traffic sign detection

Detección de señales de tráfico

Este es el código del documento.

Evaluación de redes neuronales profundas para sistemas de detección de señales de tráfico.
Álvaro Arcos-García, Juan Antonio Álvarez-García, Luis M. Soria-Morillo

El artículo aborda el problema de la detección de señales de tráfico analizando el estado del arte de varios sistemas de detección de objetos (Faster R-CNN, R-FCN, SSD y YOLO V2) combinados con varios extractores de características (Resnet V1 50, Resnet V1 101, Inception V2, Inception Resnet V2, Mobilenet V1 y Darknet-19). Nuestro objetivo es explorar las propiedades de estos modelos de detección de objetos que se modifican y adaptan específicamente al dominio del problema de detección de señales de tráfico mediante el aprendizaje por transferencia. En particular, varios modelos de detección de objetos disponibles públicamente que fueron entrenados previamente en el conjunto de datos COCO de Microsoft se ajustan en el conjunto de datos de referencia de detección de señales de tráfico alemán. La evaluación y comparación de estos modelos incluye métricas clave, como la precisión promedio promedio (mAP), la asignación de memoria, el tiempo de ejecución, la cantidad de operaciones de punto flotante, la cantidad de parámetros del modelo y el efecto de los tamaños de las imágenes de las señales de tráfico.

Proporcionamos:

• Varios modelos previamente entrenados.
• Resultados del experimento.
• Código de prueba para ejecutar el modelo en nuevas imágenes.
• Instrucciones para entrenar tu modelo.
• Instrucciones para evaluar su modelo.
• Scripts para crear GTSDB TFRecords.

Si encuentra útil este código en su investigación, cite:

 "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.

[enlace][bibtex]

Requisitos

Este proyecto está implementado en Tensorflow y se basa en dos repositorios: API de detección de objetos de Tensorflow y darkflow.

Modelos previamente entrenados

Puede descargar TFRecords del conjunto de datos GTSDB desde Google Drive. Descomprímalo en la carpeta gtsdb_data . Puede descargar modelos previamente entrenados desde Google Drive. Descomprímelos en la carpeta models .

• más rápido_rcnn_inception_resnet_v2_atrous
• más rápido_rcnn_inception_v2
• más rápido_rcnn_resnet_101
• más rápido_rcnn_resnet50
• rfcn_resnet101
• ssd_inception_v2
• ssd_mobilenet_v1
• yolo_v2 (Actualizado el 19/02/2019: se agrega el archivo faltante 'yolo_v2-50500.data-00000-of-00001')

Resultados

Descripción general

Nuestros hallazgos muestran que Faster R-CNN Inception Resnet V2 obtiene el mejor mAP, mientras que R-FCN Resnet 101 logra el mejor equilibrio entre precisión y tiempo de ejecución. YOLO V2 y SSD Mobilenet merecen una mención especial, ya que el primero logra resultados de precisión competitivos y es el segundo detector más rápido, mientras que el segundo es el modelo más rápido y liviano en términos de consumo de memoria, lo que lo convierte en una opción óptima para su implementación en Dispositivos móviles e integrados.

modelo	mapa	parámetros	fracasos	memoria_mb	total_exec_millis	acelerador_exec_millis	cpu_exec_millis
Resnet R-CNN 50 más rápido	91,52	43337242	533575386662	5256.454615	104.0363553	75.93395395	28.10240132
Resnet R-CNN 101 más rápido	95.08	62381593	625779295782	6134.705805	123.2729175	90.33714433	32.9357732
Inicio más rápido de R-CNN V2	90,62	12891249	120621363525	2175.206857	58.53338971	38.76813971	19.76525
R-CNN Inception Resnet V2 más rápido	95,77	59412281	1837544257834	18250.446008	442.2206796	366.1586796	76062
R-FCN Resnet 101	95,15	64594585	269898731281	3509.75153	85.45207971	52.40321739	33.04886232
SSD móvil	61,64	5572809	2300721483	94.696119	15.14525	4.021267857	11.12398214
Inicio SSD V2	66.10	13474849	7594247747	284.512918	23.74428378	9.393405405	14.35087838
Yolo V2	78,83	50588958	62780021160	1318.108256	21.4810122	18.13923171	3.341780488

Comparación de tamaño de imagen

modelo	pequeño	medio	grande
Resnet R-CNN 50 más rápido	53,57	86,95	86,72
Resnet R-CNN 101 más rápido	70,89	94,17	88,87
Inicio más rápido de R-CNN V2	56,72	81.02	88,53
R-CNN Inception Resnet V2 más rápido	68,60	86,62	82.10
R-FCN Resnet 101	60,37	82.03	79,56
SSD móvil	22.13	55,32	82.06
Inicio SSD V2	26,85	64,71	78,76
Yolo V2	42,93	78,99	75,67

Ejecutando en nuevas imágenes

Proporcionamos un Jupyter Notebook con instrucciones para ejecutar nuestros modelos previamente entrenados en nuevas imágenes.

Capacitación

Los archivos de configuración necesarios para entrenar nuestros modelos se incluyen en cada archivo zip que puede descargar desde la sección de modelos previamente entrenados. Se realizaron cambios mínimos en el código fuente base de tensorflow y darkflow, por lo que debería poder reproducir nuestros resultados utilizando las últimas versiones de los repositorios antes mencionados. Por ejemplo, para entrenar un modelo SDD Mobilenet, puede ejecutar las siguientes líneas de comando:

 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/

Evaluación

Proporcionamos un Jupyter Notebook con instrucciones para evaluar los resultados obtenidos por nuestros modelos previamente entrenados.

Expresiones de gratitud

El código fuente de este proyecto se basa principalmente en la API de detección de objetos de Tensorflow y Darkflow.