traffic sign detection
1.0.0
هذا هو الكود الخاص بالورقة
تقييم الشبكات العصبية العميقة لأنظمة الكشف عن الإشارات المرورية
ألفارو أركوس-غارسيا، خوان أنطونيو ألفاريز-غارسيا، لويس إم. سوريا-موريلو
تتناول هذه الورقة مشكلة اكتشاف إشارات المرور من خلال تحليل أحدث أنظمة الكشف عن الكائنات (Faster R-CNN وR-FCN وSSD وYOLO V2) جنبًا إلى جنب مع مستخرجات الميزات المختلفة (Resnet V1 50، Resnet V1 101، Inception V2، Inception Resnet V2، Mobilenet V1، وDarknet-19). نحن نهدف إلى استكشاف خصائص نماذج الكشف عن الأشياء هذه والتي تم تعديلها وتكييفها خصيصًا مع مجال مشكلة اكتشاف إشارات المرور عن طريق نقل التعلم. على وجه الخصوص، تم ضبط العديد من نماذج الكشف عن الكائنات المتاحة للجمهور والتي تم تدريبها مسبقًا على مجموعة بيانات Microsoft COCO بشكل دقيق على مجموعة البيانات المعيارية للكشف عن إشارات المرور الألمانية. يتضمن تقييم هذه النماذج ومقارنتها مقاييس أساسية، مثل متوسط الدقة المتوسطة (mAP)، وتخصيص الذاكرة، ووقت التشغيل، وعدد عمليات الفاصلة العائمة، وعدد معلمات النموذج، وتأثير أحجام صور إشارات المرور. 
نحن نقدم:
إذا وجدت هذا الكود مفيدًا في بحثك، فيرجى الاستشهاد بما يلي:
"Evaluation of deep neural networks for traffic sign detection systems."
Álvaro Arcos-García, Juan A. Álvarez-García, Luis M. Soria-Morillo. Neurocomputing 316 (2018) 332-344.
[رابط] [بيبتكس]
يتم تنفيذ هذا المشروع في Tensorflow ويعتمد على مستودعين: Tensorflow Object Detection API وdarkflow.
يمكنك تنزيل TRecords لمجموعة بيانات GTSDB من Google Drive. قم بفك ضغطه إلى المجلد gtsdb_data . يمكنك تنزيل النماذج المدربة مسبقًا من Google Drive. قم بفك الضغط عنها في مجلد models .
تظهر النتائج التي توصلنا إليها أن Faster R-CNN Inception Resnet V2 يحصل على أفضل خريطة، بينما يحقق R-FCN Resnet 101 أفضل مقايضة بين الدقة ووقت التنفيذ. يستحق YOLO V2 وSSD Mobilenet إشارة خاصة، حيث أن الأول يحقق نتائج دقة تنافسية وهو ثاني أسرع كاشف، في حين أن الأخير هو النموذج الأسرع والأخف من حيث استهلاك الذاكرة، مما يجعله الخيار الأمثل للنشر في الأجهزة المحمولة والمدمجة.
| نموذج | رسم خريطة | حدود | يتخبط | Memory_mb | Total_exec_millis | Accelerator_exec_millis | cpu_exec_millis |
|---|---|---|---|---|---|---|---|
| أسرع R-CNN Resnet 50 | 91.52 | 43337242 | 533575386662 | 5256.454615 | 104.0363553 | 75.93395395 | 28.10240132 |
| أسرع R-CNN Resnet 101 | 95.08 | 62381593 | 625779295782 | 6134.705805 | 123.2729175 | 90.33714433 | 32.9357732 |
| أسرع R-CNN التأسيس V2 | 90.62 | 12891249 | 120621363525 | 2175.206857 | 58.53338971 | 38.76813971 | 19.76525 |
| أسرع R-CNN التأسيس Resnet V2 | 95.77 | 59412281 | 1837544257834 | 18250.446008 | 442.2206796 | 366.1586796 | 76062 |
| آر-إف سي إن ريسنيت 101 | 95.15 | 64594585 | 269898731281 | 3509.75153 | 85.45207971 | 52.40321739 | 33.04886232 |
| SSD موبايل نت | 61.64 | 5572809 | 2300721483 | 94.696119 | 15.14525 | 4.021267857 | 11.12398214 |
| SSD التأسيس V2 | 66.10 | 13474849 | 7594247747 | 284.512918 | 23.74428378 | 9.393405405 | 14.35087838 |
| يولو V2 | 78.83 | 50588958 | 62780021160 | 1318.108256 | 21.4810122 | 18.13923171 | 3.341780488 |
| نموذج | صغير | واسطة | كبير |
|---|---|---|---|
| أسرع R-CNN Resnet 50 | 53.57 | 86.95 | 86.72 |
| أسرع R-CNN Resnet 101 | 70.89 | 94.17 | 88.87 |
| أسرع R-CNN التأسيس V2 | 56.72 | 81.02 | 88.53 |
| أسرع R-CNN التأسيس Resnet V2 | 68.60 | 86.62 | 82.10 |
| آر-إف سي إن ريسنيت 101 | 60.37 | 82.03 | 79.56 |
| SSD موبايل نت | 22.13 | 55.32 | 82.06 |
| SSD التأسيس V2 | 26.85 | 64.71 | 78.76 |
| يولو V2 | 42.93 | 78.99 | 75.67 |
نحن نقدم Jupyter Notebook مع تعليمات لتشغيل نماذجنا المدربة مسبقًا على الصور الجديدة.
يتم تضمين ملفات التكوين اللازمة لتدريب نماذجنا داخل كل ملف مضغوط يمكنك تنزيله من قسم النماذج المدربة مسبقًا. تم إجراء الحد الأدنى من التغييرات على الكود المصدري الأساسي لـ Tensorflow وdarkflow لذا يجب أن تكون قادرًا على إعادة إنتاج نتائجنا باستخدام الإصدارات الأخيرة من المستودعات المذكورة أعلاه. على سبيل المثال، لتدريب نموذج SDD Mobilenet، يمكنك تشغيل أسطر الأوامر التالية:
cd ~ /tensorflow/models/research
python3 object_detection/train.py --logtostderr --pipeline_config_path models/ssd_mobilenet_v1/ssd_mobilenet_v1_gtsdb3.config --train_dir models/ssd_mobilenet_v1/train/نحن نقدم دفتر Jupyter Notebook يحتوي على تعليمات لتقييم النتائج التي تم الحصول عليها من خلال نماذجنا المدربة مسبقًا.
يعتمد الكود المصدري لهذا المشروع بشكل أساسي على Tensorflow Object Detection API وdarkflow.
