Пример обучения и запуска навыка Object Detection

Унифицированное API

Вначале попытаемся описать полную последовательность действий по подготовке и использованию навыка обнаружения объектов. Задача обнаружения объектов сенсорами робота (в частности, RGB камерой в нашем случае) ставится в случае, например, когда необходимо в заданном окружении (сцене) определить наличие или отсутствие необходимых деталей для сборки изделия. Такие детали представлены в информационной среде в виде ассетов, хранимых в базе данных с заданными характеристиками. Поэтому входным параметром навыка обнаружения объектов является список ассетов, экземпляры которых в текущей задаче необходимо обнаруживать. Результатом использования навыка в информационной системе будет являться получение данных о заданном ассете на конкретном изображении, полученном с помощью RGB камеры.

Начальным этапом навыка является создание датасета, состоящего из синтетических изображений, полученных с использованием пакета BlenderProc. Этот датасет представляет из себя набор файлов изображений и файлов меток к ним, а также файл аннотации, описывающий весь датасет в целом. Он имеет определённую структуру папок и будет использован для обучения нейросетевой модели обнаружения объектов на реальных изображениях в работе (runtime-режим). После создания такой датасет должен быть помещён в базу данных, как единый объект, с заданными характеристиками. В дальнейшем датасет может быть пополнен другими изображениями (например, фото из реального окружения робота), позволяющими произвести дообучение нейросети и улучшить качество работы навыка.

На втором этапе происходит обучение нейросетевой модели YOLOv8. На выходе получаем файл весов модели, который также помещается в базу данных, с указанием версии этого файла и параметров обучения.

Теперь мы имеем всё необходимое для использования навыка обнаружения объектов (Object Detection) в реальном сценарии при управлении роботом в режиме runtime.

Рассмотрим наиболее общий вариант использования этого навыка в среде ROS2.

Первым шагом будет являться первоначальный запуск lifecycle-узла ROS2, отвечающего за работу навыка. Чтобы начать процесс обнаружения конкретной детали на изображении нужно выполнить стартовые действия по шаблону в дереве поведения, задав необходимые параметры процесса (топики получения изображения и выдачи результатов обнаружения, режим работы и другие). После решения поставленной задачи обнаружения конкретного объекта выполняются действия по шаблону приостановки работы навыка. Данные шаблоны деревьев поведения выполняются с помощью исполнителя BehaviorTree. Затем можно начать обнаружение другого объекта, вновь выполнив стартовый шаблон действий и подготовив новые параметры процесса.

Теперь перейдём к полному описанию данного API.

Этап 1. Создание датасета

См. раздел Генерация датасетов

Этап 2. Обучение модели Yolov8

Для обучения модели используется модуль на Python. Внешним параметром для модуля является:

каталог с датасетом, сгенерированный на первом этапе.

Пример запуска модуля обучения:

python train_Yolo.py --path /home/user/path/to/dataset --epoch 11 --outpath /home/user/path/to/weights

path: путь к каталогу с датасетом
epoch 11: количество эпох обучения (пока рекомендуем 30-50)
В результате работы создается файл весов нейросети с лучшими характеристиками обнаружения best.pt

Этап 3. Использование навыка в ROS2 для обнаружения объекта на изображении (runtime)

Подготовить папку с файлами BT v.4

Папка /path/to/bt/
bt.xml

<root BTCPP_format="4">
    <BehaviorTree ID="Main">
        <Sequence>
            <Action ID="RbsAction" do="ObjectDetection" command="odConfigure" sid="a"></Action>
        </Sequence>
    </BehaviorTree>
</root>

skills.json

{"skills": [
    {
        "sid": "a",
        "SkillPackage": {
            "name": "Robossembler", "version": "1", "format": "1.0"
        },
        "Module": {
            "node_name": "lc_yolo", "name": "ObjectDetection", "description": "Object detection skill with YOLOv8"
        },
        "BTAction": [
            {
                "name": "odConfigure",
                "type": "run",
                "param": [
                    {
                        "type": "weights",
                        "dependency": {"object_name": "board", "weights_file": "/home/shalenikol/0_rbs/w_od_board.pt"}
                    },
                    {
                        "type": "topic",
                        "dependency": {
                            "type": "topic",
                            "topicType": "sensor_msgs/msg/Image",
                            "sid": "7b832b17-3030-4758-aab5-96a5046797f7",
                            "topicOut": "/robot_camera/image"
                        },
                        "isFilled": true
                    }
                ],
                "result": [],
                "typeAction": "ACTION"
            }
        ],
        "topicsOut": [
            {
                "name": "lc_yolo/object_detection",
                "type": "rbs_skill_interfaces/msg/BoundBox"
            }
        ],
        "Launch": {
            "executable": "od_yolo_lc.py",
            "package": "rbss_objectdetection"
        }
    }
]}

Запуск интерфейсной ноды с сервером навыка, реализующего алгоритм обнаружения объектов.

ros2 launch rbs_bt_executor interface.launch.py bt_path:=/path/to/bt

Запуск процесса обнаружения заданного объекта через дерево поведения.

Выполняется командой:

ros2 launch rbs_bt_executor rbs_executor.launch.py bt_path:=/path/to/bt

После этого узел начинает публиковать в выходной топик информацию об обнаружении объекта на каждом полученном с камеры изображении.

Прекращение процесса обнаружения объекта.

Для завершения навыка нужно выполнить дерево поведения:

<root BTCPP_format="4">
    <BehaviorTree ID="Main">
        <Sequence>
            <Action ID="RbsAction" do="ObjectDetection" command="odStop" sid="b"></Action>
        </Sequence>
    </BehaviorTree>
</root>

Файл skills.json

{"skills": [
    {
        "sid": "b",
        "SkillPackage": { "name": "Robossembler", "version": "1", "format": "1.0" },
        "Module": {"node_name": "lc_yolo", "name": "ObjectDetection", "description": "Object detection skill with YOLOv8"},
        "BTAction": [
            {
                "name": "odStop",
                "type": "stop",
                "param": [],
                "result": [],
                "typeAction": "ACTION"
            }
        ],
        "topicsOut": [
            {
                "name": "lc_yolo/object_detection",
                "type": "rbs_skill_interfaces/msg/BoundBox"
            }
        ],
        "Launch": {
            "executable": "od_yolo_lc.py",
            "package": "rbss_objectdetection"
        }
    }
]}

Команда запуска этого дерева та же, что и в пункте 3. После выполнения этих действий lifecycle-узел навыка перейдёт в начальное состояние и можно, повторив пункт 1-3, вновь запустить процесс обнаружения уже с другим объектом.

Унифицированное API​

Этап 1. Создание датасета​

Этап 2. Обучение модели Yolov8​

Этап 3. Использование навыка в ROS2 для обнаружения объекта на изображении (runtime)​

Подготовить папку с файлами BT v.4​

Запуск интерфейсной ноды с сервером навыка, реализующего алгоритм обнаружения объектов.​

Запуск процесса обнаружения заданного объекта через дерево поведения.​

Прекращение процесса обнаружения объекта.​