Proiect Diploma V2 Corectata [308843]
PROIECT DE DIPLOMĂ
Galați
2019
SPECIALIZAREA: Calculatoare și Tehnologia Informației
APLICAȚIE MOBILA PENTRU DETECTAREA SEMNELOR DE CIRCULAȚIE
Galați
2019
Anexa 1 la Regulamentul de întocmire a proiectelor de diplomă și a lucrărilor de disertație
Departamentul __________________________________________________________________________
PROIECT DE DIPLOMĂ/LUCRARE DE DISERTAȚIE
Numele si prenumele absolvent: [anonimizat]: _____________________________________________________________
Domeniul / Specializarea: _________________________________________________________________________
Tema proiectului de diplomă/ lucrării de disertație ____________________________________________
____________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Conducător științific: ______________________________________________________________________________
Consultant de specialitate: ________________________________________________________________________
Data primirii temei:____________________________
La elaborarea proiectului de diplomă / lucrării de disertație se va respecta Regulamentul de întocmire a proiectelor de diplomă și a [anonimizat]-ul facultății http://www.aciee.ugal.ro/studenti/finalizare-studii/regulamente-si-[anonimizat]: [anonimizat] 2 la Regulamentul de întocmire a proiectelor de diplomă și a lucrărilor de disertație
Nr. _____/__________________
Aprobat,
Decan
DOMNULE DECAN
Subsemnata/Subsemnatul, _______________________________________________________________________, absolventă/absolvent a/[anonimizat], [anonimizat], domeniul __________________________________, specializarea (licență/master) ______________________________________
_____________________________________________________________________________________________________________, promoția ______________, [anonimizat]/disertație sesiunea _________________________________________________.
Am ales proiectul de diplomă/lucrarea de disertație cu titlul _________________________________________________ _____________________________________________________________________________________________________________sub îndrumarea ___________________________________________________________________________.
Am citit cu atenție REGULAMENTUL DE ÎNTOCMIRE A PROIECTELOR DE DIPLOMĂ ȘI LUCRĂRILOR DE DISERTAȚIE și l-am respectat integral.
Data: __________________________ Semnătura ____________________________
Viza îndrumătorului proiectului/coordonatorului lucrării__________________________
Viza Directorului de departament ce coordonează programul __________________
Anexa 3 la Regulamentul de întocmire a proiectelor de diplomă și a lucrărilor de disertație
DECLARAȚIE
Subsemnata (ul), _________________________________________________________________________________ absolventă/absolvent a/[anonimizat], [anonimizat] “Dunărea de Jos” din Galați, promoția ________________, specializarea _____________________________________________________________________________________________, declar pe proprie răspundere că proiectul de diplomă/lucrare de disertație cu titlul „________________________________________________________________________________________________________________________________________________________________________________________________________________________”este elaborat/elaborată de mine și nu a mai fost prezentat/prezentată niciodată la o altă facultate sau instituție de învățământ superior din țară sau străinătate. De asemenea, declar că toate sursele utilizate, inclusive cele de pe Internet, sunt indicate în proiect/lucrare, cu respectarea regulilor de evitare a plagiatului.
“Plagiatul: însușirea ideilor, metodelor, procedurilor, tehnologiilor, rezultatelor sau textelor unei persoane, indiferent de calea prin care acestea au fost obținute, prezentându-le drept creație proprie.”
Am luat la cunoștință că prezentarea unui/unei proiect/lucrări plagiate va conduce la anularea diplomei de licență/master.
Lucrarea conține un număr de __________ pagini.
Data: ________________ Semnătura ____________________________
Anexa 4 la Regulamentul de întocmire a proiectelor de diplomă și a lucrărilor de disertație
ACORD PRIVIND TRANSFERUL REZULTATELOR PROIECTULUI DE DIPLOMĂ/LUCRĂRII DE DISERTAȚIE
Subsemnata (ul), _________________________________________________________, absolventă/absolvent a/al Facultății de Automatică, Calculatoare, Inginerie Electrică și Electronică, din cadrul Universității “Dunărea de Jos” din Galați, promoția _______________________, specializare _____________________________________________________________________________________________________________,
(NU) SUNT DE ACORD * să cedez rezultatele software și hardware – aferente proiectului de diplomă/lucrării de disertație – în favoarea Facultății de Automatică, Calculatoare, Inginerie Electrică și Electronică, din cadrul Universității “Dunărea de Jos” din Galați, pentru creșterea dotării materiale a facultății și în folosul exclusiv al studenților.
Proiectul/lucrarea conține următoarele:
Partea hardware compusă din:
_________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Partea software compusă din:
_________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Data: ________________ Semnătura ____________________________
Notă:
* Se taie (bifează), după caz
Anexa 5 la Regulamentul de întocmire a proiectelor de diplomă și a lucrărilor de disertație
Departamentul __________________________________________________________________________
Sesiunea:_________________________________________________________________________________
REFERAT DE EVALUARE
a proiectului de diplomă / lucrării de disertație cu titlul ________________________________________
_____________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Elaborat (ă) de absolventul _______________________________________________________________________
Perioada de documentare și pregătire ___________________________________________________________
Conținutul proiectului _____________________________________________________________________________
____________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Contribuții personale ale autorului _______________________________________________________________
____________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Respectă regulile de întocmire și redactare? DA / NU *
Se propune ADMITEREA / RESPINGEREA proiectului / lucrării pentru susținerea publică.
Nota propusă _________________________ (această notă nu va fi luată în calculul mediei finale)
Data, Conducător științific,
Notă:
* Se taie (bifează), după caz
Rezumat
Lucrarea aleasă de mine are că scop realizarea unei aplicații mobile care detectează semnele de circulație, indică poziția lor și tipul de semn de circulație.
Pentru acest lucru, a trebuit să mă familiarizez cu domeniu inteligenței artificiale, mai precis, rețelele neuronale. Am studiat tipurile de rețele indicate pentru detectarea obiectelor în imagini, arhitectura rețelei care este cea mai indicată și modul în care aș putea să o folosesc.
De asemenea, am realizat o aplicație mobilă, în Android care să utilizeze acest model prin intermediul unui serviciu de tip server scris în Python.
Aplicația va fi capabilă să facă o poză și să recunoască semnele de circulație care se află în imagine, indicând tipul și marcând locul.
CUPRINS
Introducere 1
Capitolul 1. Analiza problemei 2
Capitolul 2. Tehnici și Algoritmi 4
2.1. Convolutional Neural Networks (CNN) 4
2.2. R-CNN 5
2.3 Fast R-CNN 5
2.4 Faster R-CNN 6
2.5 Transfer learning 7
2.6. ResNet 8
Capitolul 3. Implementare rețelei 22
3.1 Setul de date 22
3.2. Mediu de dezvoltare 22
3.3. Antrenarea rețelei 22
3.4. Rezultate 24
Capitolul 4. Implementarea aplicației mobile 32
4.1 Schema claselor 32
4.2. Utilizare OpenCV 32
4.3. Apelarea serviciilor de pe server 32
4.4. Comunicare cu modelul din Matlab 33
Capitolul 5. Descrierea aplicației mobile 36
Concluzii 46
Bibliografie 47
Anexa 1 – Raportul de Antiplagiere 49
Anexa 2 – Raport antrenare retea cu 15 epoci 50
Anexa 3 – Raport antrenare cu 50 de epoci 60
LISTA FIGURILOR
Fig. 1 TSDR Audi 3
Fig. 2 Arhitectură CNN 5
Fig. 3 Arhitectură R-CNN 6
Fig. 4 Arhitectură Fast R-CNN 6
Fig. 5 Arhitectură Faster R-CNN 7
Fig. 6 Transfer learning 8
Fig. 7 Tabel cu datele de intrare 24
Fig. 8 Opțiuni de antrenare (15 si 30 de epoci) 24
Fig. 9 Funcția de antrenare 25
Fig. 10 Funcția de calculare a preciziei 25
Fig. 11 Rezultat pentru clasa stop 25
Fig. 12 Graficul de precizie al clasei stop (15 epoci) 26
Fig. 13 Graficul de precizie al clasei stop (50 epoci) 26
Fig. 14 Rezultat pentru clasa no_overtaking 27
Fig. 15 Graficul de precizie al clasei no_overtaking (15 epoci) 27
Fig. 16 Graficul de precizie al clasei no_overtaking (50 epoci) 28
Fig. 17 Rezultat pentru clasa priority_road 28
Fig. 18 Graficul de precizie al clasei priority_road (15 epoci) 29
Fig. 19 Graficul de precizie al clasei priority_road (50 epoci) 29
Fig. 20 Rezultat pentru clasa give_way 30
Fig. 21 Graficul de precizie al clasei give_way (15 epoci) 30
Fig. 22 Graficul de precizie al clasei give_way (50 epoci) 31
Fig. 23 Detectare a două clase în aceeași imagine 31
Fig. 24 Diagrama claselor 33
Fig. 25 Cerere permisiuni 33
Fig. 26 Cod Volley 34
Fig. 27 Sumar script Python 35
Fig. 28 Funcția return_result 35
Fig. 29 Funcția save_image 35
Fig. 30 Funcția execute_matlab 36
Fig. 31 Funcție care returneaza imaginea cu rezultatul 36
Fig. 32 Splash Screen 37
Fig. 33 Ecranul de pornire 38
Fig. 34 Ecranul de alegere a imagini în modul de simulare 39
Fig. 35 Zoom imagine – mod normal (nivelul 0) 40
Fig. 36 Zoom imagine – nivelul 2 41
Fig. 37 Afișarea răspunsului 42
Fig. 38 Afișarea răspunsului cu zoom 43
Fig. 39 Cerere permisiuni 44
Fig. 40 Realizarea unei fotografii 45
Fig. 41 Afișarea rezultatului 46
LISTA TABELELOR
Tabelul 1 Arhitectura rețelei ResNet-50 9
Tabelul 2 Semne de circulație 23
Tabelul 3 Împărțirea imaginilor 24
Tabelul 4 Precizia in funcție de numărul epocilor 32
Introducere
Tehnologia avansează din ce în ce mai mult pe zi ce trece, la fel și sistemele de asistență în trafic destinate șoferilor. Scopul lor este să îl ajute pe șofer să circule cât mai în siguranță și fără probleme.
Obiectivul acestei lucrări este crearea unei aplicații mobile care să utilizeze o rețea neuronală pentru a identifica semnele de circulație de pe carosabil și nu numai. Pentru realizarea acestui studiu se va folosi doar camera telefonului și aplicația propriu-zisă instalată pe mobil. Realizarea acestei aplicații se va baza pe inteligența artificială, ceea ce implică familiarizarea cu domeniul, algoritmi, tehnicile, principiile și bibliotecile specializate.
În prima parte a lucrării sunt prezentate câteva aspecte generale privind rețelele neuronale, tipurile de rețele existente și tehnicile ce pot fi utilizate. Pe parcursul acestui studiu va fi prezentată și structura rețelei pe care o vom folosi pentru a detecta semnele de circulație.
Vom vedea cum a decurs antrenarea și care sunt rezultatele în urmă testării pe imagini care nu au fost folosite la antrenare.
În ultima parte sunt prezentate caracteristicile aplicației mobile și etapele parcurse de aplicație pentru recunoșterea semnelor de circulație în timp real.
Capitolul 1. Analiza problemei
Semnele de circulație sunt o parte importantă a infrastructurii rutiere ce oferă conducătorilor auto, dar și pietonilor diferite informații cu privire la starea actuală a drumului, restricții, interdicții, avertismente și alte informații vitale utilizând caractere și simboluri diferite pentru a menține sau a îmbunătății siguranța în trafic [1] [2].
Siguranța participanților la trafic (conducătorii auto, pietoni) reprezintă un aspect foarte important pentru societate fapt ce a dus la crearea unor aplicații de detecție și recunoaștere a semnelor de circulație (TSDR) [3]. Această aplicație constă în localizarea exactă a indicatorilor de circulație dar și recunoașterea și interpretarea acestora prin atribuirea unei anumite categorii sau subcategorii specifice utilizând o cameră de recunoaștere [4]. Această aplicație are rolul de a avertiza șoferul cu privire la limitele de viteză sau pericolele posibile, cum ar fi lucrări rutiere aflate în desfășurare sau treceri pietonale [5].
Există însă și dificultăți în detectarea semnelor de circulație cum ar fi:
lumina care diferă în funcție de perioada zilei și este influențată de condițiile meteo;
prezența unor obstacole (alte semne, copaci, etc);
distanța prea mare între camera de recunoștere și semn;
gradul de deteriorare ale indicatoarelor [6].
În ultima perioadă firmele de automobile cum ar fi BMW, Mercedez-Benz, Ford, etc au manifestat un interes crescut față de aplicațiile de detecție și recunoaștere a semnelor de circulație (TSDR) și le-au inclus în sistemul avansat de asistență pentru șoferi (ADAS – Advanced Driver Assistance Systems) [2].
Automobilele produse de firma Audi sunt dotate cu un sistem TSDR ce funcționează pe baza unei camere frontale care afișează informațiile cu privire la semne de circulație în clusterul de instrumente de pe bordul mașinii. Sistemul recunoaște indicatoarele de limitare a vitezei, indicatoare intersecție cu sens giratoriu, indicatoare de avertizare (curbe stânga/dreapta, coborâre periculoasă) și indicatoare de orientare (figura 1).
Fig. 1 TSDR Audi
https://www.audi-mediacenter.com/en/photos/detail/traffic-sign-recognition-42336, 01-07-2019
Sistemul TSDR în cazul automobilelor din gama Mercedez-Benz recunoaște doar semnele de limitare a vitezei, indicatoarele de interzicere sau restricție (intrare interzisă și depășire interzisă) și indicatoare ce semnalizează sfârșitul restricțiilor și le afișează în bare de instrumente. În cazul încălcării acestor semne sistemul emite un sunet specific [7].
Capitolul 2. Tehnici și Algoritmi
Rețelele neuronale sunt sisteme flexibile și complexe care extrag modele din datele de intrare, cu scopul de a recunoaște mai târziu obiectele respective Este similar cu învățarea unui copil să recunoască obiecte.
Conceptul de rețea neuronală este asemănător creierului uman, acest tip de rețele fiind proiectare pe aceeași structura că acesta. Rețeaua poate fi privită că un ansamblu de neuroni legați între ei, similar unei structuri de tip graf orientat.
2.1. Convolutional Neural Networks (CNN)
Convolutional Neural Networks (CNN) sunt un tip de rețea neuronală unidirecțională caracterizată prin straturi de tip fully conected (fiecare neuron de pe stratul i este legat cu toți neuronii de pe stratul i+1) [9].
Fig. 2 Arhitectură CNN
https://www.mathworks.com/videos/introduction-to-deep-learning-what-are-convolutional-neural-networks–1489512765771.html, 01-07-2019
Așa cum se poate observă în Fig 2, structura rețelei convoluționale este alcătuită din 2 părți:
straturile de tip Convolution și Pooling, care au rolul de a extrage forme din imagini
straturile Fully Connected care sunt folosite pentru clasificare
În articolul lui Rohith Gandhi [12] rețelele de tip CNN sunt utile atât pentru clasificarea imaginilor, cât și pentru detectarea obiectelor în imagini. Prezintă însă dezavantajul că pot identifica doar un obiect, în timp ce, în realitate, într-o poză pot fi prezente mai multe obiecte care trebuie identificate.
O abordare posibilă ar fi să se extragă regiuni din imagine și să se aplice algoritmul CNN. Însă obiectele pot avea dimensiuni diferite, aspecte diferite, ceea ce duce la un număr foarte mare de regiuni pe care trebuie aplicat algoritmul.
Pentru rezolvarea aceastei probleme au fost construite un nou tip de rețele, R-CNN, care au ca scop găsirea obiectelor într-un timp cât mai scurt.
2.2. R-CNN
În articolul său [12], Rohith Gandhi face o scurtă prezentare a tipurilor de algoritmi R-CNN.
Fig. 3 Arhitectură R-CNN
https://arxiv.org/pdf/1311.2524.pdf, 1-07-2019
Algoritmul R-CNN se bazează pe propunerea lui Ross Girshick et al [13], aceea de a selecta un număr de 2000 regiuni propuse ("region proposals"). În loc să se genereze un număr foarte mare de regiuni, algoritmul se limitează doar la acest număr.
În urma selectării regiunilor folosind algoritmul de căutare selectivă, acestea sunt deformate în pătrate și trimise către rețeaua neuronală CNN. Rețeaua încearcă să extragă trăsături din regiunile primite și scoate la ieșire caracteristicile găsite. Acestea sunt introduse într-un SVM (Support Vector Machine) care are că scop clasificarea regiunilor și ajustarea dimensiunilor regiuni, pentru că această să cuprindă întreg obiectul.
Chiar și așa, algoritmul are mici inconveniente. Antrenarea și testarea durează mult, deoarece avem 2000 de regiuni de clasificat. De asemenea, algoritmul de căutare selectivă este fix, nu se poate modifica/antrena pentru a genera cele mai bune regiuni.
2.3 Fast R-CNN
Fig. 4 Arhitectură Fast R-CNN
https://arxiv.org/pdf/1504.08083.pdf, 1-07-2019
Tot același autor [14] prezintă o altă modalitate de a rezolvavo parte din problemele rețelelor R-CNN. Abordarea este similară, însă regiunile selectate nu sunt introduse direct în rețea, ci sunt folosite pentru a construi o imagine, numită hartă de catacteristici convolutionale ("convolutional feature map"). Pe baza hărții, se identifica regiunile, se redimensionează și se introduc într-un strat fully connected. Rezultatul este obținut folosind un vector de caracteristici RoI ("Region of interest") care ne oferă detalii despre clasa și offset.
Această abordare este mai rapidă, deoarece nu mai trebuie să alimentăm rețeaua cu 2000 de regiuni, ci doar cu o imagine și harta de catacteristici generată de această.
Însă, chiar și așa, generarea acestor regiuni de interes încetinește algoritmul și necesită un timp mai mare de execuție.
2.4 Faster R-CNN
Fig. 5 Arhitectură Faster R-CNN
https://arxiv.org/pdf/1506.01497.pdf, 1-07-2019
Cei doi algoritmi prezentați mai sus folosesc căutarea selectivă pentru a identifica regiunile de interes. Însă această metodă este consumatoare de timp. Shaoqing Ren et al. [15] au venit cu o alternativă la această problema. Ei au propus un algoritm de detectare a obiectelor care permite rețelei să învețe detectarea regiunilor de interes fără a fi nevoie să utilizeze acel algoritm de căutare selectivă.
Algoritmul funcționează similar cu Fast R-CNN, însă, în loc să se utilizeze algoritmul de căutare selectivă, imaginea întră într-o rețea separată care încearcă să identifice regiunile de interes. Rezultatul este introdus într-un strat RoI care se ocupă de detectarea obiectelor și offset-ului.
2.5 Transfer learning
Fig. 6 Transfer learning
https://medium.com/kansas-city-machine-learning-artificial-intelligen/an-introduction-to-transfer-learning-in-machine-learning-7efd104b6026, 1-07-2019
Scott Martin [10] spune ca Transfer learning este o tehnică de învățare profundă prin care o rețea neuronală dezvoltată anterior este antrenată pentru o nouă sarcină. De exemplu, dorim să instruim o rețea neuronală care să recunoască caii, însă nu există algoritmi disponibili pentru așa ceva. Tot ce avem de făcut este să luăm o rețea neuronală antrenată pentru recunoașterea altor animale și să o punem la antrenat pentru a recunoaște caii.
Modul de funcționare este foarte ușor. Se elimină ultimul strat numit "loss output" care este stratul final ce face prezicerea. Acest strat va fi înlocuit de un nou strat de ieșire ce va indentifica nouă clasa. Tot ceea ce mai avem de făcut este să punem setul de date adnotat și să pornim recalibrarea rețelei astfel încât să identifice clasa noastră.
Această tehnică nu este destinată doar pentru recunoașterea imaginilor, ci și pentru recunoașterea vorbirii sau alte rețele de tip recurente (RNN – Recurrent Neural Network).
Un avantaj al transfer learning-ului, față de antrenarea unei rețele neuronale de la 0, este timpul de antrenare care se reduce considerabil. De asemenea, această tefnica este indicată și atunci când avem insuficiente date.
2.6. ResNet
ResNet este o arhitectură de rețea neuronală foarte importantă, mai ales pentru rețelele cu multe straturi, deoarece a rezolvat problema “vanishing gradient” (cu cât o rețea este mai mare, cu atât se antrenează mai greu). Soluția a fost introducerea blocurilor "reziduale": ieșirea dintr-un bloc compus se unește cu intrarea acestuia, rezultatul reprezentând intrarea următorului bloc compus [9].
ResNet-50 este un tip de rețea neuronală construită pentru detectarea formelor și a avut o precizie foarte mare în recunoașterea câinilor și pisicilor. Rețeaua are în componentă ei straturi pentru identificarea contururilor, liniilor, curbelor care o fac idicata pentru recunoașterea formelor [10].
În tabelul următor este prezentată arhitectură rețelei preantrenate ResNet-50 [16] din Matlab.
Tabelul 1 Arhitectura rețelei ResNet-50
Capitolul 3. Implementare rețelei
3.1 Setul de date
Primul și unul dintre cele mai importante lucruri, când vorbim despre rețelele neuronale, este setul de date. Am ales să folosesc setul de date pus la dispoziție pe The German Traffic Sign Detection Benchmark(GTSDB) [17].
Acest set de date conține 900 de imagini clasificate și adnotate în 43 de clase diferite. În total, avem 1213 semne de circulatie reprezentate în aceste imagini.
Setul de date a fost construit ținându-se cont de posibilitatea unei unei luminozitați diferite (puternică, slabă sau normală) și de performanțele camerei care poate scoate imaginile cu un ușor efect de blur.
Din cauza resurselor de calcul limitate, am ales să mă rezum la un numar de 4 clase / semne de circulație:
Tabelul 2 Semne de circulație
Toate imaginile au dimensiunile de 1360×800 pixeli
3.2. Mediu de dezvoltare
Pentru acest lucru, am ales să folosesc programul Matlab. Programul este conceput pentru calcule matematice complexe și are numeroase funcții predefinite care îl fac ușor de utilizat. În ceea ce privește rețelele neuronale, oferă funcții specializate pentru asemenea operații.
Matlab-ul este util inginerilor care sunt deja familiarizați cu Deep Learning să construiască rețele neuronale. Cu ajutorul lui, Universitatea din Alberta a construit o rețea neuronală capabilă să depisteze celulele canceroase la nivelul prostatei [18].
Programul este dezvoltat și îmbunătățit în fiecare zi. Le pune la dispoziție dezvoltatorilor funcții și modele preantrenate utile pentru conceperea unor noi rețele pornind de la 0 sau folosind Transfer Learning.
3.3. Antrenarea rețelei
Primul pas este construirea datelor de intrare în rețea. Acestea trebuie prelucrate sub formă unui tabel în care prima coloana este calea către imagine, iar restul coloanelor sunt corespunzătoare fiecărei clase în parte. Mai jos avem un exemplu de cum arată datele.
Fig. 7 Tabel cu datele de intrare
În tabelul de mai jos putem vedea împărțirea imaginilor în setul de antrenare și testare care s-a făcut aleator.
Tabelul 3 Împărțirea imaginilor
Mai departe, urmează setarea opțiunilor de antrenare. Pentru a putea compara precizia în funcție de numărul de epoci, am ales să antrenez pe 15 si 50 de epoci.
Fig. 8 Opțiuni de antrenare (15 si 30 de epoci)
Urmează antrenarea propriu-zisă. Am ales să folosesc transfer learning, pornind de la rețeaua ResNet-50, pentru a-mi ușura sarcina și a reduce timpul de antrenare.
Fig. 9 Funcția de antrenare
Tot ce ne-a mai rămas este să testăm rețeaua antrenată și să calculăm precizia.
Fig. 10 Funcția de calculare a preciziei
Pentru a vedea cum s-au desfășurat antrenarea celor 2 rețele, aruncați o privire în anexa 1 și în anexa 2 pentru a vedea mesajele de sistem generate de Matlab.
3.4. Rezultate
După ce antrenarea ia sfârșit, se iau pe rând fiecare imagine din setul de testare și se aplică detectorul. Pe baza a ceea ce scoate rețeaua și a rezultatelor așteptate se calculează precizia rețelei și se trasează un grafic. Mai jos putem vizualiza imagini de la testare și imaginile cu graficele și prezicerile pentru fiecare clasa în parte.
Fig. 11 Rezultat pentru clasa stop
Fig. 12 Graficul de precizie al clasei stop (15 epoci)
Fig. 13 Graficul de precizie al clasei stop (50 epoci)
Fig. 14 Rezultat pentru clasa no_overtaking
Fig. 15 Graficul de precizie al clasei no_overtaking (15 epoci)
Fig. 16 Graficul de precizie al clasei no_overtaking (50 epoci)
Fig. 17 Rezultat pentru clasa priority_road
Fig. 18 Graficul de precizie al clasei priority_road (15 epoci)
Fig. 19 Graficul de precizie al clasei priority_road (50 epoci)
Fig. 20 Rezultat pentru clasa give_way
Fig. 21 Graficul de precizie al clasei give_way (15 epoci)
Fig. 22 Graficul de precizie al clasei give_way (50 epoci)
Fig. 23 Detectare a două clase în aceeași imagine
După cum putem observă, rețeaua este capabilă să detecteze semne de circulație în imagini, chiar dacă acestea sunt încețoșate sau sunt făcute cu o luminozitate proastă. De asemeni, poate detecta mai multe semne de circulație în aceeași imagine, de același tip sau de tip diferit (așa cum putem observa în fig. 15).
Iată o privire de ansamblu asupra preciziei în funcție de numarul de epoci:
Tabelul 4 Precizia in funcție de numărul epocilor
Cu toate acestea, rețeaua mai da și rateuri uneori, detectand doar o parte din semn sau detectand o regiune mai mare decât semnul. Acest lucru se poate remedia prin adăugarea mai multor imagini și prin creșterea numărului de epoci de antrenare. În acest fel, rețeaua neuronală pentru detectarea regiunilor de interes va putea să identifice zonele de interes mult mai bine.
Capitolul 4. Implementarea aplicației mobile
Pentru a fi mai ușor de utilizat, am decis să implementez o aplicație mobilă. Aplicația a fost scrisă pentru Android și am utilizat biblioteca OpenCV pentru prelucrarea imaginilor.
Android este un sistem de operare bazat de Linux, care rulează pe dispozitivele mobile. Este însă și o platformă de dezvoltare pentru aplicații mobile care pot fi scrise în Java sau Kotlin. În cazul aplicației mele, am ales limbajul Java.
OpenCV [19] este o biblioteca scrisă în C/C++ pentru prelucrarea imaginilor în timp real. Este des folosită în combinație cu diferite rețele neuronale care operează cu imagini.
4.1 Schema claselor
Mai jos avem o schemă a modului în care este construită aplicația mobilă. În figură sunt reprezentate clasele și modul în care se apelează una pe alta.
Fig. 24 Diagrama claselor
4.2. Utilizare OpenCV
Am folosit această bibliotecă pentru a prelua imagini de la camera foto a telefonului și a le afișa în modul Preview. În acest fel am simulat oarecum funcționalitatea camerei foto de pe telefonul mobil.
Însă, înainte să folosesc camera, a trebuit să cer permisiuni pentru utilizarea ei.
Fig. 25 Cerere permisiuni
După acest pas, tot ce a rămas a fost să setez unde vor fi afișate imaginile după ce sunt preluate de la cameră.
Biblioteca este utilă mai ales pentru faptul că are foarte multe operații și funcții predefinite, așa că doar trebuiesc utilizate.
4.3. Apelarea serviciilor de pe server
Pentru a trimite cererile către server, am folosit librăria Volley care este specializată pe operațiile http de tip cerere-răspuns. În cazul nostru, o vom folosi pentru a trimite imaginea către server și a prelua răspunsul de la acesta. Mai jos avem o parte din cod.
Metoda de trimitere a datelor este POST, deoarece imaginea are o dimensiune destul de mare si nu ar putea fi trimisă prin GET.
La primirea răspunsului, se afișează un mesaj de tip Toast în aplicație și se începe descărcarea și afișarea imagini cu rezultatul. Acest lucru se realizează folosind o clasa de descărcare asincron a imaginilor. În cazul în care a apărut o eroare în timpul execuției, această va apărea pe ecran sub formă unui mesaj Toast.
Fig. 26 Cod Volley
4.4. Comunicare cu modelul din Matlab
Matlab-ul oferă o bibliotecă de funcții pentru comunicarea cu diferite limbaje de programare, cum ar fi Java și Python. Astfel se pot execută comenzi sau funcții din interiorul scripturilor [20].
Am ales să folosesc limbajul Python pentru a ridică un server web, folosind biblioteca Flask [21].
Fig. 27 Sumar script Python
Primul serviciu care se apelează de pe server este funcția return_result (fig. 26). Această primește prin post imaginea encodata în base64, și o salvează folosind funcția save_image (fig. 27). După ce imaginea a fost salbata fizic, pe mașină, se apelează funcția execute_matlab (fig. 28) care se conectează la sesiunea Matlab deschisă și execută funcția de detectare a semnelor de circulație din imagine.
Fig. 28 Funcția return_result
Fig. 29 Funcția save_image
Pentru a apela detectorul din matlab am folosit biblioteca engine oferită de cei de la Matlab [22].
Fig. 30 Funcția execute_matlab
După ce s-a terminat execuția se poate apela funcția care returnează rezultatul prezis de rețeaua neuronală.
Fig. 31 Funcție care returneaza imaginea cu rezultatul
Capitolul 5. Descrierea aplicației mobile
Urmeaza sa explic functionarea aplicatie pas cu pas, din punct de vedere al utilizatorului.
Splash Screen – este o fereastră care stă activă 3 secunde după care ne redirecționează către pagina principală / ecranul de pornire a aplicației. Arată bine, dar este util și pentru a da aplicației timp să își incarce resursele necesare.
Fig. 32 Splash Screen
Ecranul de pornire – aici putem vedea câteva informații despre aplicație și o poză sugestivă.
Fig. 33 Ecranul de pornire
Dupa cum se poate vedea, avem 2 tipuri de utilizare:
Simulare
Folosind camera foto
Voi prezenta în continuare aceste 2 tipuri de utilizare
Simularea – folosind niște imagini predefinite (pentru cazul în care nu avem nici un semn de circulație în preajma noastră pentru a folosi aplicația)
Avem posibilitatea de a testa pe 3 imagini, pe care le putem vedea utilizând săgețile.
Fig. 34 Ecranul de alegere a imagini în modul de simulare
După cum se poate observa, imaginea este destul de mică, acest fapt datorându-se rezoluției imaginii. Pentru a fi mai ușor de distins obiectele din imagine, am adăugat și o funcție de zoom care se activează când se apasă pe imagine.
Fig. 35 Zoom imagine – mod normal (nivelul 0)
În prima fază, aceasta nu pare ca s-a mărit, însă dacă apăsăm de doua ori pe o porțiune din imagine (ca un dublu click) aceasta se va mări. Acest lucru funcționează în 2 trepte de zoom, după care revine la forma inițială. Pentru a închide ferestra putem folosi butonul de închidere de jos.
Fig. 36 Zoom imagine – nivelul 2
După ce am ales o poză, apăsăm pe butonul de detectare pentru a trimite poza către server și a ne întoarce răspunsul.
Fig. 37 Afișarea răspunsului
La fel ca mai devreme, și în activity-ul de răspuns avem funcția de zoom disponibilă.
Fig. 38 Afișarea răspunsului cu zoom
Folosind camera foto
Putem de asemeni să folosim și camera telefonului pentru a face poze în natură sau la alte imagini și să aplicăm detectorul de semne de circulație.
Primul lucru pe care trebuie să îl facem este acordarea permisiunilor. Acest lucru se realizează doar o singură dată, la început. În cazul în care aplicația nu are acces la camera, această cere permisiuni.
Fig. 39 Cerere permisiuni
După ce am trecut și de acest pas, îndreptăm camera spre semnul de circulație pe care dorim să îl identificăm și apăsăm pe butonul de jos, care este reprezentat printr-o pictogramă.
Fig. 40 Realizarea unei fotografii
După ce am apăsat pe buton ni se va deschide fereastra în care ne va apărea poză. Pe poză va fi desenată poziția semnului de circulație și numele acestuia.
Fig. 41 Afișarea rezultatului
Și acesta este modul de funcționare al aplicație. Este destul de minimalist și ușor de folosit.
Concluzii
În această lucrare am testat un posibil mod de lucru, o anumită abordare si am prezentat rezultatele obtinute.
Rezultatele acestei lucrări nu sunt cele mai bune, dar sunt un punct de plecare pentru a realiza un sistem de asistență în trafic mai bun.
Modelul recunoaste semnele de circulatie cu care a fost antrenat si se descurca la recunoasterea lor. Prin extinderea claselor, se poate ajunge la un sistem care poate recunoaste majoritatea semnelor de circulatie internationale.
Avansarea la nivelul urmator necesită îmbunatatirea resurselor hardware necesare antrenarii retelei, atat pentru a obtine precizii mult mai bune cât și pentru a putea extinde aria de cunoaștere a sistemului.
Bibliografie
Wali, S. B, Abdullah, M. A., Hannan, M. A., Hussain, A., Samad, S. A., Ker, P. J., Bin Mansor, M., „Vision-Based Traffic Sign Detection and Recognition Systems: Current Trends and Challenges”, Sensors, Vol. 19, 2019, pp 1-28
Shao, F. , Wang, X., Meng, F., Rui, T., Wang, D., Tang, J., „Real-Time Traffic Sign Detection and Recognition Method Based on Simplified Gabor Wavelets and CNNs, Sensors”, Vol. 18, 2018, pp 1-24
Garćıa-Garrido, M. A., Ocana, M., Llorca, D. F., Arroyo, E., Pozuelo, J., Gavilan, M., „Complete Vision-Based Traffic Sign Recognition Supported by an I2V Communication System”, Vol. 12, 2012, pp 1148-1169
Wali, S. B, Hannan, M. A., Hussain, A., Samad, S. A., „Comparative Survey on Traffic Sign Detection and Recognition: a Review”, Przeglad Elektrotechniczny, ISSN 0033-2097, Nr. 12, 2015, pp 38-42
Karthiga, P. L., Mansoor Roomi, S. Md., Kowsalya, J., „Traffic-Sign Recognition for an Intelligent Vehicle/Driver Assistant System Using HOG, Computer Science & Engineering: An International Journal (CSEIJ)”, Vol.6, Nr.1, 2016, pp 15-23
Escalera, A., Armingol, J.Ma,, Mata, M., „Traffic sign recognition and analysis for intelligent vehicles, Image and Vision Computing”, Vol. 21, 2003, pp 247–258
https://www.la.mercedes-benz.com/en/passengercars/mercedes-benz-cars/models/gls/gls-suv/explore/intelligent-drive-technologies/traffic-sign-assist.html, 02-07-2019
https://www.audi-mediacenter.com/en/photos/detail/traffic-sign-recognition-42336, 02-07-2019
http://www.master-taid.ro/Cursuri/MLAV_files/Retele%20Convolutionale%20-%20Convolutional%20Neural%20Networks%20(CNNs).html#Machine-Learning-pentru-Aplicatii-Vizuale, 02-07-2019
https://blogs.nvidia.com/blog/2019/02/07/what-is-transfer-learning/, 01-07-2019
https://www.mathworks.com/help/vision/ug/faster-r-cnn-basics.html, 01-07-2019
https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e, 28-07-2019
https://arxiv.org/pdf/1311.2524.pdf, 28-06-2019
https://arxiv.org/pdf/1504.08083.pdf, 29-06-2019
https://arxiv.org/pdf/1506.01497.pdf, 30-06-2019
https://www.mathworks.com/help/deeplearning/ref/resnet50.html, 01-07-2019
http://benchmark.ini.rub.de/?section=gtsdb&subsection=news, 06-06-2019
https://blogs.nvidia.com/blog/2018/12/27/how-get-started-deep-learning-frameworks/, 03-07-2019
https://opencv.org/android/, 15-06-2019
https://www.mathworks.com/help/matlab/matlab-engine-for-python.html, 20-06-2019
https://flask.palletsprojects.com/en/1.0.x/, 20-06-2019
https://www.mathworks.com/help/matlab/matlab_external/connect-python-to-running-matlab-session.html, 21-06-2019
https://www.mathworks.com/help/vision/examples/object-detection-using-faster-r-cnn-deep-learning.html, 20-05-2019
https://www.mathworks.com/help/deeplearning/ug/pretrained-convolutional-neural-networks.html, 20-05-2019
https://www.mathworks.com/help/deeplearning/ref/resnet50.html, 21-05-2019
Anexa 1 – Raportul de Antiplagiere
Anexa 2 – Raport antrenare retea cu 15 epoci
>> Transfer_Learning_DeepLearningFasterRCNNObjectDetectionExample
ans = 4×5 table
imageFilename stop no_overtaking priority_road give_way
________________________ ____ _____________ _____________ ____________
"imagini\00001.jpg" [] [] [] [1×4 double]
"imagini\00003.jpg" [] [1×4 double] [] []
"imagini\00005.jpg" [] [1×4 double] [] []
"imagini\00007.jpg" [] [1×4 double] [] []
*************************************************************************
Training a Faster R-CNN Object Detector for the following object classes:
* stop
* no_overtaking
* priority_road
* give_way
Step 1 of 4: Training a Region Proposal Network (RPN).
Training on single CPU.
|=======================================================================================================|
| Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning |
| | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate |
|=======================================================================================================|
| 1 | 1 | 00:00:30 | 0.7270 | 48.44% | 0.85 | 0.0010 |
| 1 | 50 | 00:23:19 | 0.0524 | 99.22% | 0.61 | 0.0010 |
| 1 | 100 | 00:46:36 | 0.0638 | 98.44% | 0.98 | 0.0010 |
| 1 | 150 | 01:09:52 | 0.1841 | 94.53% | 0.60 | 0.0010 |
| 2 | 200 | 01:33:00 | 0.0249 | 100.00% | 1.24 | 0.0010 |
| 2 | 250 | 01:56:18 | 0.0998 | 98.44% | 1.41 | 0.0010 |
| 2 | 300 | 02:19:32 | 0.0324 | 98.44% | 0.66 | 0.0010 |
| 3 | 350 | 02:43:06 | 0.0226 | 100.00% | 1.20 | 0.0010 |
| 3 | 400 | 03:06:12 | 0.0108 | 100.00% | 0.43 | 0.0010 |
| 3 | 450 | 03:29:25 | 0.0130 | 100.00% | 0.73 | 0.0010 |
| 3 | 500 | 03:52:37 | 0.0217 | 100.00% | 0.33 | 0.0010 |
| 4 | 550 | 04:16:11 | 0.0056 | 100.00% | 0.21 | 0.0010 |
| 4 | 600 | 04:39:27 | 0.0268 | 99.22% | 0.37 | 0.0010 |
| 4 | 650 | 05:02:33 | 0.0026 | 100.00% | 0.34 | 0.0010 |
| 5 | 700 | 05:26:09 | 0.0345 | 99.21% | 0.29 | 0.0010 |
| 5 | 750 | 05:49:25 | 0.0071 | 100.00% | 0.48 | 0.0010 |
| 5 | 800 | 06:12:41 | 0.0018 | 100.00% | 0.29 | 0.0010 |
| 6 | 850 | 06:36:18 | 0.0008 | 100.00% | 0.20 | 0.0010 |
| 6 | 900 | 06:59:37 | 0.0197 | 100.00% | 0.35 | 0.0010 |
| 6 | 950 | 07:22:52 | 0.0010 | 100.00% | 0.21 | 0.0010 |
| 6 | 1000 | 07:46:11 | 0.0064 | 100.00% | 0.55 | 0.0010 |
| 7 | 1050 | 08:09:48 | 0.0071 | 100.00% | 0.21 | 0.0010 |
| 7 | 1100 | 08:33:11 | 0.0133 | 99.22% | 0.39 | 0.0010 |
| 7 | 1150 | 08:56:33 | 0.0017 | 100.00% | 0.21 | 0.0010 |
| 8 | 1200 | 09:20:18 | 0.0065 | 100.00% | 0.57 | 0.0010 |
| 8 | 1250 | 09:43:44 | 0.0030 | 100.00% | 0.12 | 0.0010 |
| 8 | 1300 | 10:07:10 | 0.0080 | 100.00% | 0.12 | 0.0010 |
| 8 | 1350 | 10:30:31 | 0.0031 | 100.00% | 0.25 | 0.0010 |
| 9 | 1400 | 10:54:15 | 0.0095 | 100.00% | 0.50 | 0.0010 |
| 9 | 1450 | 11:17:32 | 0.0012 | 100.00% | 0.18 | 0.0010 |
| 9 | 1500 | 11:40:49 | 0.0024 | 100.00% | 0.24 | 0.0010 |
| 10 | 1550 | 12:04:27 | 0.0052 | 100.00% | 0.40 | 0.0010 |
| 10 | 1600 | 12:27:40 | 0.0023 | 100.00% | 0.22 | 0.0010 |
| 10 | 1650 | 12:50:53 | 0.0024 | 100.00% | 0.19 | 0.0010 |
| 11 | 1700 | 13:14:34 | 0.0031 | 100.00% | 0.21 | 0.0010 |
| 11 | 1750 | 13:37:55 | 0.0050 | 100.00% | 0.17 | 0.0010 |
| 11 | 1800 | 14:01:19 | 0.0033 | 100.00% | 0.20 | 0.0010 |
| 11 | 1850 | 14:24:40 | 0.0023 | 100.00% | 0.11 | 0.0010 |
| 12 | 1900 | 14:48:18 | 0.0038 | 100.00% | 0.26 | 0.0010 |
| 12 | 1950 | 15:11:40 | 0.0016 | 100.00% | 0.17 | 0.0010 |
| 12 | 2000 | 15:35:04 | 0.0016 | 100.00% | 0.20 | 0.0010 |
| 13 | 2050 | 15:58:43 | 0.0225 | 99.22% | 0.15 | 0.0010 |
| 13 | 2100 | 16:22:10 | 0.0020 | 100.00% | 0.09 | 0.0010 |
| 13 | 2150 | 16:45:33 | 0.0015 | 100.00% | 0.08 | 0.0010 |
| 14 | 2200 | 17:09:23 | 0.0007 | 100.00% | 0.09 | 0.0010 |
| 14 | 2250 | 17:32:49 | 0.0021 | 100.00% | 0.05 | 0.0010 |
| 14 | 2300 | 17:56:20 | 0.0013 | 100.00% | 0.10 | 0.0010 |
| 14 | 2350 | 18:19:47 | 0.0053 | 100.00% | 0.12 | 0.0010 |
| 15 | 2400 | 18:43:35 | 0.0020 | 100.00% | 0.14 | 0.0010 |
| 15 | 2450 | 19:07:05 | 0.0046 | 100.00% | 0.48 | 0.0010 |
| 15 | 2500 | 19:30:34 | 0.0012 | 100.00% | 0.06 | 0.0010 |
| 15 | 2535 | 19:47:02 | 0.0013 | 100.00% | 0.09 | 0.0010 |
|=======================================================================================================|
Step 2 of 4: Training a Fast R-CNN Network using the RPN from step 1.
–> Extracting region proposals from 169 training images…done.
Training on single CPU.
|=======================================================================================================|
| Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning |
| | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate |
|=======================================================================================================|
| 1 | 1 | 00:00:33 | 1.4037 | 47.66% | 0.61 | 0.0010 |
| 1 | 50 | 00:27:28 | 0.1614 | 97.66% | 0.64 | 0.0010 |
| 1 | 100 | 00:55:37 | 0.0688 | 100.00% | 0.53 | 0.0010 |
| 1 | 150 | 01:24:44 | 0.0349 | 99.22% | 0.22 | 0.0010 |
| 2 | 200 | 01:53:11 | 0.0593 | 100.00% | 0.52 | 0.0010 |
| 2 | 250 | 02:20:38 | 0.0554 | 98.44% | 0.59 | 0.0010 |
| 2 | 300 | 02:48:41 | 0.1237 | 96.88% | 0.47 | 0.0010 |
| 3 | 350 | 03:18:01 | 0.0421 | 100.00% | 0.52 | 0.0010 |
| 3 | 400 | 03:46:08 | 0.0266 | 99.22% | 0.39 | 0.0010 |
| 3 | 450 | 04:13:30 | 0.0322 | 99.22% | 0.34 | 0.0010 |
| 3 | 500 | 04:41:27 | 0.0667 | 97.66% | 0.38 | 0.0010 |
| 4 | 550 | 05:10:54 | 0.0776 | 97.66% | 0.43 | 0.0010 |
| 4 | 600 | 05:39:21 | 0.0858 | 98.44% | 0.72 | 0.0010 |
| 4 | 650 | 06:06:40 | 0.0038 | 100.00% | 0.12 | 0.0010 |
| 5 | 700 | 06:34:37 | 0.0165 | 100.00% | 0.30 | 0.0010 |
| 5 | 750 | 07:03:30 | 0.0534 | 100.00% | 0.51 | 0.0010 |
| 5 | 800 | 07:32:26 | 0.0275 | 99.22% | 0.30 | 0.0010 |
| 6 | 850 | 08:00:09 | 0.0368 | 100.00% | 0.43 | 0.0010 |
| 6 | 900 | 08:27:30 | 0.0065 | 100.00% | 0.20 | 0.0010 |
| 6 | 950 | 08:56:23 | 0.0408 | 100.00% | 0.49 | 0.0010 |
| 6 | 1000 | 09:24:30 | 0.0060 | 100.00% | 0.20 | 0.0010 |
| 7 | 1050 | 09:52:17 | 0.2318 | 96.09% | 0.71 | 0.0010 |
| 7 | 1100 | 10:20:13 | 0.0449 | 99.22% | 0.24 | 0.0010 |
| 7 | 1150 | 10:49:15 | 0.0166 | 100.00% | 0.35 | 0.0010 |
| 8 | 1200 | 11:18:37 | 0.0304 | 99.22% | 0.31 | 0.0010 |
| 8 | 1250 | 11:46:39 | 0.0469 | 100.00% | 0.45 | 0.0010 |
| 8 | 1300 | 12:14:00 | 0.0500 | 98.44% | 0.43 | 0.0010 |
| 8 | 1350 | 12:42:06 | 0.0298 | 100.00% | 0.37 | 0.0010 |
| 9 | 1400 | 13:11:36 | 0.0107 | 100.00% | 0.41 | 0.0010 |
| 9 | 1450 | 13:40:06 | 0.0380 | 98.44% | 0.33 | 0.0010 |
| 9 | 1500 | 14:07:34 | 0.0230 | 100.00% | 0.32 | 0.0010 |
| 10 | 1550 | 14:35:44 | 0.0149 | 100.00% | 0.49 | 0.0010 |
| 10 | 1600 | 15:04:47 | 0.0283 | 99.22% | 0.29 | 0.0010 |
| 10 | 1650 | 15:34:11 | 0.0323 | 100.00% | 0.42 | 0.0010 |
| 11 | 1700 | 16:03:26 | 0.0446 | 100.00% | 0.66 | 0.0010 |
| 11 | 1750 | 16:32:15 | 0.0041 | 100.00% | 0.20 | 0.0010 |
| 11 | 1800 | 17:01:16 | 0.0234 | 99.22% | 0.28 | 0.0010 |
| 11 | 1850 | 17:30:26 | 0.0368 | 100.00% | 0.48 | 0.0010 |
| 12 | 1900 | 17:59:55 | 0.0192 | 99.22% | 0.26 | 0.0010 |
| 12 | 1950 | 18:29:01 | 0.0365 | 100.00% | 0.59 | 0.0010 |
| 12 | 2000 | 18:58:08 | 0.0024 | 100.00% | 0.17 | 0.0010 |
| 13 | 2050 | 19:26:56 | 0.0143 | 100.00% | 0.32 | 0.0010 |
| 13 | 2100 | 19:54:20 | 0.0331 | 99.22% | 0.18 | 0.0010 |
| 13 | 2150 | 20:22:09 | 0.0160 | 99.22% | 0.12 | 0.0010 |
| 14 | 2200 | 20:51:40 | 0.0328 | 100.00% | 0.42 | 0.0010 |
| 14 | 2250 | 21:20:48 | 0.0287 | 100.00% | 0.39 | 0.0010 |
| 14 | 2300 | 21:48:48 | 0.0044 | 100.00% | 0.24 | 0.0010 |
| 14 | 2350 | 22:16:18 | 0.0048 | 100.00% | 0.16 | 0.0010 |
| 15 | 2400 | 22:45:03 | 0.0040 | 100.00% | 0.14 | 0.0010 |
| 15 | 2450 | 23:14:06 | 0.0531 | 100.00% | 0.33 | 0.0010 |
| 15 | 2500 | 23:43:12 | 0.0058 | 100.00% | 0.08 | 0.0010 |
| 15 | 2535 | 24:03:37 | 0.0697 | 99.22% | 0.47 | 0.0010 |
|=======================================================================================================|
Step 3 of 4: Re-training RPN using weight sharing with Fast R-CNN.
Training on single CPU.
|=======================================================================================================|
| Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning |
| | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate |
|=======================================================================================================|
| 1 | 1 | 00:00:06 | 0.0253 | 98.44% | 0.33 | 0.0010 |
| 1 | 50 | 00:04:54 | 0.0403 | 99.22% | 1.07 | 0.0010 |
| 1 | 100 | 00:09:44 | 0.0223 | 100.00% | 1.11 | 0.0010 |
| 1 | 150 | 00:14:37 | 0.0065 | 100.00% | 0.40 | 0.0010 |
| 2 | 200 | 00:19:47 | 0.0125 | 100.00% | 0.57 | 0.0010 |
| 2 | 250 | 00:24:37 | 0.0054 | 100.00% | 0.31 | 0.0010 |
| 2 | 300 | 00:29:24 | 0.0249 | 99.22% | 0.51 | 0.0010 |
| 3 | 350 | 00:34:33 | 0.0029 | 100.00% | 0.29 | 0.0010 |
| 3 | 400 | 00:39:23 | 0.0094 | 100.00% | 0.70 | 0.0010 |
| 3 | 450 | 00:44:13 | 0.0066 | 100.00% | 0.45 | 0.0010 |
| 3 | 500 | 00:49:05 | 0.0090 | 100.00% | 0.71 | 0.0010 |
| 4 | 550 | 00:54:49 | 0.0284 | 100.00% | 0.25 | 0.0010 |
| 4 | 600 | 01:00:06 | 0.0019 | 100.00% | 0.17 | 0.0010 |
| 4 | 650 | 01:05:26 | 0.0035 | 100.00% | 0.39 | 0.0010 |
| 5 | 700 | 01:11:06 | 0.0027 | 100.00% | 0.32 | 0.0010 |
| 5 | 750 | 01:16:28 | 0.0090 | 100.00% | 0.47 | 0.0010 |
| 5 | 800 | 01:21:46 | 0.0027 | 100.00% | 0.24 | 0.0010 |
| 6 | 850 | 01:27:25 | 0.0035 | 100.00% | 0.26 | 0.0010 |
| 6 | 900 | 01:32:44 | 0.0353 | 99.22% | 0.37 | 0.0010 |
| 6 | 950 | 01:38:03 | 0.0242 | 99.21% | 0.36 | 0.0010 |
| 6 | 1000 | 01:43:21 | 0.0156 | 100.00% | 0.59 | 0.0010 |
| 7 | 1050 | 01:49:00 | 0.0032 | 100.00% | 0.30 | 0.0010 |
| 7 | 1100 | 01:54:20 | 0.0026 | 100.00% | 0.34 | 0.0010 |
| 7 | 1150 | 01:59:39 | 0.0077 | 100.00% | 0.37 | 0.0010 |
| 8 | 1200 | 02:05:19 | 0.0016 | 100.00% | 0.18 | 0.0010 |
| 8 | 1250 | 02:10:39 | 0.0103 | 100.00% | 0.13 | 0.0010 |
| 8 | 1300 | 02:16:00 | 0.0019 | 100.00% | 0.21 | 0.0010 |
| 8 | 1350 | 02:21:21 | 0.0111 | 100.00% | 0.52 | 0.0010 |
| 9 | 1400 | 02:27:00 | 0.0021 | 100.00% | 0.19 | 0.0010 |
| 9 | 1450 | 02:32:19 | 0.0013 | 100.00% | 0.17 | 0.0010 |
| 9 | 1500 | 02:37:38 | 0.0352 | 99.22% | 0.32 | 0.0010 |
| 10 | 1550 | 02:43:14 | 0.0016 | 100.00% | 0.12 | 0.0010 |
| 10 | 1600 | 02:48:34 | 0.0130 | 100.00% | 0.22 | 0.0010 |
| 10 | 1650 | 02:53:53 | 0.0303 | 99.22% | 0.34 | 0.0010 |
| 11 | 1700 | 02:59:30 | 0.0018 | 100.00% | 0.20 | 0.0010 |
| 11 | 1750 | 03:04:48 | 0.0019 | 100.00% | 0.12 | 0.0010 |
| 11 | 1800 | 03:10:08 | 0.0050 | 100.00% | 0.23 | 0.0010 |
| 11 | 1850 | 03:15:27 | 0.0035 | 100.00% | 0.21 | 0.0010 |
| 12 | 1900 | 03:21:04 | 0.0017 | 100.00% | 0.19 | 0.0010 |
| 12 | 1950 | 03:26:25 | 0.0046 | 100.00% | 0.11 | 0.0010 |
| 12 | 2000 | 03:31:46 | 0.0086 | 100.00% | 0.14 | 0.0010 |
| 13 | 2050 | 03:37:21 | 0.0062 | 100.00% | 0.30 | 0.0010 |
| 13 | 2100 | 03:42:42 | 0.0004 | 100.00% | 0.06 | 0.0010 |
| 13 | 2150 | 03:48:00 | 0.0019 | 100.00% | 0.32 | 0.0010 |
| 14 | 2200 | 03:53:36 | 0.0068 | 100.00% | 0.61 | 0.0010 |
| 14 | 2250 | 03:58:55 | 0.0009 | 100.00% | 0.12 | 0.0010 |
| 14 | 2300 | 04:04:14 | 0.0042 | 100.00% | 0.13 | 0.0010 |
| 14 | 2350 | 04:09:33 | 0.0010 | 100.00% | 0.12 | 0.0010 |
| 15 | 2400 | 04:15:11 | 0.0005 | 100.00% | 0.07 | 0.0010 |
| 15 | 2450 | 04:20:30 | 0.0016 | 100.00% | 0.17 | 0.0010 |
| 15 | 2500 | 04:25:52 | 0.0023 | 100.00% | 0.12 | 0.0010 |
| 15 | 2535 | 04:29:36 | 0.0270 | 99.21% | 0.10 | 0.0010 |
|=======================================================================================================|
Step 4 of 4: Re-training Fast R-CNN using updated RPN.
–> Extracting region proposals from 169 training images…done.
Training on single CPU.
|=======================================================================================================|
| Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning |
| | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate |
|=======================================================================================================|
| 1 | 1 | 00:00:12 | 0.0062 | 100.00% | 0.13 | 0.0010 |
| 1 | 50 | 00:09:36 | 0.0375 | 99.22% | 0.35 | 0.0010 |
| 1 | 100 | 00:19:09 | 0.0403 | 100.00% | 0.56 | 0.0010 |
| 1 | 150 | 00:28:29 | 0.0605 | 100.00% | 0.53 | 0.0010 |
| 2 | 200 | 00:38:27 | 0.0178 | 100.00% | 0.42 | 0.0010 |
| 2 | 250 | 00:48:17 | 0.0478 | 100.00% | 0.38 | 0.0010 |
| 2 | 300 | 00:58:35 | 0.0179 | 100.00% | 0.29 | 0.0010 |
| 3 | 350 | 01:09:16 | 0.0029 | 100.00% | 0.21 | 0.0010 |
| 3 | 400 | 01:19:33 | 0.0228 | 100.00% | 0.30 | 0.0010 |
| 3 | 450 | 01:29:53 | 0.0188 | 100.00% | 0.40 | 0.0010 |
| 3 | 500 | 01:40:16 | 0.0234 | 100.00% | 0.33 | 0.0010 |
| 4 | 550 | 01:50:58 | 0.0005 | 100.00% | 0.06 | 0.0010 |
| 4 | 600 | 02:01:12 | 0.0323 | 100.00% | 0.36 | 0.0010 |
| 4 | 650 | 02:11:37 | 0.0226 | 100.00% | 0.35 | 0.0010 |
| 5 | 700 | 02:22:22 | 0.0627 | 99.22% | 0.36 | 0.0010 |
| 5 | 750 | 02:32:45 | 0.0182 | 100.00% | 0.30 | 0.0010 |
| 5 | 800 | 02:42:50 | 0.0124 | 100.00% | 0.31 | 0.0010 |
| 6 | 850 | 02:52:45 | 0.0096 | 100.00% | 0.27 | 0.0010 |
| 6 | 900 | 03:02:16 | 0.0203 | 100.00% | 0.42 | 0.0010 |
| 6 | 950 | 03:11:49 | 0.0332 | 100.00% | 0.33 | 0.0010 |
| 6 | 1000 | 03:21:21 | 0.0006 | 100.00% | 0.09 | 0.0010 |
| 7 | 1050 | 03:31:17 | 0.0111 | 100.00% | 0.20 | 0.0010 |
| 7 | 1100 | 03:40:55 | 0.0083 | 100.00% | 0.24 | 0.0010 |
| 7 | 1150 | 03:51:16 | 0.0350 | 99.22% | 0.30 | 0.0010 |
| 8 | 1200 | 04:01:59 | 0.0096 | 100.00% | 0.22 | 0.0010 |
| 8 | 1250 | 04:11:58 | 0.0081 | 100.00% | 0.24 | 0.0010 |
| 8 | 1300 | 04:21:32 | 0.0011 | 100.00% | 0.13 | 0.0010 |
| 9 | 1350 | 04:31:26 | 0.0013 | 100.00% | 0.06 | 0.0010 |
| 9 | 1400 | 04:40:56 | 0.0005 | 100.00% | 0.08 | 0.0010 |
| 9 | 1450 | 04:50:28 | 0.0010 | 100.00% | 0.11 | 0.0010 |
| 9 | 1500 | 05:00:02 | 0.0093 | 100.00% | 0.17 | 0.0010 |
| 10 | 1550 | 05:10:12 | 0.0061 | 100.00% | 0.13 | 0.0010 |
| 10 | 1600 | 05:20:34 | 0.0109 | 100.00% | 0.18 | 0.0010 |
| 10 | 1650 | 05:30:55 | 0.0196 | 100.00% | 0.18 | 0.0010 |
| 11 | 1700 | 05:41:36 | 0.0050 | 100.00% | 0.15 | 0.0010 |
| 11 | 1750 | 05:51:58 | 0.0544 | 99.22% | 0.40 | 0.0010 |
| 11 | 1800 | 06:02:18 | 0.0062 | 100.00% | 0.21 | 0.0010 |
| 12 | 1850 | 06:13:05 | 0.0330 | 100.00% | 0.30 | 0.0010 |
| 12 | 1900 | 06:23:26 | 0.0213 | 100.00% | 0.29 | 0.0010 |
| 12 | 1950 | 06:33:47 | 0.0080 | 100.00% | 0.20 | 0.0010 |
| 12 | 2000 | 06:43:49 | 0.0095 | 100.00% | 0.28 | 0.0010 |
| 13 | 2050 | 06:53:44 | 0.0032 | 100.00% | 0.10 | 0.0010 |
| 13 | 2100 | 07:03:19 | 0.0109 | 100.00% | 0.24 | 0.0010 |
| 13 | 2150 | 07:13:18 | 0.0198 | 100.00% | 0.22 | 0.0010 |
| 14 | 2200 | 07:24:10 | 0.0266 | 100.00% | 0.27 | 0.0010 |
| 14 | 2250 | 07:34:32 | 0.0145 | 100.00% | 0.29 | 0.0010 |
| 14 | 2300 | 07:44:59 | 0.0228 | 100.00% | 0.29 | 0.0010 |
| 14 | 2350 | 07:55:21 | 0.0151 | 100.00% | 0.28 | 0.0010 |
| 15 | 2400 | 08:05:20 | 0.0239 | 100.00% | 0.27 | 0.0010 |
| 15 | 2450 | 08:14:53 | 0.0004 | 100.00% | 0.07 | 0.0010 |
| 15 | 2500 | 08:24:22 | 0.0209 | 100.00% | 0.41 | 0.0010 |
| 15 | 2520 | 08:28:08 | 0.0189 | 100.00% | 0.33 | 0.0010 |
|=======================================================================================================|
Detector training complete.
***************************************************************************************************************************************
Anexa 3 – Raport antrenare cu 50 de epoci
>> Transfer_Learning_DeepLearningFasterRCNNObjectDetectionExample
ans = 4×5 table
imageFilename stop no_overtaking priority_road give_way
________________________ ____ _____________ _____________ ____________
"imagini\00001.jpg" [] [] [] [1×4 double]
"imagini\00003.jpg" [] [1×4 double] [] []
"imagini\00005.jpg" [] [1×4 double] [] []
"imagini\00007.jpg" [] [1×4 double] [] []
*************************************************************************
Training a Faster R-CNN Object Detector for the following object classes:
* stop
* no_overtaking
* priority_road
* give_way
Step 1 of 4: Training a Region Proposal Network (RPN).
Training on single CPU.
|=======================================================================================================|
| Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning |
| | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate |
|=======================================================================================================|
| 1 | 1 | 00:00:29 | 0.7270 | 48.44% | 0.85 | 0.0010 |
| 1 | 50 | 00:21:25 | 0.0524 | 99.22% | 0.61 | 0.0010 |
| 1 | 100 | 00:42:27 | 0.0638 | 98.44% | 0.98 | 0.0010 |
| 1 | 150 | 01:03:35 | 0.1841 | 94.53% | 0.60 | 0.0010 |
| 2 | 200 | 01:25:57 | 0.0249 | 100.00% | 1.24 | 0.0010 |
| 2 | 250 | 01:48:05 | 0.0998 | 98.44% | 1.41 | 0.0010 |
| 2 | 300 | 02:10:16 | 0.0324 | 98.44% | 0.66 | 0.0010 |
| 3 | 350 | 02:32:41 | 0.0226 | 100.00% | 1.20 | 0.0010 |
| 3 | 400 | 02:54:41 | 0.0108 | 100.00% | 0.43 | 0.0010 |
| 3 | 450 | 03:15:37 | 0.0130 | 100.00% | 0.73 | 0.0010 |
| 3 | 500 | 03:36:30 | 0.0217 | 100.00% | 0.33 | 0.0010 |
| 4 | 550 | 03:58:01 | 0.0056 | 100.00% | 0.21 | 0.0010 |
| 4 | 600 | 04:20:06 | 0.0268 | 99.22% | 0.37 | 0.0010 |
| 4 | 650 | 04:42:18 | 0.0026 | 100.00% | 0.34 | 0.0010 |
| 5 | 700 | 05:04:06 | 0.0345 | 99.21% | 0.29 | 0.0010 |
| 5 | 750 | 05:24:59 | 0.0071 | 100.00% | 0.48 | 0.0010 |
| 5 | 800 | 05:45:58 | 0.0018 | 100.00% | 0.29 | 0.0010 |
| 6 | 850 | 06:08:07 | 0.0008 | 100.00% | 0.20 | 0.0010 |
| 6 | 900 | 06:30:13 | 0.0197 | 100.00% | 0.35 | 0.0010 |
| 6 | 950 | 06:52:20 | 0.0010 | 100.00% | 0.21 | 0.0010 |
| 6 | 1000 | 07:13:12 | 0.0064 | 100.00% | 0.55 | 0.0010 |
| 7 | 1050 | 07:34:23 | 0.0071 | 100.00% | 0.21 | 0.0010 |
| 7 | 1100 | 07:55:34 | 0.0133 | 99.22% | 0.39 | 0.0010 |
| 7 | 1150 | 08:17:48 | 0.0017 | 100.00% | 0.21 | 0.0010 |
| 8 | 1200 | 08:40:19 | 0.0065 | 100.00% | 0.57 | 0.0010 |
| 8 | 1250 | 09:02:01 | 0.0030 | 100.00% | 0.12 | 0.0010 |
| 8 | 1300 | 09:22:57 | 0.0080 | 100.00% | 0.12 | 0.0010 |
| 8 | 1350 | 09:43:51 | 0.0031 | 100.00% | 0.25 | 0.0010 |
| 9 | 1400 | 10:05:57 | 0.0095 | 100.00% | 0.50 | 0.0010 |
| 9 | 1450 | 10:28:07 | 0.0012 | 100.00% | 0.18 | 0.0010 |
| 9 | 1500 | 10:48:15 | 0.0024 | 100.00% | 0.24 | 0.0010 |
| 10 | 1550 | 11:09:44 | 0.0052 | 100.00% | 0.40 | 0.0010 |
| 10 | 1600 | 11:30:39 | 0.0023 | 100.00% | 0.22 | 0.0010 |
| 10 | 1650 | 11:51:40 | 0.0024 | 100.00% | 0.19 | 0.0010 |
| 11 | 1700 | 12:14:01 | 0.0031 | 100.00% | 0.21 | 0.0010 |
| 11 | 1750 | 12:36:04 | 0.0050 | 100.00% | 0.17 | 0.0010 |
| 11 | 1800 | 12:57:50 | 0.0033 | 100.00% | 0.20 | 0.0010 |
| 11 | 1850 | 13:18:42 | 0.0023 | 100.00% | 0.11 | 0.0010 |
| 12 | 1900 | 13:40:00 | 0.0038 | 100.00% | 0.26 | 0.0010 |
| 12 | 1950 | 14:01:27 | 0.0016 | 100.00% | 0.17 | 0.0010 |
| 12 | 2000 | 14:23:34 | 0.0016 | 100.00% | 0.20 | 0.0010 |
| 13 | 2050 | 14:45:58 | 0.0225 | 99.22% | 0.15 | 0.0010 |
| 13 | 2100 | 15:07:16 | 0.0020 | 100.00% | 0.09 | 0.0010 |
| 13 | 2150 | 15:28:10 | 0.0015 | 100.00% | 0.08 | 0.0010 |
| 14 | 2200 | 15:49:21 | 0.0007 | 100.00% | 0.09 | 0.0010 |
| 14 | 2250 | 16:11:20 | 0.0021 | 100.00% | 0.05 | 0.0010 |
| 14 | 2300 | 16:33:31 | 0.0013 | 100.00% | 0.10 | 0.0010 |
| 14 | 2350 | 16:55:28 | 0.0053 | 100.00% | 0.12 | 0.0010 |
| 15 | 2400 | 17:16:45 | 0.0020 | 100.00% | 0.14 | 0.0010 |
| 15 | 2450 | 17:37:45 | 0.0046 | 100.00% | 0.48 | 0.0010 |
| 15 | 2500 | 17:59:05 | 0.0012 | 100.00% | 0.06 | 0.0010 |
| 16 | 2550 | 18:21:35 | 0.0031 | 100.00% | 0.17 | 0.0010 |
| 16 | 2600 | 18:43:45 | 0.0007 | 100.00% | 0.06 | 0.0010 |
| 16 | 2650 | 19:05:15 | 0.0003 | 100.00% | 0.13 | 0.0010 |
| 16 | 2700 | 19:26:10 | 0.0251 | 99.21% | 0.13 | 0.0010 |
| 17 | 2750 | 19:47:25 | 0.0005 | 100.00% | 0.12 | 0.0010 |
| 17 | 2800 | 20:09:15 | 0.0013 | 100.00% | 0.12 | 0.0010 |
| 17 | 2850 | 20:31:23 | 0.0014 | 100.00% | 0.24 | 0.0010 |
| 18 | 2900 | 20:53:47 | 0.0036 | 100.00% | 0.09 | 0.0010 |
| 18 | 2950 | 21:14:43 | 0.0020 | 100.00% | 0.22 | 0.0010 |
| 18 | 3000 | 21:35:41 | 0.0075 | 100.00% | 0.14 | 0.0010 |
| 19 | 3050 | 21:57:08 | 0.0009 | 100.00% | 0.10 | 0.0010 |
| 19 | 3100 | 22:19:18 | 0.0019 | 100.00% | 0.10 | 0.0010 |
| 19 | 3150 | 22:41:26 | 0.0002 | 100.00% | 0.06 | 0.0010 |
| 19 | 3200 | 23:03:00 | 0.0024 | 100.00% | 0.13 | 0.0010 |
| 20 | 3250 | 23:24:13 | 0.0006 | 100.00% | 0.08 | 0.0010 |
| 20 | 3300 | 23:45:12 | 0.0030 | 100.00% | 0.18 | 0.0010 |
| 20 | 3350 | 24:06:58 | 0.0003 | 100.00% | 0.09 | 0.0010 |
| 21 | 3400 | 24:29:22 | 0.0027 | 100.00% | 0.13 | 0.0010 |
| 21 | 3450 | 24:51:30 | 0.0035 | 100.00% | 0.33 | 0.0010 |
| 21 | 3500 | 25:12:32 | 0.0004 | 100.00% | 0.04 | 0.0010 |
| 22 | 3550 | 25:33:40 | 0.0019 | 100.00% | 0.05 | 0.0010 |
| 22 | 3600 | 25:54:45 | 0.0005 | 100.00% | 0.04 | 0.0010 |
| 22 | 3650 | 26:16:56 | 0.0014 | 100.00% | 0.07 | 0.0010 |
| 22 | 3700 | 26:39:10 | 0.0009 | 100.00% | 0.07 | 0.0010 |
| 23 | 3750 | 27:01:06 | 0.0004 | 100.00% | 0.15 | 0.0010 |
| 23 | 3800 | 27:22:02 | 0.0005 | 100.00% | 0.08 | 0.0010 |
| 23 | 3850 | 27:42:54 | 0.0002 | 100.00% | 0.04 | 0.0010 |
| 24 | 3900 | 28:04:45 | 0.0005 | 100.00% | 0.11 | 0.0010 |
| 24 | 3950 | 28:26:52 | 0.0025 | 100.00% | 0.14 | 0.0010 |
| 24 | 4000 | 28:49:01 | 0.0007 | 100.00% | 0.06 | 0.0010 |
| 24 | 4050 | 29:10:07 | 0.0004 | 100.00% | 0.09 | 0.0010 |
| 25 | 4100 | 29:31:14 | 0.0004 | 100.00% | 0.10 | 0.0010 |
| 25 | 4150 | 29:52:00 | 0.0009 | 100.00% | 0.04 | 0.0010 |
| 25 | 4200 | 30:14:06 | 0.0040 | 100.00% | 0.05 | 0.0010 |
| 26 | 4250 | 30:36:29 | 0.0005 | 100.00% | 0.07 | 0.0010 |
| 26 | 4300 | 30:58:15 | 0.0002 | 100.00% | 0.07 | 0.0010 |
| 26 | 4350 | 31:19:03 | 0.0003 | 100.00% | 0.05 | 0.0010 |
| 27 | 4400 | 31:40:05 | 0.0002 | 100.00% | 0.05 | 0.0010 |
| 27 | 4450 | 32:01:21 | 0.0010 | 100.00% | 0.15 | 0.0010 |
| 27 | 4500 | 32:23:20 | 0.0124 | 99.22% | 0.07 | 0.0010 |
| 27 | 4550 | 32:45:24 | 0.0003 | 100.00% | 0.06 | 0.0010 |
| 28 | 4600 | 33:07:00 | 0.0004 | 100.00% | 0.10 | 0.0010 |
| 28 | 4650 | 33:27:49 | 0.0009 | 100.00% | 0.11 | 0.0010 |
| 28 | 4700 | 33:48:41 | 0.0003 | 100.00% | 0.06 | 0.0010 |
| 29 | 4750 | 34:10:46 | 0.0005 | 100.00% | 0.17 | 0.0010 |
| 29 | 4800 | 34:32:56 | 0.0010 | 100.00% | 0.09 | 0.0010 |
| 29 | 4850 | 34:54:52 | 0.0005 | 100.00% | 0.06 | 0.0010 |
| 29 | 4900 | 35:15:37 | 0.0078 | 99.22% | 0.12 | 0.0010 |
| 30 | 4950 | 35:36:51 | 0.0003 | 100.00% | 0.13 | 0.0010 |
| 30 | 5000 | 35:57:59 | 0.0014 | 100.00% | 0.26 | 0.0010 |
| 30 | 5050 | 36:20:03 | 0.0006 | 100.00% | 0.14 | 0.0010 |
| 31 | 5100 | 36:41:45 | 0.0030 | 100.00% | 0.11 | 0.0010 |
| 31 | 5150 | 37:02:32 | 0.0007 | 100.00% | 0.20 | 0.0010 |
| 31 | 5200 | 37:23:19 | 0.0008 | 100.00% | 0.12 | 0.0010 |
| 32 | 5250 | 37:45:13 | 0.0003 | 100.00% | 0.07 | 0.0010 |
| 32 | 5300 | 38:07:08 | 0.0007 | 100.00% | 0.11 | 0.0010 |
| 32 | 5350 | 38:29:11 | 0.0003 | 100.00% | 0.10 | 0.0010 |
| 32 | 5400 | 38:51:18 | 0.0024 | 100.00% | 0.08 | 0.0010 |
| 33 | 5450 | 39:12:24 | 0.0003 | 100.00% | 0.06 | 0.0010 |
| 33 | 5500 | 39:33:13 | 0.0006 | 100.00% | 0.14 | 0.0010 |
| 33 | 5550 | 39:54:05 | 0.0008 | 100.00% | 0.14 | 0.0010 |
| 34 | 5600 | 40:16:27 | 0.0002 | 100.00% | 0.11 | 0.0010 |
| 34 | 5650 | 40:38:28 | 0.0004 | 100.00% | 0.12 | 0.0010 |
| 34 | 5700 | 41:00:02 | 0.0010 | 100.00% | 0.20 | 0.0010 |
| 35 | 5750 | 41:21:10 | 0.0001 | 100.00% | 0.06 | 0.0010 |
| 35 | 5800 | 41:41:57 | 0.0002 | 100.00% | 0.06 | 0.0010 |
| 35 | 5850 | 42:03:26 | 0.0001 | 100.00% | 0.06 | 0.0010 |
| 35 | 5900 | 42:25:34 | 0.0002 | 100.00% | 0.05 | 0.0010 |
| 36 | 5950 | 42:48:07 | 0.0005 | 100.00% | 0.09 | 0.0010 |
| 36 | 6000 | 43:09:15 | 0.0005 | 100.00% | 0.14 | 0.0010 |
| 36 | 6050 | 43:30:06 | 0.0007 | 100.00% | 0.12 | 0.0010 |
| 37 | 6100 | 43:51:10 | 5.8310e-05 | 100.00% | 0.04 | 0.0010 |
| 37 | 6150 | 44:13:09 | 0.0013 | 100.00% | 0.09 | 0.0010 |
| 37 | 6200 | 44:35:14 | 0.0007 | 100.00% | 0.03 | 0.0010 |
| 37 | 6250 | 44:57:09 | 0.0017 | 100.00% | 0.11 | 0.0010 |
| 38 | 6300 | 45:18:08 | 0.0003 | 100.00% | 0.09 | 0.0010 |
| 38 | 6350 | 45:39:01 | 0.0016 | 100.00% | 0.07 | 0.0010 |
| 38 | 6400 | 46:00:10 | 0.0037 | 100.00% | 0.07 | 0.0010 |
| 39 | 6450 | 46:22:33 | 0.0002 | 100.00% | 0.10 | 0.0010 |
| 39 | 6500 | 46:44:43 | 0.0017 | 100.00% | 0.13 | 0.0010 |
| 39 | 6550 | 47:06:02 | 0.0006 | 100.00% | 0.19 | 0.0010 |
| 40 | 6600 | 47:27:14 | 0.0068 | 99.22% | 0.17 | 0.0010 |
| 40 | 6650 | 47:48:08 | 0.0012 | 100.00% | 0.09 | 0.0010 |
| 40 | 6700 | 48:09:59 | 0.0002 | 100.00% | 0.09 | 0.0010 |
| 40 | 6750 | 48:32:06 | 0.0011 | 100.00% | 0.14 | 0.0010 |
| 41 | 6800 | 48:54:24 | 0.0002 | 100.00% | 0.07 | 0.0010 |
| 41 | 6850 | 49:15:13 | 0.0004 | 100.00% | 0.11 | 0.0010 |
| 41 | 6900 | 49:35:59 | 0.0016 | 100.00% | 0.16 | 0.0010 |
| 42 | 6950 | 49:57:25 | 5.6220e-05 | 100.00% | 0.04 | 0.0010 |
| 42 | 7000 | 50:19:31 | 0.0007 | 100.00% | 0.10 | 0.0010 |
| 42 | 7050 | 50:41:35 | 0.0022 | 100.00% | 0.08 | 0.0010 |
| 43 | 7100 | 51:03:17 | 0.0024 | 100.00% | 0.07 | 0.0010 |
| 43 | 7150 | 51:24:05 | 0.0001 | 100.00% | 0.08 | 0.0010 |
| 43 | 7200 | 51:45:01 | 0.0103 | 99.22% | 0.09 | 0.0010 |
| 43 | 7250 | 52:06:45 | 0.0004 | 100.00% | 0.09 | 0.0010 |
| 44 | 7300 | 52:29:13 | 0.0009 | 100.00% | 0.05 | 0.0010 |
| 44 | 7350 | 52:51:16 | 0.0003 | 100.00% | 0.12 | 0.0010 |
| 44 | 7400 | 53:12:15 | 0.0028 | 100.00% | 0.10 | 0.0010 |
| 45 | 7450 | 53:33:27 | 0.0009 | 100.00% | 0.10 | 0.0010 |
| 45 | 7500 | 53:54:29 | 0.0012 | 100.00% | 0.12 | 0.0010 |
| 45 | 7550 | 54:16:42 | 0.0001 | 100.00% | 0.05 | 0.0010 |
| 45 | 7600 | 54:38:49 | 0.0018 | 100.00% | 0.05 | 0.0010 |
| 46 | 7650 | 55:00:49 | 0.0002 | 100.00% | 0.07 | 0.0010 |
| 46 | 7700 | 55:21:48 | 0.0001 | 100.00% | 0.05 | 0.0010 |
| 46 | 7750 | 55:42:39 | 0.0008 | 100.00% | 0.14 | 0.0010 |
| 47 | 7800 | 56:04:32 | 0.0016 | 100.00% | 0.18 | 0.0010 |
| 47 | 7850 | 56:26:34 | 0.0010 | 100.00% | 0.13 | 0.0010 |
| 47 | 7900 | 56:48:39 | 0.0002 | 100.00% | 0.09 | 0.0010 |
| 48 | 7950 | 57:10:03 | 0.0005 | 100.00% | 0.15 | 0.0010 |
| 48 | 8000 | 57:30:53 | 0.0003 | 100.00% | 0.06 | 0.0010 |
| 48 | 8050 | 57:51:47 | 0.0002 | 100.00% | 0.11 | 0.0010 |
| 48 | 8100 | 58:13:53 | 0.0012 | 100.00% | 0.21 | 0.0010 |
| 49 | 8150 | 58:35:49 | 0.0011 | 100.00% | 0.19 | 0.0010 |
| 49 | 8200 | 58:57:23 | 0.0004 | 100.00% | 0.06 | 0.0010 |
| 49 | 8250 | 59:18:13 | 0.0006 | 100.00% | 0.12 | 0.0010 |
| 50 | 8300 | 59:39:15 | 0.0004 | 100.00% | 0.09 | 0.0010 |
| 50 | 8350 | 60:00:34 | 0.0009 | 100.00% | 0.24 | 0.0010 |
| 50 | 8400 | 60:22:18 | 0.0003 | 100.00% | 0.04 | 0.0010 |
| 50 | 8450 | 60:43:05 | 0.0022 | 100.00% | 0.10 | 0.0010 |
|=======================================================================================================|
Step 2 of 4: Training a Fast R-CNN Network using the RPN from step 1.
–> Extracting region proposals from 169 training images…done.
Training on single CPU.
|=======================================================================================================|
| Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning |
| | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate |
|=======================================================================================================|
| 1 | 1 | 00:00:31 | 1.7368 | 14.06% | 0.37 | 0.0010 |
| 1 | 50 | 00:26:24 | 0.0840 | 98.44% | 0.52 | 0.0010 |
| 1 | 100 | 00:53:52 | 0.1705 | 96.88% | 0.50 | 0.0010 |
| 1 | 150 | 01:21:29 | 0.1394 | 98.44% | 0.49 | 0.0010 |
| 2 | 200 | 01:49:24 | 0.0639 | 99.22% | 0.51 | 0.0010 |
| 2 | 250 | 02:15:39 | 0.0603 | 98.44% | 0.68 | 0.0010 |
| 2 | 300 | 02:41:45 | 0.0168 | 99.22% | 0.28 | 0.0010 |
| 3 | 350 | 03:09:10 | 0.1286 | 98.44% | 0.62 | 0.0010 |
| 3 | 400 | 03:36:51 | 0.0233 | 99.22% | 0.20 | 0.0010 |
| 3 | 450 | 04:04:00 | 0.0703 | 96.88% | 0.33 | 0.0010 |
| 3 | 500 | 04:30:05 | 0.0033 | 100.00% | 0.14 | 0.0010 |
| 4 | 550 | 04:56:37 | 0.0332 | 99.22% | 0.38 | 0.0010 |
| 4 | 600 | 05:24:13 | 0.0712 | 97.66% | 0.36 | 0.0010 |
| 4 | 650 | 05:51:50 | 0.0376 | 100.00% | 0.35 | 0.0010 |
| 5 | 700 | 06:18:25 | 0.0423 | 100.00% | 0.48 | 0.0010 |
| 5 | 750 | 06:44:35 | 0.1119 | 99.22% | 0.55 | 0.0010 |
| 5 | 800 | 07:11:47 | 0.0290 | 99.22% | 0.29 | 0.0010 |
| 6 | 850 | 07:39:46 | 0.0292 | 100.00% | 0.53 | 0.0010 |
| 6 | 900 | 08:06:37 | 0.0060 | 100.00% | 0.21 | 0.0010 |
| 6 | 950 | 08:32:46 | 0.0269 | 100.00% | 0.39 | 0.0010 |
| 6 | 1000 | 08:59:14 | 0.0274 | 99.22% | 0.41 | 0.0010 |
| 7 | 1050 | 09:27:12 | 0.0917 | 99.22% | 0.37 | 0.0010 |
| 7 | 1100 | 09:54:50 | 0.0264 | 99.22% | 0.28 | 0.0010 |
| 7 | 1150 | 10:20:59 | 0.0234 | 99.22% | 0.33 | 0.0010 |
| 8 | 1200 | 10:47:18 | 0.0494 | 100.00% | 0.35 | 0.0010 |
| 8 | 1250 | 11:14:23 | 0.0413 | 100.00% | 0.36 | 0.0010 |
| 8 | 1300 | 11:42:02 | 0.0196 | 99.22% | 0.27 | 0.0010 |
| 8 | 1350 | 12:08:50 | 0.0244 | 100.00% | 0.30 | 0.0010 |
| 9 | 1400 | 12:35:27 | 0.0304 | 100.00% | 0.29 | 0.0010 |
| 9 | 1450 | 13:02:09 | 0.0375 | 99.22% | 0.43 | 0.0010 |
| 9 | 1500 | 13:29:58 | 0.0398 | 100.00% | 0.39 | 0.0010 |
| 10 | 1550 | 13:57:53 | 0.0563 | 100.00% | 0.55 | 0.0010 |
| 10 | 1600 | 14:24:01 | 0.0076 | 100.00% | 0.14 | 0.0010 |
| 10 | 1650 | 14:50:08 | 0.0720 | 99.22% | 0.41 | 0.0010 |
| 11 | 1700 | 15:17:52 | 0.0380 | 100.00% | 0.39 | 0.0010 |
| 11 | 1750 | 15:45:26 | 0.0163 | 100.00% | 0.38 | 0.0010 |
| 11 | 1800 | 16:12:02 | 0.0471 | 99.22% | 0.37 | 0.0010 |
| 11 | 1850 | 16:38:06 | 0.0064 | 100.00% | 0.18 | 0.0010 |
| 12 | 1900 | 17:05:07 | 0.0325 | 100.00% | 0.37 | 0.0010 |
| 12 | 1950 | 17:32:47 | 0.0128 | 100.00% | 0.28 | 0.0010 |
| 12 | 2000 | 18:00:11 | 0.0056 | 100.00% | 0.16 | 0.0010 |
| 13 | 2050 | 18:26:40 | 0.0369 | 100.00% | 0.35 | 0.0010 |
| 13 | 2100 | 18:52:51 | 0.0250 | 100.00% | 0.36 | 0.0010 |
| 13 | 2150 | 19:20:29 | 0.0018 | 100.00% | 0.12 | 0.0010 |
| 14 | 2200 | 19:48:32 | 0.0022 | 100.00% | 0.15 | 0.0010 |
| 14 | 2250 | 20:14:59 | 0.0037 | 100.00% | 0.23 | 0.0010 |
| 14 | 2300 | 20:40:58 | 0.0020 | 100.00% | 0.17 | 0.0010 |
| 14 | 2350 | 21:07:45 | 0.0008 | 100.00% | 0.09 | 0.0010 |
| 15 | 2400 | 21:35:28 | 0.0058 | 100.00% | 0.17 | 0.0010 |
| 15 | 2450 | 22:02:11 | 0.0009 | 100.00% | 0.06 | 0.0010 |
| 15 | 2500 | 22:28:07 | 0.0235 | 100.00% | 0.34 | 0.0010 |
| 16 | 2550 | 22:54:39 | 0.0029 | 100.00% | 0.09 | 0.0010 |
| 16 | 2600 | 23:22:20 | 0.0132 | 100.00% | 0.24 | 0.0010 |
| 16 | 2650 | 23:49:05 | 0.0258 | 100.00% | 0.29 | 0.0010 |
| 16 | 2700 | 24:15:04 | 0.0020 | 100.00% | 0.09 | 0.0010 |
| 17 | 2750 | 24:42:00 | 0.0161 | 100.00% | 0.34 | 0.0010 |
| 17 | 2800 | 25:09:37 | 0.0010 | 100.00% | 0.12 | 0.0010 |
| 17 | 2850 | 25:37:15 | 0.0294 | 100.00% | 0.31 | 0.0010 |
| 18 | 2900 | 26:04:34 | 0.0128 | 100.00% | 0.29 | 0.0010 |
| 18 | 2950 | 26:30:34 | 0.0027 | 100.00% | 0.21 | 0.0010 |
| 18 | 3000 | 26:56:44 | 0.0010 | 100.00% | 0.11 | 0.0010 |
| 19 | 3050 | 27:24:42 | 0.0487 | 99.22% | 0.22 | 0.0010 |
| 19 | 3100 | 27:52:20 | 0.0020 | 100.00% | 0.16 | 0.0010 |
| 19 | 3150 | 28:18:30 | 0.0032 | 100.00% | 0.19 | 0.0010 |
| 19 | 3200 | 28:44:38 | 0.0260 | 99.22% | 0.26 | 0.0010 |
| 20 | 3250 | 29:12:12 | 0.0310 | 100.00% | 0.32 | 0.0010 |
| 20 | 3300 | 29:39:53 | 0.0164 | 100.00% | 0.36 | 0.0010 |
| 20 | 3350 | 30:06:45 | 0.0291 | 100.00% | 0.38 | 0.0010 |
| 21 | 3400 | 30:33:10 | 0.0286 | 100.00% | 0.43 | 0.0010 |
| 21 | 3450 | 30:59:39 | 0.0199 | 100.00% | 0.25 | 0.0010 |
| 21 | 3500 | 31:27:21 | 0.0073 | 100.00% | 0.17 | 0.0010 |
| 22 | 3550 | 31:55:12 | 0.0342 | 98.44% | 0.31 | 0.0010 |
| 22 | 3600 | 32:21:20 | 0.0240 | 100.00% | 0.28 | 0.0010 |
| 22 | 3650 | 32:47:27 | 0.0003 | 100.00% | 0.05 | 0.0010 |
| 22 | 3700 | 33:14:47 | 0.0012 | 100.00% | 0.07 | 0.0010 |
| 23 | 3750 | 33:42:46 | 0.0049 | 100.00% | 0.19 | 0.0010 |
| 23 | 3800 | 34:09:33 | 0.0391 | 100.00% | 0.48 | 0.0010 |
| 23 | 3850 | 34:35:43 | 0.0129 | 100.00% | 0.21 | 0.0010 |
| 24 | 3900 | 35:02:52 | 0.0071 | 100.00% | 0.16 | 0.0010 |
| 24 | 3950 | 35:30:29 | 0.0150 | 100.00% | 0.24 | 0.0010 |
| 24 | 4000 | 35:58:02 | 0.0139 | 100.00% | 0.33 | 0.0010 |
| 24 | 4050 | 36:24:18 | 0.0112 | 100.00% | 0.14 | 0.0010 |
| 25 | 4100 | 36:50:41 | 0.0009 | 100.00% | 0.12 | 0.0010 |
| 25 | 4150 | 37:18:02 | 0.0385 | 100.00% | 0.34 | 0.0010 |
| 25 | 4200 | 37:45:42 | 0.0042 | 100.00% | 0.14 | 0.0010 |
| 26 | 4250 | 38:12:40 | 0.0103 | 100.00% | 0.22 | 0.0010 |
| 26 | 4300 | 38:38:40 | 0.0016 | 100.00% | 0.12 | 0.0010 |
| 26 | 4350 | 39:05:28 | 0.0048 | 100.00% | 0.20 | 0.0010 |
| 27 | 4400 | 39:33:28 | 0.0015 | 100.00% | 0.13 | 0.0010 |
| 27 | 4450 | 40:00:41 | 0.0077 | 100.00% | 0.20 | 0.0010 |
| 27 | 4500 | 40:26:48 | 0.0148 | 100.00% | 0.34 | 0.0010 |
| 27 | 4550 | 40:52:52 | 0.0120 | 100.00% | 0.25 | 0.0010 |
| 28 | 4600 | 41:20:45 | 0.0251 | 99.22% | 0.29 | 0.0010 |
| 28 | 4650 | 41:48:21 | 0.0007 | 100.00% | 0.10 | 0.0010 |
| 28 | 4700 | 42:14:44 | 0.0057 | 100.00% | 0.16 | 0.0010 |
| 29 | 4750 | 42:41:01 | 0.0140 | 100.00% | 0.21 | 0.0010 |
| 29 | 4800 | 43:07:40 | 0.0023 | 100.00% | 0.16 | 0.0010 |
| 29 | 4850 | 43:35:12 | 0.0185 | 100.00% | 0.31 | 0.0010 |
| 29 | 4900 | 44:02:20 | 0.0029 | 100.00% | 0.07 | 0.0010 |
| 30 | 4950 | 44:28:39 | 0.0019 | 100.00% | 0.16 | 0.0010 |
| 30 | 5000 | 44:54:45 | 0.0166 | 99.22% | 0.18 | 0.0010 |
| 30 | 5050 | 45:22:18 | 0.0178 | 100.00% | 0.27 | 0.0010 |
| 31 | 5100 | 45:49:54 | 0.0049 | 100.00% | 0.08 | 0.0010 |
| 31 | 5150 | 46:16:21 | 0.0030 | 100.00% | 0.14 | 0.0010 |
| 31 | 5200 | 46:42:28 | 0.0006 | 100.00% | 0.06 | 0.0010 |
| 32 | 5250 | 47:09:49 | 0.0114 | 100.00% | 0.24 | 0.0010 |
| 32 | 5300 | 47:37:15 | 0.0180 | 100.00% | 0.40 | 0.0010 |
| 32 | 5350 | 48:04:19 | 0.0002 | 100.00% | 0.05 | 0.0010 |
| 32 | 5400 | 48:30:23 | 0.0207 | 100.00% | 0.44 | 0.0010 |
| 33 | 5450 | 48:56:53 | 0.0012 | 100.00% | 0.13 | 0.0010 |
| 33 | 5500 | 49:24:27 | 0.0299 | 100.00% | 0.28 | 0.0010 |
| 33 | 5550 | 49:52:09 | 0.0041 | 100.00% | 0.15 | 0.0010 |
| 34 | 5600 | 50:18:51 | 0.0071 | 100.00% | 0.14 | 0.0010 |
| 34 | 5650 | 50:44:58 | 0.0011 | 100.00% | 0.12 | 0.0010 |
| 34 | 5700 | 51:12:04 | 0.0070 | 100.00% | 0.18 | 0.0010 |
| 35 | 5750 | 51:40:13 | 0.0029 | 100.00% | 0.11 | 0.0010 |
| 35 | 5800 | 52:07:14 | 0.0242 | 100.00% | 0.36 | 0.0010 |
| 35 | 5850 | 52:33:59 | 0.0024 | 100.00% | 0.10 | 0.0010 |
| 35 | 5900 | 53:01:41 | 0.0150 | 100.00% | 0.23 | 0.0010 |
| 36 | 5950 | 53:29:37 | 0.0025 | 100.00% | 0.09 | 0.0010 |
| 36 | 6000 | 53:57:12 | 0.0005 | 100.00% | 0.08 | 0.0010 |
| 36 | 6050 | 54:24:46 | 0.0112 | 100.00% | 0.20 | 0.0010 |
| 37 | 6100 | 54:52:44 | 0.0138 | 99.22% | 0.12 | 0.0010 |
| 37 | 6150 | 55:20:33 | 0.0161 | 100.00% | 0.29 | 0.0010 |
| 37 | 6200 | 55:48:20 | 0.0133 | 100.00% | 0.26 | 0.0010 |
| 37 | 6250 | 56:16:07 | 0.0291 | 98.44% | 0.10 | 0.0010 |
| 38 | 6300 | 56:44:05 | 0.0007 | 100.00% | 0.08 | 0.0010 |
| 38 | 6350 | 57:11:42 | 0.0028 | 100.00% | 0.14 | 0.0010 |
| 38 | 6400 | 57:39:10 | 0.0061 | 100.00% | 0.06 | 0.0010 |
| 39 | 6450 | 58:07:10 | 0.0138 | 100.00% | 0.24 | 0.0010 |
| 39 | 6500 | 58:34:39 | 0.0013 | 100.00% | 0.07 | 0.0010 |
| 39 | 6550 | 59:02:18 | 0.0062 | 100.00% | 0.15 | 0.0010 |
| 40 | 6600 | 59:30:13 | 0.0557 | 100.00% | 0.34 | 0.0010 |
| 40 | 6650 | 59:57:53 | 0.0141 | 100.00% | 0.27 | 0.0010 |
| 40 | 6700 | 60:25:33 | 0.0208 | 99.22% | 0.18 | 0.0010 |
| 40 | 6750 | 60:53:14 | 0.0030 | 100.00% | 0.15 | 0.0010 |
| 41 | 6800 | 61:21:16 | 0.0066 | 100.00% | 0.16 | 0.0010 |
| 41 | 6850 | 61:48:50 | 0.0011 | 100.00% | 0.10 | 0.0010 |
| 41 | 6900 | 62:16:20 | 0.0022 | 100.00% | 0.04 | 0.0010 |
| 42 | 6950 | 62:44:13 | 0.0052 | 100.00% | 0.14 | 0.0010 |
| 42 | 7000 | 63:11:53 | 0.0202 | 100.00% | 0.41 | 0.0010 |
| 42 | 7050 | 63:39:31 | 0.0008 | 100.00% | 0.07 | 0.0010 |
| 43 | 7100 | 64:07:33 | 0.0042 | 100.00% | 0.14 | 0.0010 |
| 43 | 7150 | 64:35:13 | 0.0008 | 100.00% | 0.10 | 0.0010 |
| 43 | 7200 | 65:02:55 | 0.0040 | 100.00% | 0.15 | 0.0010 |
| 43 | 7250 | 65:30:30 | 0.0037 | 100.00% | 0.16 | 0.0010 |
| 44 | 7300 | 65:58:23 | 0.0048 | 100.00% | 0.13 | 0.0010 |
| 44 | 7350 | 66:26:00 | 0.0081 | 100.00% | 0.20 | 0.0010 |
| 44 | 7400 | 66:53:38 | 0.0019 | 100.00% | 0.08 | 0.0010 |
| 45 | 7450 | 67:21:07 | 0.0016 | 100.00% | 0.13 | 0.0010 |
| 45 | 7500 | 67:47:12 | 0.0262 | 100.00% | 0.31 | 0.0010 |
| 45 | 7550 | 68:13:13 | 0.0367 | 98.44% | 0.16 | 0.0010 |
| 45 | 7600 | 68:40:45 | 0.0034 | 100.00% | 0.11 | 0.0010 |
| 46 | 7650 | 69:08:40 | 0.0051 | 100.00% | 0.20 | 0.0010 |
| 46 | 7700 | 69:35:38 | 0.0007 | 100.00% | 0.06 | 0.0010 |
| 46 | 7750 | 70:01:42 | 0.0258 | 100.00% | 0.48 | 0.0010 |
| 47 | 7800 | 70:28:10 | 0.0384 | 99.22% | 0.38 | 0.0010 |
| 47 | 7850 | 70:54:14 | 0.0020 | 100.00% | 0.12 | 0.0010 |
| 47 | 7900 | 71:21:40 | 0.0020 | 100.00% | 0.11 | 0.0010 |
| 48 | 7950 | 71:49:29 | 0.0010 | 100.00% | 0.05 | 0.0010 |
| 48 | 8000 | 72:15:49 | 0.0031 | 100.00% | 0.15 | 0.0010 |
| 48 | 8050 | 72:41:57 | 0.0120 | 100.00% | 0.25 | 0.0010 |
| 48 | 8100 | 73:08:41 | 0.0158 | 100.00% | 0.29 | 0.0010 |
| 49 | 8150 | 73:36:47 | 0.0285 | 99.22% | 0.14 | 0.0010 |
| 49 | 8200 | 74:03:49 | 0.0006 | 100.00% | 0.03 | 0.0010 |
| 49 | 8250 | 74:30:02 | 0.0036 | 100.00% | 0.09 | 0.0010 |
| 50 | 8300 | 74:56:40 | 0.0059 | 100.00% | 0.12 | 0.0010 |
| 50 | 8350 | 75:24:23 | 0.0033 | 100.00% | 0.06 | 0.0010 |
| 50 | 8400 | 75:52:01 | 0.0314 | 99.22% | 0.39 | 0.0010 |
| 50 | 8450 | 76:19:46 | 0.0045 | 100.00% | 0.11 | 0.0010 |
|=======================================================================================================|
Step 3 of 4: Re-training RPN using weight sharing with Fast R-CNN.
Training on single CPU.
|=======================================================================================================|
| Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning |
| | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate |
|=======================================================================================================|
| 1 | 1 | 00:00:06 | 0.0403 | 99.22% | 1.53 | 0.0010 |
| 1 | 50 | 00:04:41 | 0.0116 | 100.00% | 0.59 | 0.0010 |
| 1 | 100 | 00:09:27 | 0.0283 | 99.22% | 0.72 | 0.0010 |
| 1 | 150 | 00:14:11 | 0.0446 | 99.22% | 0.55 | 0.0010 |
| 2 | 200 | 00:19:04 | 0.0360 | 99.22% | 1.15 | 0.0010 |
| 2 | 250 | 00:23:40 | 0.0125 | 100.00% | 0.83 | 0.0010 |
| 2 | 300 | 00:28:16 | 0.0515 | 99.21% | 0.87 | 0.0010 |
| 3 | 350 | 00:33:10 | 0.0030 | 100.00% | 0.31 | 0.0010 |
| 3 | 400 | 00:37:47 | 0.0188 | 99.22% | 0.26 | 0.0010 |
| 3 | 450 | 00:42:24 | 0.0115 | 100.00% | 0.42 | 0.0010 |
| 3 | 500 | 00:47:01 | 0.0083 | 100.00% | 0.24 | 0.0010 |
| 4 | 550 | 00:51:55 | 0.0027 | 100.00% | 0.20 | 0.0010 |
| 4 | 600 | 00:56:32 | 0.0063 | 100.00% | 0.29 | 0.0010 |
| 4 | 650 | 01:01:22 | 0.0293 | 99.22% | 0.50 | 0.0010 |
| 5 | 700 | 01:06:46 | 0.0089 | 100.00% | 0.55 | 0.0010 |
| 5 | 750 | 01:11:53 | 0.0129 | 100.00% | 0.22 | 0.0010 |
| 5 | 800 | 01:16:57 | 0.0120 | 100.00% | 0.22 | 0.0010 |
| 6 | 850 | 01:22:19 | 0.0178 | 100.00% | 0.24 | 0.0010 |
| 6 | 900 | 01:27:24 | 0.0022 | 100.00% | 0.28 | 0.0010 |
| 6 | 950 | 01:32:29 | 0.0072 | 100.00% | 0.20 | 0.0010 |
| 6 | 1000 | 01:37:08 | 0.0046 | 100.00% | 0.13 | 0.0010 |
| 7 | 1050 | 01:42:01 | 0.0008 | 100.00% | 0.15 | 0.0010 |
| 7 | 1100 | 01:46:38 | 0.0011 | 100.00% | 0.13 | 0.0010 |
| 7 | 1150 | 01:51:15 | 0.0080 | 100.00% | 0.68 | 0.0010 |
| 8 | 1200 | 01:56:09 | 0.0010 | 100.00% | 0.11 | 0.0010 |
| 8 | 1250 | 02:00:47 | 0.0017 | 100.00% | 0.24 | 0.0010 |
| 8 | 1300 | 02:05:24 | 0.0012 | 100.00% | 0.08 | 0.0010 |
| 8 | 1350 | 02:10:04 | 0.0106 | 100.00% | 0.48 | 0.0010 |
| 9 | 1400 | 02:15:00 | 0.0015 | 100.00% | 0.14 | 0.0010 |
| 9 | 1450 | 02:19:40 | 0.0011 | 100.00% | 0.23 | 0.0010 |
| 9 | 1500 | 02:24:18 | 0.0033 | 100.00% | 0.34 | 0.0010 |
| 10 | 1550 | 02:29:14 | 0.0015 | 100.00% | 0.16 | 0.0010 |
| 10 | 1600 | 02:33:58 | 0.0029 | 100.00% | 0.40 | 0.0010 |
| 10 | 1650 | 02:39:04 | 0.0019 | 100.00% | 0.32 | 0.0010 |
| 11 | 1700 | 02:44:26 | 0.0074 | 100.00% | 0.28 | 0.0010 |
| 11 | 1750 | 02:49:31 | 0.0015 | 100.00% | 0.24 | 0.0010 |
| 11 | 1800 | 02:54:37 | 0.0013 | 100.00% | 0.16 | 0.0010 |
| 11 | 1850 | 02:59:45 | 0.0020 | 100.00% | 0.21 | 0.0010 |
| 12 | 1900 | 03:05:09 | 0.0116 | 99.22% | 0.42 | 0.0010 |
| 12 | 1950 | 03:10:12 | 0.0016 | 100.00% | 0.17 | 0.0010 |
| 12 | 2000 | 03:15:16 | 0.0011 | 100.00% | 0.17 | 0.0010 |
| 13 | 2050 | 03:20:39 | 0.0018 | 100.00% | 0.18 | 0.0010 |
| 13 | 2100 | 03:25:43 | 0.0007 | 100.00% | 0.10 | 0.0010 |
| 13 | 2150 | 03:30:45 | 0.0020 | 100.00% | 0.11 | 0.0010 |
| 14 | 2200 | 03:35:50 | 0.0202 | 100.00% | 1.25 | 0.0010 |
| 14 | 2250 | 03:40:27 | 0.0017 | 100.00% | 0.12 | 0.0010 |
| 14 | 2300 | 03:45:05 | 0.0015 | 100.00% | 0.19 | 0.0010 |
| 14 | 2350 | 03:49:45 | 0.0017 | 100.00% | 0.11 | 0.0010 |
| 15 | 2400 | 03:54:40 | 0.0084 | 100.00% | 0.21 | 0.0010 |
| 15 | 2450 | 03:59:19 | 0.0133 | 99.21% | 0.19 | 0.0010 |
| 15 | 2500 | 04:03:58 | 0.0050 | 100.00% | 0.15 | 0.0010 |
| 16 | 2550 | 04:08:54 | 0.0015 | 100.00% | 0.29 | 0.0010 |
| 16 | 2600 | 04:13:32 | 0.0036 | 100.00% | 0.21 | 0.0010 |
| 16 | 2650 | 04:18:10 | 0.0008 | 100.00% | 0.17 | 0.0010 |
| 16 | 2700 | 04:22:50 | 0.0026 | 100.00% | 0.16 | 0.0010 |
| 17 | 2750 | 04:27:46 | 0.0016 | 100.00% | 0.12 | 0.0010 |
| 17 | 2800 | 04:32:23 | 0.0002 | 100.00% | 0.06 | 0.0010 |
| 17 | 2850 | 04:37:23 | 0.0027 | 100.00% | 0.34 | 0.0010 |
| 18 | 2900 | 04:42:46 | 0.0008 | 100.00% | 0.05 | 0.0010 |
| 18 | 2950 | 04:47:51 | 0.0012 | 100.00% | 0.15 | 0.0010 |
| 18 | 3000 | 04:52:54 | 0.0009 | 100.00% | 0.09 | 0.0010 |
| 19 | 3050 | 04:58:19 | 0.0021 | 100.00% | 0.26 | 0.0010 |
| 19 | 3100 | 05:03:25 | 0.0011 | 100.00% | 0.12 | 0.0010 |
| 19 | 3150 | 05:08:32 | 0.0017 | 100.00% | 0.32 | 0.0010 |
| 19 | 3200 | 05:13:36 | 0.0012 | 100.00% | 0.08 | 0.0010 |
| 20 | 3250 | 05:18:58 | 0.0022 | 100.00% | 0.16 | 0.0010 |
| 20 | 3300 | 05:24:03 | 0.0082 | 100.00% | 0.17 | 0.0010 |
| 20 | 3350 | 05:29:07 | 0.0052 | 100.00% | 0.09 | 0.0010 |
| 21 | 3400 | 05:34:23 | 0.0014 | 100.00% | 0.13 | 0.0010 |
| 21 | 3450 | 05:38:56 | 0.0005 | 100.00% | 0.16 | 0.0010 |
| 21 | 3500 | 05:43:29 | 0.0014 | 100.00% | 0.15 | 0.0010 |
| 22 | 3550 | 05:48:27 | 0.0031 | 100.00% | 0.08 | 0.0010 |
| 22 | 3600 | 05:53:11 | 0.0201 | 99.22% | 0.13 | 0.0010 |
| 22 | 3650 | 05:57:46 | 0.0006 | 100.00% | 0.16 | 0.0010 |
| 22 | 3700 | 06:02:20 | 0.0004 | 100.00% | 0.03 | 0.0010 |
| 23 | 3750 | 06:07:12 | 0.0008 | 100.00% | 0.13 | 0.0010 |
| 23 | 3800 | 06:11:48 | 0.0004 | 100.00% | 0.10 | 0.0010 |
| 23 | 3850 | 06:16:24 | 0.0002 | 100.00% | 0.07 | 0.0010 |
| 24 | 3900 | 06:21:16 | 0.0015 | 100.00% | 0.08 | 0.0010 |
| 24 | 3950 | 06:25:53 | 0.0003 | 100.00% | 0.10 | 0.0010 |
| 24 | 4000 | 06:30:29 | 0.0004 | 100.00% | 0.10 | 0.0010 |
| 24 | 4050 | 06:35:15 | 0.0069 | 99.22% | 0.17 | 0.0010 |
| 25 | 4100 | 06:40:39 | 0.0004 | 100.00% | 0.10 | 0.0010 |
| 25 | 4150 | 06:45:40 | 0.0017 | 100.00% | 0.13 | 0.0010 |
| 25 | 4200 | 06:50:39 | 0.0005 | 100.00% | 0.15 | 0.0010 |
| 26 | 4250 | 06:55:57 | 0.0010 | 100.00% | 0.13 | 0.0010 |
| 26 | 4300 | 07:00:57 | 0.0005 | 100.00% | 0.06 | 0.0010 |
| 26 | 4350 | 07:05:59 | 0.0055 | 100.00% | 0.07 | 0.0010 |
| 27 | 4400 | 07:11:17 | 0.0005 | 100.00% | 0.06 | 0.0010 |
| 27 | 4450 | 07:16:18 | 0.0023 | 100.00% | 0.04 | 0.0010 |
| 27 | 4500 | 07:21:18 | 0.0009 | 100.00% | 0.06 | 0.0010 |
| 27 | 4550 | 07:26:20 | 0.0008 | 100.00% | 0.12 | 0.0010 |
| 28 | 4600 | 07:31:44 | 0.0028 | 100.00% | 0.05 | 0.0010 |
| 28 | 4650 | 07:36:32 | 0.0008 | 100.00% | 0.10 | 0.0010 |
| 28 | 4700 | 07:41:10 | 0.0006 | 100.00% | 0.09 | 0.0010 |
| 29 | 4750 | 07:46:05 | 0.0033 | 100.00% | 0.09 | 0.0010 |
| 29 | 4800 | 07:50:44 | 0.0030 | 100.00% | 0.10 | 0.0010 |
| 29 | 4850 | 07:55:23 | 0.0006 | 100.00% | 0.07 | 0.0010 |
| 29 | 4900 | 08:00:01 | 0.0014 | 100.00% | 0.16 | 0.0010 |
| 30 | 4950 | 08:04:57 | 0.0003 | 100.00% | 0.04 | 0.0010 |
| 30 | 5000 | 08:09:37 | 0.0006 | 100.00% | 0.09 | 0.0010 |
| 30 | 5050 | 08:14:17 | 0.0008 | 100.00% | 0.11 | 0.0010 |
| 31 | 5100 | 08:19:14 | 0.0004 | 100.00% | 0.06 | 0.0010 |
| 31 | 5150 | 08:23:53 | 0.0003 | 100.00% | 0.08 | 0.0010 |
| 31 | 5200 | 08:28:32 | 0.0005 | 100.00% | 0.08 | 0.0010 |
| 32 | 5250 | 08:33:29 | 0.0011 | 100.00% | 0.11 | 0.0010 |
| 32 | 5300 | 08:38:35 | 0.0001 | 100.00% | 0.05 | 0.0010 |
| 32 | 5350 | 08:43:42 | 0.0005 | 100.00% | 0.07 | 0.0010 |
| 32 | 5400 | 08:48:48 | 0.0007 | 100.00% | 0.08 | 0.0010 |
| 33 | 5450 | 08:54:15 | 0.0006 | 100.00% | 0.07 | 0.0010 |
| 33 | 5500 | 08:59:23 | 0.0010 | 100.00% | 0.06 | 0.0010 |
| 33 | 5550 | 09:04:31 | 0.0009 | 100.00% | 0.07 | 0.0010 |
| 34 | 5600 | 09:09:56 | 0.0009 | 100.00% | 0.05 | 0.0010 |
| 34 | 5650 | 09:15:04 | 0.0002 | 100.00% | 0.04 | 0.0010 |
| 34 | 5700 | 09:20:12 | 0.0017 | 100.00% | 0.09 | 0.0010 |
| 35 | 5750 | 09:25:36 | 0.0010 | 100.00% | 0.09 | 0.0010 |
| 35 | 5800 | 09:30:44 | 0.0013 | 100.00% | 0.05 | 0.0010 |
| 35 | 5850 | 09:35:38 | 0.0124 | 99.22% | 0.05 | 0.0010 |
| 35 | 5900 | 09:40:18 | 0.0011 | 100.00% | 0.07 | 0.0010 |
| 36 | 5950 | 09:45:17 | 0.0002 | 100.00% | 0.06 | 0.0010 |
| 36 | 6000 | 09:49:57 | 0.0016 | 100.00% | 0.04 | 0.0010 |
| 36 | 6050 | 09:54:36 | 0.0007 | 100.00% | 0.08 | 0.0010 |
| 37 | 6100 | 09:59:32 | 0.0008 | 100.00% | 0.04 | 0.0010 |
| 37 | 6150 | 10:04:12 | 0.0005 | 100.00% | 0.10 | 0.0010 |
| 37 | 6200 | 10:08:49 | 8.8999e-05 | 100.00% | 0.06 | 0.0010 |
| 37 | 6250 | 10:13:27 | 0.0029 | 100.00% | 0.06 | 0.0010 |
| 38 | 6300 | 10:18:22 | 0.0004 | 100.00% | 0.06 | 0.0010 |
| 38 | 6350 | 10:23:00 | 0.0002 | 100.00% | 0.08 | 0.0010 |
| 38 | 6400 | 10:27:36 | 0.0003 | 100.00% | 0.07 | 0.0010 |
| 39 | 6450 | 10:32:33 | 0.0001 | 100.00% | 0.06 | 0.0010 |
| 39 | 6500 | 10:37:36 | 0.0019 | 100.00% | 0.08 | 0.0010 |
| 39 | 6550 | 10:42:43 | 0.0009 | 100.00% | 0.06 | 0.0010 |
| 40 | 6600 | 10:48:08 | 0.0003 | 100.00% | 0.09 | 0.0010 |
| 40 | 6650 | 10:53:16 | 0.0001 | 100.00% | 0.03 | 0.0010 |
| 40 | 6700 | 10:58:24 | 0.0003 | 100.00% | 0.08 | 0.0010 |
| 40 | 6750 | 11:03:30 | 8.3408e-05 | 100.00% | 0.04 | 0.0010 |
| 41 | 6800 | 11:08:54 | 0.0010 | 100.00% | 0.06 | 0.0010 |
| 41 | 6850 | 11:14:01 | 0.0007 | 100.00% | 0.04 | 0.0010 |
| 41 | 6900 | 11:19:06 | 0.0008 | 100.00% | 0.06 | 0.0010 |
| 42 | 6950 | 11:24:30 | 0.0018 | 100.00% | 0.05 | 0.0010 |
| 42 | 7000 | 11:29:37 | 0.0006 | 100.00% | 0.03 | 0.0010 |
| 42 | 7050 | 11:34:34 | 0.0029 | 100.00% | 0.04 | 0.0010 |
| 43 | 7100 | 11:39:29 | 0.0003 | 100.00% | 0.04 | 0.0010 |
| 43 | 7150 | 11:44:07 | 0.0008 | 100.00% | 0.05 | 0.0010 |
| 43 | 7200 | 11:48:46 | 0.0006 | 100.00% | 0.09 | 0.0010 |
| 43 | 7250 | 11:53:24 | 0.0344 | 99.21% | 0.04 | 0.0010 |
| 44 | 7300 | 11:58:20 | 0.0004 | 100.00% | 0.04 | 0.0010 |
| 44 | 7350 | 12:02:58 | 0.0027 | 100.00% | 0.05 | 0.0010 |
| 44 | 7400 | 12:07:37 | 0.0010 | 100.00% | 0.02 | 0.0010 |
| 45 | 7450 | 12:12:33 | 0.0005 | 100.00% | 0.03 | 0.0010 |
| 45 | 7500 | 12:17:11 | 0.0029 | 100.00% | 0.04 | 0.0010 |
| 45 | 7550 | 12:21:50 | 0.0082 | 99.22% | 0.02 | 0.0010 |
| 45 | 7600 | 12:26:28 | 0.0001 | 100.00% | 0.07 | 0.0010 |
| 46 | 7650 | 12:31:23 | 0.0006 | 100.00% | 0.04 | 0.0010 |
| 46 | 7700 | 12:36:17 | 0.0001 | 100.00% | 0.01 | 0.0010 |
| 46 | 7750 | 12:41:19 | 0.0007 | 100.00% | 0.02 | 0.0010 |
| 47 | 7800 | 12:46:41 | 5.3853e-05 | 100.00% | 0.03 | 0.0010 |
| 47 | 7850 | 12:51:45 | 0.0003 | 100.00% | 0.04 | 0.0010 |
| 47 | 7900 | 12:56:50 | 0.0001 | 100.00% | 0.05 | 0.0010 |
| 48 | 7950 | 13:02:12 | 0.0009 | 100.00% | 0.05 | 0.0010 |
| 48 | 8000 | 13:07:18 | 0.0002 | 100.00% | 0.02 | 0.0010 |
| 48 | 8050 | 13:12:24 | 0.0031 | 100.00% | 0.04 | 0.0010 |
| 48 | 8100 | 13:17:30 | 0.0002 | 100.00% | 0.06 | 0.0010 |
| 49 | 8150 | 13:22:55 | 0.0001 | 100.00% | 0.05 | 0.0010 |
| 49 | 8200 | 13:28:01 | 0.0006 | 100.00% | 0.04 | 0.0010 |
| 49 | 8250 | 13:33:08 | 0.0122 | 99.22% | 0.05 | 0.0010 |
| 50 | 8300 | 13:38:04 | 0.0008 | 100.00% | 0.03 | 0.0010 |
| 50 | 8350 | 13:42:38 | 0.0005 | 100.00% | 0.04 | 0.0010 |
| 50 | 8400 | 13:47:11 | 0.0002 | 100.00% | 0.01 | 0.0010 |
| 50 | 8450 | 13:51:39 | 0.0002 | 100.00% | 0.06 | 0.0010 |
|=======================================================================================================|
Step 4 of 4: Re-training Fast R-CNN using updated RPN.
–> Extracting region proposals from 169 training images…done.
Training on single CPU.
|=======================================================================================================|
| Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning |
| | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate |
|=======================================================================================================|
| 1 | 1 | 00:00:10 | 0.0014 | 100.00% | 0.14 | 0.0010 |
| 1 | 50 | 00:09:04 | 0.0245 | 100.00% | 0.41 | 0.0010 |
| 1 | 100 | 00:18:12 | 0.0398 | 99.22% | 0.34 | 0.0010 |
| 1 | 150 | 00:27:36 | 0.0303 | 100.00% | 0.53 | 0.0010 |
| 2 | 200 | 00:37:57 | 0.0274 | 99.22% | 0.35 | 0.0010 |
| 2 | 250 | 00:47:55 | 0.0232 | 100.00% | 0.40 | 0.0010 |
| 2 | 300 | 00:57:55 | 0.0223 | 100.00% | 0.44 | 0.0010 |
| 3 | 350 | 01:08:18 | 0.0067 | 100.00% | 0.17 | 0.0010 |
| 3 | 400 | 01:18:19 | 0.0127 | 100.00% | 0.32 | 0.0010 |
| 3 | 450 | 01:28:08 | 0.0123 | 100.00% | 0.23 | 0.0010 |
| 3 | 500 | 01:37:27 | 0.0164 | 100.00% | 0.29 | 0.0010 |
| 4 | 550 | 01:47:00 | 0.0096 | 100.00% | 0.23 | 0.0010 |
| 4 | 600 | 01:56:14 | 0.0177 | 100.00% | 0.31 | 0.0010 |
| 4 | 650 | 02:05:29 | 0.0217 | 100.00% | 0.35 | 0.0010 |
| 5 | 700 | 02:15:00 | 0.0076 | 100.00% | 0.19 | 0.0010 |
| 5 | 750 | 02:24:12 | 0.0374 | 100.00% | 0.46 | 0.0010 |
| 5 | 800 | 02:33:58 | 0.0556 | 100.00% | 0.45 | 0.0010 |
| 6 | 850 | 02:44:15 | 0.0178 | 100.00% | 0.38 | 0.0010 |
| 6 | 900 | 02:54:05 | 0.0036 | 100.00% | 0.16 | 0.0010 |
| 6 | 950 | 03:04:01 | 0.0157 | 100.00% | 0.35 | 0.0010 |
| 6 | 1000 | 03:14:00 | 0.0215 | 100.00% | 0.22 | 0.0010 |
| 7 | 1050 | 03:24:18 | 0.0078 | 100.00% | 0.25 | 0.0010 |
| 7 | 1100 | 03:33:41 | 0.0240 | 100.00% | 0.44 | 0.0010 |
| 7 | 1150 | 03:42:57 | 0.0061 | 100.00% | 0.29 | 0.0010 |
| 8 | 1200 | 03:52:28 | 0.0005 | 100.00% | 0.08 | 0.0010 |
| 8 | 1250 | 04:01:41 | 0.0165 | 100.00% | 0.30 | 0.0010 |
| 8 | 1300 | 04:10:56 | 0.0097 | 100.00% | 0.23 | 0.0010 |
| 8 | 1350 | 04:20:07 | 0.0176 | 100.00% | 0.38 | 0.0010 |
| 9 | 1400 | 04:29:53 | 0.0076 | 100.00% | 0.24 | 0.0010 |
| 9 | 1450 | 04:39:50 | 0.0042 | 100.00% | 0.26 | 0.0010 |
| 9 | 1500 | 04:49:48 | 0.0099 | 100.00% | 0.17 | 0.0010 |
| 10 | 1550 | 04:59:59 | 0.0088 | 100.00% | 0.18 | 0.0010 |
| 10 | 1600 | 05:09:57 | 0.0071 | 100.00% | 0.14 | 0.0010 |
| 10 | 1650 | 05:19:54 | 0.0124 | 100.00% | 0.22 | 0.0010 |
| 11 | 1700 | 05:29:57 | 0.0097 | 100.00% | 0.23 | 0.0010 |
| 11 | 1750 | 05:39:10 | 0.0004 | 100.00% | 0.08 | 0.0010 |
| 11 | 1800 | 05:48:24 | 0.0032 | 100.00% | 0.16 | 0.0010 |
| 11 | 1850 | 05:57:38 | 0.0157 | 100.00% | 0.17 | 0.0010 |
| 12 | 1900 | 06:07:09 | 0.0005 | 100.00% | 0.06 | 0.0010 |
| 12 | 1950 | 06:16:16 | 0.0085 | 100.00% | 0.19 | 0.0010 |
| 12 | 2000 | 06:25:26 | 0.0197 | 100.00% | 0.33 | 0.0010 |
| 13 | 2050 | 06:35:39 | 0.0002 | 100.00% | 0.06 | 0.0010 |
| 13 | 2100 | 06:45:34 | 0.0012 | 100.00% | 0.07 | 0.0010 |
| 13 | 2150 | 06:55:31 | 0.0008 | 100.00% | 0.07 | 0.0010 |
| 14 | 2200 | 07:05:49 | 0.0007 | 100.00% | 0.07 | 0.0010 |
| 14 | 2250 | 07:15:46 | 0.0053 | 100.00% | 0.13 | 0.0010 |
| 14 | 2300 | 07:25:44 | 0.0295 | 100.00% | 0.31 | 0.0010 |
| 14 | 2350 | 07:35:02 | 0.0033 | 100.00% | 0.16 | 0.0010 |
| 15 | 2400 | 07:44:35 | 0.0090 | 100.00% | 0.27 | 0.0010 |
| 15 | 2450 | 07:53:50 | 0.0025 | 100.00% | 0.09 | 0.0010 |
| 15 | 2500 | 08:03:06 | 0.0002 | 100.00% | 0.05 | 0.0010 |
| 16 | 2550 | 08:12:41 | 0.0099 | 100.00% | 0.16 | 0.0010 |
| 16 | 2600 | 08:21:54 | 0.0016 | 100.00% | 0.11 | 0.0010 |
| 16 | 2650 | 08:31:27 | 0.0068 | 100.00% | 0.14 | 0.0010 |
| 16 | 2700 | 08:41:26 | 0.0003 | 100.00% | 0.04 | 0.0010 |
| 17 | 2750 | 08:51:45 | 0.0169 | 100.00% | 0.23 | 0.0010 |
| 17 | 2800 | 09:01:43 | 0.0022 | 100.00% | 0.13 | 0.0010 |
| 17 | 2850 | 09:11:40 | 0.0545 | 100.00% | 0.35 | 0.0010 |
| 18 | 2900 | 09:21:59 | 0.0040 | 100.00% | 0.14 | 0.0010 |
| 18 | 2950 | 09:31:29 | 0.0091 | 100.00% | 0.26 | 0.0010 |
| 18 | 3000 | 09:40:35 | 0.0024 | 100.00% | 0.14 | 0.0010 |
| 19 | 3050 | 09:50:04 | 0.0051 | 100.00% | 0.20 | 0.0010 |
| 19 | 3100 | 09:59:09 | 0.0021 | 100.00% | 0.10 | 0.0010 |
| 19 | 3150 | 10:08:12 | 0.0005 | 100.00% | 0.04 | 0.0010 |
| 19 | 3200 | 10:17:17 | 0.0259 | 100.00% | 0.29 | 0.0010 |
| 20 | 3250 | 10:26:39 | 0.0191 | 100.00% | 0.19 | 0.0010 |
| 20 | 3300 | 10:36:23 | 7.1773e-05 | 100.00% | 0.02 | 0.0010 |
| 20 | 3350 | 10:46:08 | 6.5548e-05 | 100.00% | 0.03 | 0.0010 |
| 21 | 3400 | 10:56:14 | 0.0007 | 100.00% | 0.07 | 0.0010 |
| 21 | 3450 | 11:06:01 | 0.0169 | 100.00% | 0.36 | 0.0010 |
| 21 | 3500 | 11:15:44 | 0.0025 | 100.00% | 0.09 | 0.0010 |
| 22 | 3550 | 11:25:49 | 0.0002 | 100.00% | 0.03 | 0.0010 |
| 22 | 3600 | 11:34:56 | 0.0010 | 100.00% | 0.04 | 0.0010 |
| 22 | 3650 | 11:44:00 | 0.0179 | 100.00% | 0.38 | 0.0010 |
| 22 | 3700 | 11:53:05 | 0.0118 | 100.00% | 0.31 | 0.0010 |
| 23 | 3750 | 12:02:31 | 0.0060 | 100.00% | 0.07 | 0.0010 |
| 23 | 3800 | 12:11:36 | 0.0036 | 100.00% | 0.14 | 0.0010 |
| 23 | 3850 | 12:20:42 | 0.0003 | 100.00% | 0.05 | 0.0010 |
| 24 | 3900 | 12:30:25 | 0.0112 | 100.00% | 0.24 | 0.0010 |
| 24 | 3950 | 12:40:17 | 0.0058 | 100.00% | 0.22 | 0.0010 |
| 24 | 4000 | 12:50:09 | 0.0043 | 100.00% | 0.11 | 0.0010 |
| 24 | 4050 | 13:00:01 | 0.0278 | 100.00% | 0.30 | 0.0010 |
| 25 | 4100 | 13:10:18 | 0.0145 | 100.00% | 0.24 | 0.0010 |
| 25 | 4150 | 13:20:13 | 0.0047 | 100.00% | 0.10 | 0.0010 |
| 25 | 4200 | 13:29:53 | 0.0006 | 100.00% | 0.03 | 0.0010 |
| 26 | 4250 | 13:39:20 | 0.0021 | 100.00% | 0.08 | 0.0010 |
| 26 | 4300 | 13:48:30 | 0.0216 | 100.00% | 0.26 | 0.0010 |
| 26 | 4350 | 13:57:41 | 0.0075 | 100.00% | 0.24 | 0.0010 |
| 27 | 4400 | 14:07:10 | 0.0176 | 100.00% | 0.38 | 0.0010 |
| 27 | 4450 | 14:16:23 | 0.0009 | 100.00% | 0.07 | 0.0010 |
| 27 | 4500 | 14:25:33 | 0.0011 | 100.00% | 0.08 | 0.0010 |
| 27 | 4550 | 14:35:24 | 0.0083 | 100.00% | 0.21 | 0.0010 |
| 28 | 4600 | 14:45:43 | 0.0448 | 100.00% | 0.38 | 0.0010 |
| 28 | 4650 | 14:55:42 | 0.0002 | 100.00% | 0.05 | 0.0010 |
| 28 | 4700 | 15:05:41 | 0.0008 | 100.00% | 0.06 | 0.0010 |
| 29 | 4750 | 15:16:02 | 0.0040 | 100.00% | 0.08 | 0.0010 |
| 29 | 4800 | 15:26:00 | 0.0004 | 100.00% | 0.06 | 0.0010 |
| 29 | 4850 | 15:35:15 | 0.0046 | 100.00% | 0.15 | 0.0010 |
| 29 | 4900 | 15:44:26 | 0.0186 | 100.00% | 0.24 | 0.0010 |
| 30 | 4950 | 15:53:57 | 0.0108 | 100.00% | 0.24 | 0.0010 |
| 30 | 5000 | 16:03:10 | 0.0398 | 100.00% | 0.32 | 0.0010 |
| 30 | 5050 | 16:12:21 | 0.0146 | 100.00% | 0.24 | 0.0010 |
| 31 | 5100 | 16:21:53 | 0.0265 | 100.00% | 0.35 | 0.0010 |
| 31 | 5150 | 16:31:25 | 0.0026 | 100.00% | 0.09 | 0.0010 |
| 31 | 5200 | 16:41:20 | 0.0011 | 100.00% | 0.08 | 0.0010 |
| 32 | 5250 | 16:51:37 | 0.0015 | 100.00% | 0.15 | 0.0010 |
| 32 | 5300 | 17:01:33 | 0.0183 | 100.00% | 0.26 | 0.0010 |
| 32 | 5350 | 17:11:30 | 0.0136 | 100.00% | 0.15 | 0.0010 |
| 32 | 5400 | 17:21:27 | 0.0644 | 99.22% | 0.31 | 0.0010 |
| 33 | 5450 | 17:31:18 | 0.0059 | 100.00% | 0.18 | 0.0010 |
| 33 | 5500 | 17:40:23 | 0.0005 | 100.00% | 0.06 | 0.0010 |
| 33 | 5550 | 17:49:28 | 0.0076 | 100.00% | 0.20 | 0.0010 |
| 34 | 5600 | 17:59:00 | 0.0015 | 100.00% | 0.05 | 0.0010 |
| 34 | 5650 | 18:08:12 | 0.0084 | 100.00% | 0.26 | 0.0010 |
| 34 | 5700 | 18:17:25 | 0.0376 | 99.22% | 0.08 | 0.0010 |
| 35 | 5750 | 18:27:03 | 0.0008 | 100.00% | 0.05 | 0.0010 |
| 35 | 5800 | 18:37:00 | 0.0001 | 100.00% | 0.04 | 0.0010 |
| 35 | 5850 | 18:46:58 | 0.0046 | 100.00% | 0.15 | 0.0010 |
| 35 | 5900 | 18:56:56 | 0.0002 | 100.00% | 0.05 | 0.0010 |
| 36 | 5950 | 19:07:16 | 0.0018 | 100.00% | 0.10 | 0.0010 |
| 36 | 6000 | 19:17:14 | 0.0004 | 100.00% | 0.05 | 0.0010 |
| 36 | 6050 | 19:27:08 | 0.0030 | 100.00% | 0.15 | 0.0010 |
| 37 | 6100 | 19:36:43 | 0.0031 | 100.00% | 0.13 | 0.0010 |
| 37 | 6150 | 19:45:58 | 0.0002 | 100.00% | 0.05 | 0.0010 |
| 37 | 6200 | 19:55:12 | 0.0005 | 100.00% | 0.07 | 0.0010 |
| 37 | 6250 | 20:04:26 | 0.0041 | 100.00% | 0.09 | 0.0010 |
| 38 | 6300 | 20:13:59 | 0.0005 | 100.00% | 0.05 | 0.0010 |
| 38 | 6350 | 20:23:12 | 0.0002 | 100.00% | 0.06 | 0.0010 |
| 38 | 6400 | 20:32:47 | 0.0009 | 100.00% | 0.05 | 0.0010 |
| 39 | 6450 | 20:42:54 | 0.0157 | 100.00% | 0.22 | 0.0010 |
| 39 | 6500 | 20:52:42 | 0.0033 | 100.00% | 0.16 | 0.0010 |
| 39 | 6550 | 21:02:29 | 0.0005 | 100.00% | 0.04 | 0.0010 |
| 40 | 6600 | 21:12:39 | 0.0003 | 100.00% | 0.04 | 0.0010 |
| 40 | 6650 | 21:22:30 | 0.0125 | 100.00% | 0.20 | 0.0010 |
| 40 | 6700 | 21:31:57 | 0.0457 | 100.00% | 0.34 | 0.0010 |
| 40 | 6750 | 21:41:07 | 0.0005 | 100.00% | 0.05 | 0.0010 |
| 41 | 6800 | 21:50:40 | 0.0010 | 100.00% | 0.05 | 0.0010 |
| 41 | 6850 | 21:59:52 | 0.0042 | 100.00% | 0.13 | 0.0010 |
| 41 | 6900 | 22:09:06 | 0.0005 | 100.00% | 0.08 | 0.0010 |
| 42 | 6950 | 22:18:42 | 0.0029 | 100.00% | 0.11 | 0.0010 |
| 42 | 7000 | 22:28:01 | 0.0004 | 100.00% | 0.06 | 0.0010 |
| 42 | 7050 | 22:37:58 | 0.0019 | 100.00% | 0.08 | 0.0010 |
| 43 | 7100 | 22:48:16 | 0.0012 | 100.00% | 0.08 | 0.0010 |
| 43 | 7150 | 22:58:10 | 0.0004 | 100.00% | 0.04 | 0.0010 |
| 43 | 7200 | 23:08:07 | 0.0018 | 100.00% | 0.08 | 0.0010 |
| 43 | 7250 | 23:18:02 | 0.0007 | 100.00% | 0.08 | 0.0010 |
| 44 | 7300 | 23:28:13 | 0.0109 | 100.00% | 0.29 | 0.0010 |
| 44 | 7350 | 23:37:27 | 0.0084 | 100.00% | 0.18 | 0.0010 |
| 44 | 7400 | 23:46:39 | 0.0008 | 100.00% | 0.08 | 0.0010 |
| 45 | 7450 | 23:56:11 | 0.0002 | 100.00% | 0.02 | 0.0010 |
| 45 | 7500 | 24:05:25 | 0.0013 | 100.00% | 0.05 | 0.0010 |
| 45 | 7550 | 24:14:39 | 0.0005 | 100.00% | 0.08 | 0.0010 |
| 45 | 7600 | 24:23:52 | 0.0006 | 100.00% | 0.10 | 0.0010 |
| 46 | 7650 | 24:33:57 | 0.0003 | 100.00% | 0.05 | 0.0010 |
| 46 | 7700 | 24:43:54 | 0.0001 | 100.00% | 0.03 | 0.0010 |
| 46 | 7750 | 24:53:54 | 0.0036 | 100.00% | 0.17 | 0.0010 |
| 47 | 7800 | 25:04:14 | 0.0003 | 100.00% | 0.05 | 0.0010 |
| 47 | 7850 | 25:14:14 | 0.0060 | 100.00% | 0.22 | 0.0010 |
| 47 | 7900 | 25:24:12 | 0.0021 | 100.00% | 0.12 | 0.0010 |
| 48 | 7950 | 25:33:58 | 0.0096 | 99.22% | 0.04 | 0.0010 |
| 48 | 8000 | 25:43:15 | 0.0301 | 100.00% | 0.35 | 0.0010 |
| 48 | 8050 | 25:52:31 | 0.0028 | 100.00% | 0.11 | 0.0010 |
| 48 | 8100 | 26:01:42 | 0.0495 | 100.00% | 0.37 | 0.0010 |
| 49 | 8150 | 26:11:17 | 0.0063 | 100.00% | 0.22 | 0.0010 |
| 49 | 8200 | 26:20:31 | 0.0017 | 100.00% | 0.11 | 0.0010 |
| 49 | 8250 | 26:30:02 | 8.7852e-05 | 100.00% | 0.02 | 0.0010 |
| 50 | 8300 | 26:40:20 | 0.0115 | 100.00% | 0.21 | 0.0010 |
| 50 | 8350 | 26:50:20 | 0.0003 | 100.00% | 0.04 | 0.0010 |
| 50 | 8400 | 27:00:20 | 0.0088 | 100.00% | 0.26 | 0.0010 |
| 50 | 8450 | 27:10:13 | 0.0050 | 100.00% | 0.13 | 0.0010 |
|=======================================================================================================|
Detector training complete.
*******************************************************************
Copyright Notice
© Licențiada.org respectă drepturile de proprietate intelectuală și așteaptă ca toți utilizatorii să facă același lucru. Dacă consideri că un conținut de pe site încalcă drepturile tale de autor, te rugăm să trimiți o notificare DMCA.
Acest articol: Proiect Diploma V2 Corectata [308843] (ID: 308843)
Dacă considerați că acest conținut vă încalcă drepturile de autor, vă rugăm să depuneți o cerere pe pagina noastră Copyright Takedown.