令和６（2024）年度・課題研究
AIモデル「MobileNet-SSD」の転移学習による「人物の顔検知（マスクの有無）」
| 使用機材 | Xavier NX AI-Computer（Nvidia） |
| OS | Ubuntu 18.04 |
| 作業フォルダ | jetson-inference/python/training/detection/ssd/ |
| データセット | face |
■ 事前準備１ docker の起動
作業エリアに移動
| cd ～/jetson-inference |
「docker」の起動（管理者パスワードが必要）
| docker/run.sh | 以後、管理者としての作業になるので要注意！ |
■ 事前準備２ 作業ディレクトリの作成（作成後、アクセス権を775に設定する）
| データ用 | /data/face |
| モデル用 | /models/face |
■ 事前準備３ 「labels.txt」の作成
| ラベルファイル data/face/labels.txt |
カテゴリ数は、５とする。
| 対象 | ラベル名 |
| 生徒１ | student1 |
| 生徒２ | student2 |
| 生徒３ | student3 |
| 生徒４ | student4 |
| 生徒５ | student5 |
| 背景 | PCroom |
■ 画像キャプチャソフト「camera-capture」の起動
作業エリアに移動
| cd ～/jetson-inference/python/trainig/detection/ssd |
「camera-capture」の起動
| camera-capture /dev/video0 |
■ 「camera-capture」の使い方
設定項目（Data Capture Control）
| 項目名 | 設定値 | 操作 |
| Dataset Type | Detection | に変更 |
| Dataset Path | data/face | を選択 |
| Class Labels | face/labels.txt | を選択 |
| Current Set | train val test | の中から一つ選択 |
| （Current Class） | トリミング時に、 現れた「ラベル」の中から選択する | |
| JPEG Quality | 95 | 画質を調節 |
また、「Save on Unfeeze」や「Clear on Unfeeze」のチェックはそのまま
撮影の仕方（下記の動作を繰り返す、必要に応じて、訓練用かやラベル名の設定を変更する）
| 番号 | 動作 | 備考 |
| １ | カメラを対象に向ける | |
| ２ | 「feeze」ボタンを押す | |
| ３ | トリミングを行う | |
| ４ | 「save」ボタンを押す |
■ 転移学習のためのデータセットは、訓練用３０、評価用１０、試験用５とする。
（ 簡易学習用のデータセット 訓練用１５、評価用５、試験用５ ）
camera-capture を使用した場合のディレクトリ構造
| 分類 | ディレクトリ | ファイル | 意味・内容 |
| モデル | models/face/ | labels.txt | ラベルファイル |
| データ | data/face/Annotations | [name].xml | アノテーションファイル ・画像ファイル名 ・データセット ・ラベル名 ・切り取り情報 |
| data/face/ImageSets/Main | test.txt | 試験用の画像ファイル名 | |
| train.txt | 訓練用の画像ファイル名 | ||
| trainval.txt | 訓練評価用の画像ファイル名 | ||
| val.txt | 評価用の画像ファイル名 | ||
| data/face/JPEGImages | [name].jpg | 全ての画像ファイル （切り取り前の原画像） |
簡易学習時の撮影枚数
| 目的 | 格納ディレクトリ（同一場所） | 生徒１ | 生徒２ | 生徒３ | 生徒４ | 生徒５ | 計 |
| 訓練用 | data/face/JPEGImages | 15 | 15 | 15 | 15 | 15 | 75 |
| 評価用 | data/face/JPEGImages | 5 | 5 | 5 | 5 | 5 | 25 |
| 試験用 | data/face/JPEGImages | 5 | 5 | 5 | 5 | 5 | 25 |
| 合計 | 25 | 25 | 25 | 25 | 25 | 125 |
■ 転移学習のコマンド
| 作業 | 転移学習 | Transfer Learning with PyTorch |
| 分野 | 物体検知 | Object Detection |
| AIモデル | MobileNet-SSD | 高速な物体検知が可能 高い認識性能＆軽量モデル |
| データセット | face | data/face（オリジナル） |
| camera-capture 使用時の 学習コマンド | python3 train_ssd.py | – – dataset-type=voc ※1 – – data=data/face – – model-dir=models/face – – epochs=30 |
※1 camera-capture を使用した場合の、データセット・タイプ
■ 学習済みデータの変換・転送のコマンド
| 作業 | 学習済みデータの onnx への転送 | ssd-mobilenet.onnx （for TensorRT ※2） |
| 転送コマンド | python3 onnx_export.py | – – model-dir=models/face |
※2 学習したデータを「AI-Computer」で処理できるように変換・転送する
■ 推論結果の格納ディレクトリ（基本的には不要）
| 入出力 | ディレクトリ |
| 入力用 | /data/face/Input/ |
| 出力用 | /data/face/Output/ |
■ 転移学習して作られた新たなモデルによる、推論のコマンド
| 作業 | 推論 | |
| 分野 | 物体検知 | Object Detection |
| 学習済みデータ | ssd-mobilenet.onnx | |
| 推論コマンド | detectnet | – – model=models/face /ssd-mobilenet.onnx – – labels=models/face/labels.txt – – input-blob=input_0 – – output-cvg=scores – – output-bbox=boxes |
| 標準入力（ビデオ） | 入力：/dev/video0 | 出力：画面表示 |
| 入出力データ | 入力：data/face/ Input/*.jpg | 出力：data/face/ Output/ |
■ 検出の結果
| 後ほど検出の状況について触れます。 |