序言
自动驾驶是目前非常有前景的行业,而视觉感知作为自动驾驶中的“眼睛”,有着非常重要的地位和作用。为了能有效地识别到行驶在路上的动态目标,如汽车、行人等,我们需要提前对这些目标的进行训练,从而能够有效地避开,防止事故的发生。
目录:
目标检测之车辆检测(基于darknet框架的yolov3)
一、目标检测的概念
二、Darknet整体框架与安装测试
三、yolo模型特点与性能
四、基于Darknet的yolov3车辆检测模型
正文:
一、目标检测的概念
1.1 什么是目标检测
目标检测是我们用于识别图像中目标位置的技术。如果图像中有单个目标,并且我们想要检测该目标,则称为图像定位。如果图像中有多个目标怎么办?嗯,这就是目标检测!让我用一个例子解释一下:
左侧的图像具有单个目标(狗),因此检测该目标将是图像定位问题。右边的图像有两个目标(一只猫和一只狗)。检测这两个目标则是目标检测问题。
自动驾驶是目标检测最有趣和最近的应用之一
自动驾驶汽车是能够在很少或无人为引导的情况下自行移动的车辆。现在,为了让汽车决定它的行动,即要么向前移动,要么停车,要么转弯,它必须知道它周围所有物体的位置。使用目标检测技术,汽车可以检测其他汽车,行人,交通信号等物体。
而大多数应用程序需要实时分析,实时检测。行业的动态性质倾向于即时结果,而这正是实时目标检测的结果。
二、Darknet整体框架与安装测试
Darknet是用纯C编写的小型深度学习框架,详细内容可参考以下链接:
三、yolo模型特点与性能
yolo是继RCNN,fast-RCNN 和 faster-RCNN之后,Ross Girshick 针对 DL 目标检测速度问题提出的另外一种框架,详细内容可参考以下链接:
四、基于Darknet的yolov3车辆检测模型
五、训练效果
模型:v6 416x416 40w:x0.1,45w:x0.1
avg:0.532/0.442 avg IoU:0.832 cls:0.999 obj:0.96 No obj:0.001 .5R :1.0 0.75R:0.85
使用MP4测试,帧率在25fps左右,非常卡顿,模型结构不能太深,检测速度下降明显。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:目标检测之车辆行人(darknet版yolov3) - Python技术站