Évaluer les inférences du réseau ré-entrainé

Acquis d'apprentissage visés :
- Savoir exploiter un réseau TOD ré-entraîné.

Durée approximative : 30 minutes (dépend des ressources CPU & RAM de ton ordinateur).

Évaluer les inférences du réseau ré-entrainé

Le but de cette activité est de Vérifier que le réseau entraîné est bien capable de détecter les faces des cubes en discriminant correctement les numéros écrits sur les faces.

Le script Python plot_object_detection_saved_model.py permet d’exploiter le réseau de neuronnes ré-entraîné sur des images, les arguments sont :

• -l : le chemin du fichier label_map.txt
• -s : le chemin du dossier saved_model/ contenant les fichiers des poids du réseau ré-entraîné
• -i : le chemin du dossier des images ou le chemin du fichier image à analyser
• -n : le nombre max d’objets à détecter (opetionnel, valeur par défaut : 4)
• -t : le seuil (threshold) de détection exprimé en % (optionnel, valeur par défaut : 50 %).

Par exemple pour faire la détection des cubes des images de test avec le réseau que tu viens d’entraîner :

# From within tod_tf2
(tf2) user@host: $ python plot_object_detection_saved_model.py -l faces_cubes/training/label_map.txt -s $PTN_DIR/saved_model1/saved_model -i faces_cubes/images/test/
Loading model...Done! Took 13.23 seconds
Running inference for faces_cubes/images/test/image016.png... [2 2 1 1]
[0.9998258  0.99902177 0.99812204 0.9964721 ]
[[0.40203822 0.12419666 0.64018315 0.30807328]
 [0.4043577  0.76715255 0.6404976  0.9653229 ]
 [0.40296176 0.5467712  0.63852876 0.7309122 ]
 [0.3932786  0.32322642 0.64034694 0.5083482 ]]
Running inference for faces_cubes/images/test/image018.png... [2 2 1 1]
[0.99967873 0.9996051  0.9983627  0.99751186]
[[0.40055594 0.6233792  0.63929296 0.80680573]
 [0.40259457 0.4026048  0.63897103 0.58319676]
 [0.4041245  0.19101582 0.6288158  0.3679664 ]
 [0.40252358 0.         0.64536196 0.16534011]]
Running inference for faces_cubes/images/test/image019.png... [2 2 1 1]
[0.99970055 0.9993857  0.99750453 0.9968694 ]
[[0.40160167 0.42744026 0.6401532  0.6097636 ]
 [0.40586317 0.64189494 0.6397717  0.82715124]
 [0.40226468 0.         0.6392519  0.18196338]
 [0.39843452 0.20977092 0.6328793  0.3960455 ]]
Running inference for faces_cubes/images/test/image017.png... [2 2 1 1]
[0.9997949 0.9994717 0.9933088 0.9883559]
[[0.40147427 0.6982088  0.63554984 0.87740797]
 [0.39989385 0.04223634 0.6387966  0.24200168]
 [0.40242052 0.4871788  0.6324738  0.66032267]
 [0.39879817 0.2852207  0.6340168  0.4698804 ]]

Exemples d’images produites par le script Python :

image016.png	image018.png	image019.png	image017.png

Pour chaque image traitée on a :

• la liste des 4 labels des objets trouvé (1 ou 2)
• la liste des 4 probabilités des objets trouvés
• la liste des 4 jeux de coordonnées normalisées des boîtes englobantes [ y, x du coin haut-gauche puis y, x du coin bas-droit].

⚠️ Note que les listes sont données dans l’ordre des probabilités de détection décroissantes :

• si tu veux trier les listes dans l’ordre de gauche à droite dans l’image, tu peux exploiter les abcisses x des boites englobantes,
• si tu veux trier les listes dans l’ordre de haut en bas dan sl’image, tu peux exploiter l’ordonnée y des boites englobantes.

Dans tous les cas, la fonction numpy argsort est ton amie… (tu peux voir un exemple d’implémentation dans le fichier plot_object_detection_sorted_saved_model.py.)

La suite ….

Quelques idées à bien garder en tête :

• ⚠️ l’EVP (tf2) doit être utilisé UNIQUEMENT pour entraîner le réseau de neurones.
• ⚠️ l’EVP (tf2) ne doit pas être utilisé avec ROS pour exploiter le réseau de neurone ré-entrainé.
• ROS utilise l'installation standard de Python sur ta machine, hors de tout EVP : c’est un environnement que tu gères en tapant sudo apt install python3-..., ou pip3 install ... ou encore sudo pip3 instal ...
• Pour instancier le réseau sauvegardé, tu vas utiliser la fonction saved_model.load du module tensorflow (cf fichier nn.py) : il faut que tu installes le module tensorflow dans l’environnement Python standard de ta machine : pip3 install tensorflow==2.11.0 devrait convenir !
• le fichier nn.py dans le dossier tod_tf2 donne une base de départ pour le programme d’intégration de vendredi…
  Pour l’utiliser, il faudra que tu installes d’autres modules : par exemple pip3 install opencv-python==4.6.0.66
  À chaque fois que l’exécution de nn.py donne un message d’erreur “module xxx not found” il faut ajouter le module incriminé dans l’environnement Python standard de ta machine avec la commande pip3 install xxxx.