亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于YOLOv5的交通標(biāo)志檢測(cè)算法

        2022-10-18 06:36:34劉桐周凱李暉
        微處理機(jī) 2022年5期
        關(guān)鍵詞:檢測(cè)模型

        劉桐,周凱,李暉

        (沈陽工業(yè)大學(xué)信息科學(xué)與工程學(xué)院,沈陽 110870)

        1 引言

        隨著社會(huì)經(jīng)濟(jì)蓬勃,自動(dòng)駕駛、無人駕駛也逐步進(jìn)入大眾視線。作為這一領(lǐng)域的關(guān)鍵技術(shù),目標(biāo)檢測(cè)算法相繼出現(xiàn)。傳統(tǒng)的目標(biāo)檢測(cè)算法采取抽取候選區(qū)域后根據(jù)顏色和輪廓信息特點(diǎn)人工提取特征,常用的方法有RGB[1-2]、HSV[3]、Hough[4]變換等算法,之后通過分類器進(jìn)行分類,然而由于天氣條件的復(fù)雜,或是交通標(biāo)志被破壞、遮蓋等,常常導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確或漏檢。現(xiàn)有的基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法大致分為兩類,第一類是兩階段的R-CNN系列[5-6]目標(biāo)檢測(cè)算法,其主要提取候選框區(qū)域進(jìn)行分類,盡管檢測(cè)定位效果良好,但在實(shí)踐中即時(shí)性達(dá)不到要求;第二類是一階段目標(biāo)檢測(cè)算法:SSD[7]和YOLO[8-9]系列等,輸入圖片后直接在網(wǎng)絡(luò)中獲得位置和類別,大大降低了檢測(cè)過程中的重復(fù)運(yùn)算,加快了檢測(cè)速度。在速度和精準(zhǔn)方面YOLO系列算法超過其他一階段的檢測(cè)算法。

        針對(duì)算法模型復(fù)雜度高且對(duì)小目標(biāo)檢測(cè)存在漏檢的現(xiàn)象,在此提出一個(gè)改進(jìn)YOLOv5算法用于檢測(cè)。在Backbone上增加ECA模型,以增強(qiáng)特征提取方法能力,改善檢查性能。

        2 算法及改進(jìn)

        2.1 YOLOv5算法

        YOLOv5是一種一階段的目標(biāo)檢測(cè)算法,該算法在YOLOv4的基礎(chǔ)上進(jìn)行改進(jìn),提高了速度和精度。檢測(cè)具體過程是將整個(gè)圖像劃分S×S個(gè)網(wǎng)格,網(wǎng)格負(fù)責(zé)預(yù)測(cè)中心落在這個(gè)網(wǎng)格中的那個(gè)object,同時(shí)3個(gè)大小不一的先驗(yàn)框在網(wǎng)格中獲得,并對(duì)其進(jìn)行微細(xì)調(diào)整,形成最終的預(yù)測(cè)框。最后通過非極大值抑制算法(Non Max Suppression,NMS)選擇最佳的結(jié)果[10]。算法實(shí)現(xiàn)過程如圖1所示。

        圖1 YOLO算法流程

        YOLOv5算法最大特點(diǎn)是模型體積小,便于安放到移動(dòng)端設(shè)備。YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)包括4個(gè)部分,依次是:

        Input:對(duì)輸入的圖像進(jìn)行Mosaic數(shù)據(jù)增強(qiáng)。任意抓取4張圖片,任意調(diào)整尺寸,再隨機(jī)放置進(jìn)行拼湊,以此擴(kuò)大數(shù)據(jù)集,特別是隨機(jī)縮放增加了很多小的目標(biāo)對(duì)象,讓網(wǎng)絡(luò)更穩(wěn)定,還可以減少GPU使用。對(duì)尺寸不一的圖片能進(jìn)行自適應(yīng)調(diào)節(jié),調(diào)節(jié)到一個(gè)標(biāo)準(zhǔn)大小,再進(jìn)行檢測(cè)。

        Backbone:首先對(duì)圖片進(jìn)行切片操作,相當(dāng)于下采樣兩倍,數(shù)量擴(kuò)為原來的四倍,以減少浮點(diǎn)運(yùn)算量。經(jīng)過6層網(wǎng)絡(luò)結(jié)構(gòu),進(jìn)行圖像特征的提取。仿效CSPNet的設(shè)計(jì)思路[11],在backbone中設(shè)計(jì)兩種CSP結(jié)構(gòu),分別應(yīng)用于backbone和neck層,增加網(wǎng)絡(luò)的特征提取能力,降低計(jì)算瓶頸和內(nèi)存成本。

        Neck:采用FPN+PAN的結(jié)構(gòu),結(jié)合淺層的語義表達(dá)和深層的語義表達(dá),采用CSP2結(jié)構(gòu)進(jìn)行跨階段局部設(shè)計(jì),增強(qiáng)了網(wǎng)絡(luò)特征提取能力。

        Output:使用不同尺寸的先驗(yàn)框進(jìn)行預(yù)測(cè)和分類,輸出3種標(biāo)準(zhǔn)的特征圖,根據(jù)損失函數(shù)反向傳播并且不斷優(yōu)化。最后使用NMS消除多余預(yù)測(cè)框。

        2.2 YOLOv5算法改進(jìn)

        由于交通標(biāo)志屬于小目標(biāo),容易造成漏檢情況,針對(duì)此情況,為了提高卷積層的特征提取能力,采取在backbone上添加ECA(高效通道注意模塊)的方式。由于YOLOv5是輕量級(jí)的模型,所以在加入注意力機(jī)制模塊時(shí)要考慮在提高性能的同時(shí)不會(huì)增加模型的復(fù)雜度。

        作為注意力模塊,ECA模塊使用參數(shù)較少,這減少了數(shù)據(jù)減消,并有效捕捉了跨通道交流,從而產(chǎn)生顯著的性能改善[12]。ECA模塊結(jié)構(gòu)如圖2所示。在維持維度的情形下使用全局平均池化方法獲得了一個(gè)1×1×C的向量;跨信道之間的信息交換用一維卷積1D-Conv來實(shí)現(xiàn)。其內(nèi)核大小k表示了本地跨信道信息交互的能力,表示多少個(gè)隔鄰進(jìn)行一個(gè)信道的注意力預(yù)測(cè),這一設(shè)置提高了模型的質(zhì)量與計(jì)算效果。

        圖2 ECA模塊結(jié)構(gòu)圖

        通過學(xué)習(xí)得到的通道注意力由下式表示:

        Wk關(guān)涉k×C個(gè)參數(shù),并且防止了不同組的完全獨(dú)立,在此只考慮權(quán)重yi和它的k個(gè)隔鄰之間的信息共享,計(jì)算公式如下:

        讓所有的通道分享權(quán)重相關(guān)信息進(jìn)一步提升性能,即:

        通過卷積核大小為k的一維卷積來實(shí)現(xiàn)通道之間的信息共享,即有:

        式中,C1D代表一維卷積,它關(guān)涉k個(gè)參數(shù)信息。ECA模塊為了適當(dāng)抓取局部跨道信息共享,確定好通道共享信息的大致范圍(即1D卷積的卷積核大小k),采用自適應(yīng)確定k的方法,其中自適應(yīng)卷積核大小k的計(jì)算公式為:

        式中,γ=2,b=1。

        改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)輸出如圖3所示。

        圖3 改進(jìn)網(wǎng)絡(luò)YOLOv5+ECA結(jié)構(gòu)圖

        3 實(shí)驗(yàn)與分析

        3.1 數(shù)據(jù)集選取

        選用清華大學(xué)和騰訊實(shí)驗(yàn)室聯(lián)合采集制作的數(shù)據(jù)TT100K(Tsinghua-Tencent 100k)。其涵蓋3萬多個(gè)交通標(biāo)志實(shí)例近9000幅圖片,包括了不同自然場景下日常生活中所見的標(biāo)志圖片,數(shù)據(jù)豐富,具有多元化,示例如圖4所示。

        圖4 交通標(biāo)志示例

        TT100K圖片采取的像素大小為2048×2048,背景復(fù)雜,對(duì)于檢測(cè)存在干擾,另外其類別繁雜,樣本數(shù)量不均衡,有的類別甚至空缺,給檢測(cè)帶來了很大難度。針對(duì)這一情況,運(yùn)行腳本過濾數(shù)據(jù)集,將其中標(biāo)志信息樣本數(shù)量大于100的分離出來,制成含45類的交通標(biāo)志集,并且按照7:3比例劃分成訓(xùn)練集和驗(yàn)證集。數(shù)量統(tǒng)計(jì)及劃分如圖5所示。

        圖5 數(shù)據(jù)集數(shù)量分布及劃分

        3.2 實(shí)驗(yàn)設(shè)置和評(píng)估指標(biāo)

        實(shí)驗(yàn)基于Windows操作系統(tǒng)Python 3.8編程語言實(shí)現(xiàn)。選用Pytorch1.7.1深度學(xué)習(xí)框架搭建網(wǎng)絡(luò)模型。實(shí)驗(yàn)數(shù)據(jù)設(shè)置300個(gè)epochs進(jìn)行訓(xùn)練;batchsize設(shè)置為48;輸入圖像尺寸為640×640;初始的學(xué)習(xí)率設(shè)置為0.01;momentum設(shè)置為0.937;權(quán)重衰減系數(shù)設(shè)為0.0005。

        選取準(zhǔn)確率(Precision)、召回率(Recall)、平均精度均值(mAP)和權(quán)重模型(weights)作為評(píng)估指標(biāo),評(píng)估算法對(duì)交通標(biāo)志的檢測(cè)性能。通過與其他模型對(duì)比,驗(yàn)證本文算法的有效性。對(duì)比實(shí)驗(yàn)結(jié)果如表1所示。

        表1 檢測(cè)算法性能對(duì)比

        由表1可以看出,改進(jìn)算法在檢測(cè)交通標(biāo)志上優(yōu)于原YOLOv5算法,分別在準(zhǔn)確率和平均精度上提高了2.4%和0.4%;其訓(xùn)練出的權(quán)重14.6 MB,方便部署于移動(dòng)端檢測(cè)。與YOLOv3相比,由于模型參數(shù)過大,導(dǎo)致平均精度訓(xùn)練不是很好。綜上所述,本算法在檢測(cè)交通標(biāo)志上有一定的改善。

        3.3 實(shí)驗(yàn)結(jié)果分析

        對(duì)比實(shí)驗(yàn)結(jié)果如圖6所示??梢?,加入ECA模塊后,準(zhǔn)確率在訓(xùn)練了100次之后走向平緩,沒有原YOLOv5訓(xùn)練的變化幅度大,穩(wěn)定性較好;在mAP訓(xùn)練上本方法更加穩(wěn)定,而且比YOLOv5訓(xùn)練精度要好,收斂更早。

        圖6 準(zhǔn)確率對(duì)比結(jié)果

        3.4 實(shí)驗(yàn)效果演示

        為驗(yàn)證本算法實(shí)際檢測(cè)效果和識(shí)別率的提升,選取其中圖片進(jìn)行檢測(cè),檢測(cè)效果如圖7所示。

        圖7 實(shí)際檢測(cè)效果對(duì)比

        可以明顯看出,前兩種算法存在漏檢情況,準(zhǔn)確率也不理想,本算法改善了漏檢情況,并獲得了較高的準(zhǔn)確率。訓(xùn)練出的模型在驗(yàn)證集上達(dá)到了93.4%的準(zhǔn)確率和90.7%的平均精度。

        4 結(jié)束語

        改進(jìn)輕量級(jí)YOLOv5算法用于交通標(biāo)志檢測(cè),解決了算法模型權(quán)重大、對(duì)小目標(biāo)檢測(cè)不準(zhǔn)確等問題。在backbone結(jié)構(gòu)上添加ECA注意力模塊進(jìn)行跨通道捕捉特征信息,提高了模型效率和計(jì)算效果,并且可以自適應(yīng)確定通道覆蓋范圍,改善了對(duì)小目標(biāo)的檢測(cè),提高了檢測(cè)準(zhǔn)確率。通過比較精確率度、精度等評(píng)價(jià)指標(biāo),對(duì)改進(jìn)算法的性能也進(jìn)行了評(píng)價(jià)。改進(jìn)后的算法在訓(xùn)練階段準(zhǔn)確率和平均精度有一定程度的提升,但是也存在不足,在后續(xù)研究中,應(yīng)該在實(shí)現(xiàn)模型輕量化、易部署的同時(shí),進(jìn)一步提高精度與準(zhǔn)確率。

        猜你喜歡
        檢測(cè)模型
        一半模型
        “不等式”檢測(cè)題
        “一元一次不等式”檢測(cè)題
        “一元一次不等式組”檢測(cè)題
        “幾何圖形”檢測(cè)題
        “角”檢測(cè)題
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        3D打印中的模型分割與打包
        小波變換在PCB缺陷檢測(cè)中的應(yīng)用
        亚洲一区二区三区偷拍女厕| 久久久精品午夜免费不卡| 亚洲一区二区三区四区五区六| 国产精品无套内射迪丽热巴| 亚洲区偷拍自拍29p| 91久久精品一二三区色| 国产精品亚洲av三区亚洲| 日韩激情无码免费毛片| 久久综合色鬼| 一区二区亚洲精美视频| 欲女在线一区二区三区| 无码吃奶揉捏奶头高潮视频| 人妻丰满熟妇av无码区hd| 亚洲国产精品色一区二区| 亚洲高清在线天堂精品| 国产在视频线精品视频| 亚洲成av人的天堂在线观看| 国产精品成人av在线观看| 久久久久无码中文字幕| 亚洲最新精品一区二区| 又大又紧又粉嫩18p少妇| 亚洲综合中文字幕乱码在线| 人妻尤物娇呻雪白丰挺| 日韩中文字幕版区一区二区三区| 国产精品自在线拍国产手机版| 四虎精品国产一区二区三区| 国产女主播福利一区二区 | 吃下面吃胸在线看无码| 99久久婷婷国产精品网| 无码国内精品久久人妻| japanese无码中文字幕| 免费观看成人稀缺视频在线播放| 99人中文字幕亚洲区三| 国产精品9999久久久久| 国产亚洲精品自在久久77| 国产精品久久av高潮呻吟| 国产亚洲一区二区在线观看| 又爽又黄无遮挡高潮视频网站| 久久伊人网久久伊人网| 国产精品黑丝高跟在线粉嫩| 亚洲精品字幕|