traffic sign detection Télécharger - traffic sign detection Téléchargement du code source

traffic sign detection

Code Source AI

1.0.0

Télécharger

Détection des panneaux de signalisation

C'est le code du papier

Évaluation des réseaux de neurones profonds pour les systèmes de détection des panneaux de signalisation
Álvaro Arcos-García, Juan Antonio Álvarez-García, Luis M. Soria-Morillo

L'article aborde le problème de la détection des panneaux de signalisation en analysant l'état de l'art de plusieurs systèmes de détection d'objets (Faster R-CNN, R-FCN, SSD et YOLO V2) combinés à divers extracteurs de fonctionnalités (Resnet V1 50, Resnet V1 101, Inception V2, Inception Resnet V2, Mobilenet V1 et Darknet-19). Notre objectif est d'explorer les propriétés de ces modèles de détection d'objets qui sont modifiés et spécifiquement adaptés au domaine problématique de la détection des panneaux de signalisation au moyen de l'apprentissage par transfert. En particulier, divers modèles de détection d'objets accessibles au public qui ont été pré-entraînés sur l'ensemble de données Microsoft COCO sont affinés sur l'ensemble de données allemand de référence de détection des panneaux de signalisation. L'évaluation et la comparaison de ces modèles incluent des mesures clés, telles que la précision moyenne moyenne (mAP), l'allocation de mémoire, la durée d'exécution, le nombre d'opérations en virgule flottante, le nombre de paramètres du modèle et l'effet de la taille des images des panneaux de signalisation. Detection example

Nous fournissons :

Plusieurs modèles pré-entraînés.
Résultats de l'expérimentation.
Testez le code pour exécuter le modèle sur de nouvelles images.
Instructions pour entraîner votre modèle.
Instructions pour évaluer votre modèle.
Scripts pour créer des GTSDB TFRecords.

Si vous trouvez ce code utile dans votre recherche, veuillez citer :

 "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.

[lien][bibtex]

Exigences

Ce projet est implémenté dans Tensorflow et repose sur deux référentiels : l'API de détection d'objets Tensorflow et darkflow.

Modèles pré-entraînés

Vous pouvez télécharger les TFRecords de l'ensemble de données GTSDB à partir de Google Drive. Décompressez-le dans le dossier gtsdb_data . Vous pouvez télécharger des modèles pré-entraînés depuis Google Drive. Décompressez-les dans le dossier models .

fast_rcnn_inception_resnet_v2_atrous
plus rapide_rcnn_inception_v2
plus rapide_rcnn_resnet_101
plus rapide_rcnn_resnet50
rfcn_resnet101
ssd_inception_v2
ssd_mobilenet_v1
yolo_v2 (Mise à jour le 19/02/2019 : Ajouter le fichier manquant 'yolo_v2-50500.data-00000-of-00001')

Résultats

Aperçu

Nos résultats montrent que Faster R-CNN Inception Resnet V2 obtient le meilleur mAP, tandis que R-FCN Resnet 101 offre le meilleur compromis entre précision et temps d'exécution. YOLO V2 et SSD Mobilenet méritent une mention spéciale, dans la mesure où le premier obtient des résultats de précision compétitifs et est le deuxième détecteur le plus rapide, tandis que le second est le modèle le plus rapide et le plus léger en termes de consommation de mémoire, ce qui en fait un choix optimal pour un déploiement dans appareils mobiles et embarqués.

modèle	carte	paramètres	flops	mémoire_mb	total_exec_millis	accélérateur_exec_millis	cpu_exec_millis
R-CNN Resnet 50 plus rapide	91.52	43337242	533575386662	5256.454615	104.0363553	75.93395395	28.10240132
R-CNN Resnet 101 plus rapide	95.08	62381593	625779295782	6134.705805	123.2729175	90.33714433	32.9357732
Création R-CNN plus rapide V2	90.62	12891249	120621363525	2175.206857	58.53338971	38.76813971	19.76525
Création R-CNN plus rapide Resnet V2	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 Mobilenet	61,64	5572809	2300721483	94.696119	15.14525	4.021267857	11.12398214
Création 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

Results plot

Comparaison de la taille de l'image

modèle	petit	moyen	grand
R-CNN Resnet 50 plus rapide	53.57	86,95	86,72
R-CNN Resnet 101 plus rapide	70,89	94.17	88,87
Création R-CNN plus rapide V2	56,72	81.02	88.53
Création R-CNN plus rapide Resnet V2	68,60	86,62	82.10
R-FCN Resnet 101	60.37	82.03	79.56
SSD Mobilenet	22.13	55.32	82.06
Création SSD V2	26.85	64,71	78,76
YOLO V2	42,93	78,99	75,67

mAP vs image size

Courir sur de nouvelles images

Nous fournissons un bloc-notes Jupyter avec des instructions pour exécuter nos modèles pré-entraînés sur de nouvelles images.

Entraînement

Les fichiers de configuration nécessaires à l'entraînement de nos modèles sont inclus dans chaque fichier zip que vous pouvez télécharger à partir de la section des modèles pré-entraînés. Des modifications minimes ont été apportées au code source de base de tensorflow et darkflow, vous devriez donc pouvoir reproduire nos résultats en utilisant les dernières versions des référentiels susmentionnés. Par exemple, pour entraîner un modèle SDD Mobilenet, vous pouvez exécuter les lignes de commande suivantes :

 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/