426.44      146.62      513.85      303.11     0.96134          10]
    [     84.134      152.66      159.09      231.37     0.58646          22]
    [     1.3103      181.38      54.892      325.32     0.57503          60]
    [     156.16      49.026      321.75      166.41     0.35428          55]]
   
   Y** 最小値 を昇順にソートX:
   [[     61.591      38.322      510.12      262.66      0.4888           0]
    [     156.16      49.026      321.75      166.41     0.35428          55]
    [     315.72      59.296      354.99      131.48     0.98443           3]
    [     352.12      59.349      392.61      129.97     0.98521           2]
    [     391.33      60.289       431.3      129.43     0.98215           2]
    [     426.44      146.62      513.85      303.11     0.96134          10]
    [      344.3      148.63      433.98      289.92      0.9785           7]
    [     84.134      152.66      159.09      231.37     0.58646          22]
    [     1.3103      181.38      54.892      325.32     0.57503          60]]
   
   ** 上下を分割する場所:
   bbox = (61.59,38.32)-(510.12,262.66)  ylimit = 106.30  index = 5
   
   ** ナンバープレートの上部:
   [[     61.591      38.322      510.12      262.66      0.4888           0]
    [     156.16      49.026      321.75      166.41     0.35428          55]
    [     315.72      59.296      354.99      131.48     0.98443           3]
    [     352.12      59.349      392.61      129.97     0.98521           2]
    [     391.33      60.289       431.3      129.43     0.98215           2]]
   
   ** ナンバープレートの下部:
   [[     426.44      146.62      513.85      303.11     0.96134          10]
    [      344.3      148.63      433.98      289.92      0.9785           7]
    [     84.134      152.66      159.09      231.37     0.58646          22]
    [     1.3103      181.38      54.892      325.32     0.57503          60]]
   
   ** 上部 X最小値) を昇順にソート:
   [[     61.591      38.322      510.12      262.66      0.4888           0]
    [     156.16      49.026      321.75      166.41     0.35428          55]
    [     315.72      59.296      354.99      131.48     0.98443           3]
    [     352.12      59.349      392.61      129.97     0.98521           2]
    [     391.33      60.289       431.3      129.43     0.98215           2]]
   
   ** 下部 X最小値) を昇順にソート:
   [[     1.3103      181.38      54.892      325.32     0.57503          60]
    [     84.134      152.66      159.09      231.37     0.58646          22]
    [      344.3      148.63      433.98      289.92      0.9785           7]
    [     426.44      146.62      513.85      303.11     0.96134          10]]
   
   ** 上部下部を一つにする:
   [[     61.591      38.322      510.12      262.66      0.4888           0]
    [     156.16      49.026      321.75      166.41     0.35428          55]
    [     315.72      59.296      354.99      131.48     0.98443           3]
    [     352.12      59.349      392.61      129.97     0.98521           2]
    [     391.33      60.289       431.3      129.43     0.98215           2]
    [     1.3103      181.38      54.892      325.32     0.57503          60]
    [     84.134      152.66      159.09      231.37     0.58646          22]
    [      344.3      148.63      433.98      289.92      0.9785           7]
    [     426.44      146.62      513.85      303.11     0.96134          10]]
   
   ** ナンバープレート解析結果: なにわ100 す58
   
   FPS average:       7.80
   
    Finished.

   
   
2. 「detect_number.py」で推論実行
   ・学習結果モデルを指定（ログレベルを'0'として識別経過を表示）
   

   (py_learn) python detect_number.py --log 0

   
   ・実行ログ
   

   (py_learn) python detect_number.py --log 0
    Starting..
   
   Number plate detection Ver. 0.09: Starting application...
      OpenCV virsion : 4.9.0
   
      - Image File   :  ../number/test_data/japan74.jpg
      - YOLO v5      :  ultralytics/yolov5
      - Pretrained   :  ./runs/train/vd_yolov5s_ep100/weights/best.pt
      - Pretrained 2 :  ./runs/train/nm_yolov5s_ep50/weights/best.pt
      - Confidence lv:  0.4
      - Label file   :  ./data/nm_dataset/names_jp
      - Program Title:  y
      - Speed flag   :  y
      - Processed out:  non
      - Use device   :  cuda:0
      - Log Level    :  0
   
   Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
   YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)
   
   Fusing layers...
   Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
   Adding AutoShape...
   
   ** プレートラベル:
   ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'あ', 'い', 'う', 'え', 'か', 'き', 'く', 'け', 'こ', 'さ', 'す', 'せ', 'そ', 'た', 'ち', 'つ', 'て', 'と', 'な', 'に', 'ぬ', 'ね', 'の', 'は', 'ひ', 'ふ', 'ほ', 'ま', 'み', 'む', 'め', 'も', 'や', 'ゆ', 'よ', 'ら', 'り', 'る', 'れ', 'ろ', 'わ', 'を', '京都', 'なにわ', '大阪', '和泉', '堺', '奈良', '和歌山', '神戸', '徳島', '香川', '愛媛', '千葉']
   Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
   YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)
   
   Fusing layers...
   Model summary: 157 layers, 7182733 parameters, 0 gradients, 16.3 GFLOPs
   Adding AutoShape...
   
   ** プレートの Bounding Box:
   [[     168.33       60.04      414.33      173.39     0.85431           0]]
   
   ** プレート画像 Bounding Box:
   [[     174.72       13.63      194.84      47.704     0.98788           0]
    [     155.33      12.984      175.65       47.85     0.98763           0]
    [      136.1      12.444      156.45       47.14     0.98613           3]
    [     92.386      54.675      140.81         113     0.98496           0]
    [     56.594      53.658      97.797         113     0.98449           7]
    [      153.8      56.805      193.96         113     0.98116           4]
    [     193.16      57.049      234.76         113     0.98103           5]
    [     21.854      59.884       55.78      93.946     0.58157          30]
    [     57.435      5.9446      138.67      45.611     0.57542          53]
    [     193.21           0       243.2      11.105     0.41337           2]
    [     61.161      10.435      133.51      45.012     0.38094          54]]
   
   Y** 最小値 を昇順にソートX:
   [[     193.21           0       243.2      11.105     0.41337           2]
    [     57.435      5.9446      138.67      45.611     0.57542          53]
    [     61.161      10.435      133.51      45.012     0.38094          54]
    [      136.1      12.444      156.45       47.14     0.98613           3]
    [     155.33      12.984      175.65       47.85     0.98763           0]
    [     174.72       13.63      194.84      47.704     0.98788           0]
    [     56.594      53.658      97.797         113     0.98449           7]
    [     92.386      54.675      140.81         113     0.98496           0]
    [      153.8      56.805      193.96         113     0.98116           4]
    [     193.16      57.049      234.76         113     0.98103           5]
    [     21.854      59.884       55.78      93.946     0.58157          30]]
   
   ** 上下を分割する場所:
   bbox = (0.00,0.00)-(246.00,113.00)  ylimit = 34.24  index = 6
   
   ** ナンバープレートの上部:
   [[     193.21           0       243.2      11.105     0.41337           2]
    [     57.435      5.9446      138.67      45.611     0.57542          53]
    [     61.161      10.435      133.51      45.012     0.38094          54]
    [      136.1      12.444      156.45       47.14     0.98613           3]
    [     155.33      12.984      175.65       47.85     0.98763           0]
    [     174.72       13.63      194.84      47.704     0.98788           0]]
   
   ** ナンバープレートの下部:
   [[     56.594      53.658      97.797         113     0.98449           7]
    [     92.386      54.675      140.81         113     0.98496           0]
    [      153.8      56.805      193.96         113     0.98116           4]
    [     193.16      57.049      234.76         113     0.98103           5]
    [     21.854      59.884       55.78      93.946     0.58157          30]]
   
   ** 上部 X最小値) を昇順にソート:
   [[     57.435      5.9446      138.67      45.611     0.57542          53]
    [     61.161      10.435      133.51      45.012     0.38094          54]
    [      136.1      12.444      156.45       47.14     0.98613           3]
    [     155.33      12.984      175.65       47.85     0.98763           0]
    [     174.72       13.63      194.84      47.704     0.98788           0]
    [     193.21           0       243.2      11.105     0.41337           2]]
   
   ** 下部 X最小値) を昇順にソート:
   [[     21.854      59.884       55.78      93.946     0.58157          30]
    [     56.594      53.658      97.797         113     0.98449           7]
    [     92.386      54.675      140.81         113     0.98496           0]
    [      153.8      56.805      193.96         113     0.98116           4]
    [     193.16      57.049      234.76         113     0.98103           5]]
   
   ** 上部下部を一つにする:
   [[     57.435      5.9446      138.67      45.611     0.57542          53]
    [     61.161      10.435      133.51      45.012     0.38094          54]
    [      136.1      12.444      156.45       47.14     0.98613           3]
    [     155.33      12.984      175.65       47.85     0.98763           0]
    [     174.72       13.63      194.84      47.704     0.98788           0]
    [     193.21           0       243.2      11.105     0.41337           2]
    [     21.854      59.884       55.78      93.946     0.58157          30]
    [     56.594      53.658      97.797         113     0.98449           7]
    [     92.386      54.675      140.81         113     0.98496           0]
    [      153.8      56.805      193.96         113     0.98116           4]
    [     193.16      57.049      234.76         113     0.98103           5]]
   
   ** ナンバープレート解析結果: なにわ300 ぬ7045
   
   FPS average:       5.90
   
    Finished.

   
   

• 実行結果の比較 （ 左「detect_number.py」/ 右「detect3_number.py」)
  
  
  

更新履歴 †

• 2024/05/13 初版
   

参考資料 †

• 車のナンバープレート読み取り
  
  • 車のナンバープレート読み取りプログラム
    
  • YOLOv8でナンバープレートを検出してAI-OCRで読み取ってみました
    

• ナンバープレートについて
  
  • 日本のナンバープレート
    
  • 日本のナンバープレート一覧
    

• データセット
  
  • Vehicle Detection Computer Vision Project
    
  • Top ANPR (Automatic Number-Plate Detection) Datasets
    
  • License Plate Mania
    

• ナンバープレート・フォント
  
  • フォントプロジェクト
    
  • ＴＲＭフォント　（模型製作用お助けフォント）
    

• 「YOLO」歴史
  
  • YOLOの各バージョンについてまとめ（2023年5月29日時点）
    
  • 物体検出の代表アルゴリズム YOLOシリーズを徹底解説！【AI論文解説】
    

• 「YOLO」学習
  
  • Ultralytics
    
  • YOLOv5を使った独自データの学習と推論を実践｜ultralyticsの新リポジトリを利用
    
  • Ultralytics HUBで学習したモデルを利用し、手持ちのiOS端末で物体検出する。
    

• カスタムデータを鍛える
  
• roboflowチュートリアル カスタム データセットで YOLOv8 オブジェクト検出をトレーニングする方法
  
• バーコード【YOLOv8で学習→物体検出】楽に学習データを用意して好きなものを検出してみよう
  
• YOLOv8でオリジナルデータの物体検出をする
  

　　・ハイパーパラメータ

• 【YOLOv5】米粒の物体検出をやってみる
  
• 物体検出モデルYOLOv8の紹介: 動作手順や過去のバージョンとの比較
  
• AIを使っての物体検出をYOLOv8を使ってやってみた
  

　　・「roboflow」のMask Wearing Datasetを使用

• Pythonでやってみた（画像処理編2）：物体検出(YOLOv5)
  

　　・学習用データセット作成

• Pythonでやってみた（画像処理編３）：物体検出(ultralytics／YOLOv8)
  
• COCOデータセットから必要なクラスを抽出して統合し、独自データを追加してYOLOの転移学習のために編集するのに苦労した
  

• Python デコレータ
  
  • Pythonのデコレータについて
    
  • Pythonでデコレータを使用する
    
  • Pythonのデコレータを理解するまで
    

• Python コーディング関連
  
  • Python ディレクトリの存在チェックして、存在しなければ作成する
    
  • とっても便利なPythonの辞書型について覚え書き
    
  • Pythonでファイルを一行ずつ読み込む
    
  • Pythonでファイルを読み込むスマートなやり方
    
  • NumPyのsortとargsort関数で任意の行・列を基準にソート
    
  • NumPy配列ndarrayの行・列を任意の順番に並べ替え
    
  • NumPy配列ndarrayを分割（split, array_split, hsplit, vsplit, dsplit）
    
  • NumPy配列ndarrayの要素・行・列を取得（抽出）、代入
    
  • NumPy配列ndarrayを結合（concatenate, stack, blockなど）
    
  • Pythonのf文字列（フォーマット済み文字列リテラル）の使い方
    
  • Pythonで文字列を抽出（位置・文字数、正規表現）
    
  • 【Python】画像の切り出し方法【OpenCV】
    
  • Pythonで文字列を連結・結合（+演算子、joinなど）
    
  • Pythonでファイルを読み込むと文字列の中に\ufeffが入る
    

Site admin: Masahiro Izutsu

PukiWiki 1.5.2 © 2001-2019 PukiWiki Development Team. Powered by PHP 7.4.3-4ubuntu2.24. HTML convert time: 0.085 sec.