Solved.Earth is designed based on the idea that applying the quest-reward method to environmental protection activities would provide strong motivation for environmental protection.
Solved.Earth는 퀘스트-보상 방식을 환경 보호 활동에 접목하면 더 강력한 환경 보호 활동에 대한 동기를 부여할 수 있을 것이라는 아이디어를 바탕으로 하는 모바일 앱 개발 프로젝트입니다.
Solved.Earth_FastAPI receives image from the app and analysis image with AI. Based on the analysis results, it returns whether the challenge was successful or not.
> Solved.Earth_FastAPI에서는 앱으로부터 전송된 이미지를 받고 AI를 이용해 이미지 분석을 진행합니다. 이미지 분석 결과를 토대로 challenge 성공 여부를 Solved.Earth 앱에 반환합니다.
This README.md is only about object-detection-protocol of Solved.Earth project.
Main ReadME has more specific informations!
본 README.md는 Solved.Earth 프로젝트의 물체감지 프로토콜 부분만 다룹니다.
Main ReadME에는 더 세부적인 정보가 기록되어 있습니다!
ex)
📷 Demonstration Video(시연영상)
📌 Introducing Solved.Earth (프로젝트 소개)
⚙️ System Configuration and Architecture (시스템 구성 및 아키텍처)
Go to Solved.Earth Main repository
License : MIT / Third Party
This is still ongoing project. Please contact us(ecotreegrowing@gmail.com) to discuss how we can work together.
이 프로젝트는 아직 완전히 배포되지 않은 상태입니다. 이 프로젝트에 참여하시고자 한다면 저희 팀 이메일을 통해 연락주시길 바랍니다.(ecotreegrowing@gmail.com)
This repository contains the result of YOLOv5 training data, such as weights of the model, object detection module. They support the API of Solved.Earth. Dataset files are not included in this repository due to its huge capacity.
이 저장소에는 모델, 객체 검출 모듈의 가중치 등 YOLOv5 교육 결과가 포함되어 있으며 Solved.Earth의 API를 지원합니다. 데이터셋 파일은 용량이 크기 때문에 이 저장소에 포함되지 않습니다.
YOLOv5 model(.pt) was trained in Google Colab Workspace. Training data is saved in Google drive, and when training Google Colab load dataset from the mounted drive.
YOLOv5 모델(.pt)은 Google Colab Workspace에서 학습되었습니다. 학습 데이터는 Google 드라이브에 저장되며, Google Colab을 학습할 때는 마운트된 드라이브에서 데이터셋을 로드합니다.
Source code - Google Colab: https://colab.research.google.com/drive/1L50j02n3ogPLDO8EDrmT3pPWsjqXA5zo#scrollTo=epOCkbBvv71B&uniqifier=2
Dataset - Google Drive: https://drive.google.com/drive/folders/1DswDcEXzLLforWljYQMoobWRmgd_l80c?usp=sharing
train: /content/drive/MyDrive/Solved.Earth/Solved.Earth_dataset/dataset/train.txt
val: /content/drive/MyDrive/Solved.Earth/Solved.Earth_dataset/dataset/valid.txt
nc: 5
names: ['mug', 'bus', 'subway', 'cigarette', 'bottle']
data.yaml sets basic information for training. This contains the paths of training data and class names which will be matched with labels(.txt) files. For example, if the first component of label text is 3, This means it points to 'subway'.
data.yaml은 훈련을 위한 기본 정보를 설정합니다. 여기에는 훈련 데이터의 경로와 label(.txt) 파일과 일치되는 클래스 이름이 포함됩니다. 예를 들어 label text의 첫 번째 구성 요소가 3이면 'subway'를 가리킵니다.
First, we get raw data from roboflow.com , and then re-label it according to our needs in label_edit_tool.py. This configured dataset enters train.py and model learning takes place.
먼저 roboflow.com 에서 raw-data 를 가져온 다음 label_edit_tool.py에서 필요에 따라 레이블을 다시 지정합니다. 이렇게 구성된 데이터셋은 train.py로 들어가게되고 이후 모델(best.pt) 학습이 이루어집니다.
The learned model (best.pt) received from YOLOv5 Training goes to detect.py for object detection. The source data is then received from FastAPI. The detected classes are then stored in a set called class_names and then moved back to FastAPI.
YOLOv5 Training 에서 받아온 학습된 모델(best.pt)은 detect.py로 들어가 물체 탐지가 이루어집니다. 이때 소스 데이터는 FastAPI에서 받아오게 됩니다. 이후 탐지된 클래스는 class_names라는 집합에 저장되어 다시 FastAPI로 넘어갑니다.
