traffic sign detection

Deteksi Rambu Lalu Lintas

Ini adalah kode untuk kertas tersebut

Evaluasi jaringan saraf dalam untuk sistem deteksi rambu lalu lintas
Álvaro Arcos-García, Juan Antonio Álvarez-García, Luis M. Soria-Morillo

Makalah ini membahas masalah deteksi rambu lalu lintas yang menganalisis kecanggihan beberapa sistem deteksi objek (R-CNN Lebih Cepat, R-FCN, SSD, dan YOLO V2) yang dikombinasikan dengan berbagai ekstraktor fitur (Resnet V1 50, Resnet V1 101, Awal V2, Awal Resnet V2, Mobilenet V1, dan Darknet-19). Kami bertujuan untuk mengeksplorasi properti model deteksi objek yang dimodifikasi dan secara khusus disesuaikan dengan domain masalah deteksi rambu lalu lintas melalui pembelajaran transfer. Secara khusus, berbagai model deteksi objek yang tersedia untuk umum yang telah dilatih sebelumnya pada kumpulan data Microsoft COCO telah disesuaikan dengan kumpulan data Tolok Ukur Deteksi Rambu Lalu Lintas Jerman. Evaluasi dan perbandingan model ini mencakup metrik utama, seperti rata-rata presisi (mAP), alokasi memori, waktu berjalan, jumlah operasi floating point, jumlah parameter model, dan pengaruh ukuran gambar rambu lalu lintas.

Kami menyediakan:

• Beberapa model terlatih.
• Hasil percobaan.
• Uji kode untuk menjalankan model pada gambar baru.
• Petunjuk untuk melatih model Anda.
• Petunjuk untuk mengevaluasi model Anda.
• Skrip untuk membuat GTSDB TFRecords.

Jika Anda merasa kode ini berguna dalam penelitian Anda, harap kutip:

 "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.

[tautan][bibtex]

Persyaratan

Proyek ini diimplementasikan di Tensorflow dan didasarkan pada dua repositori: Tensorflow Object Detection API dan darkflow.

Model terlatih

Anda dapat mengunduh TFRecords dari kumpulan data GTSDB dari Google Drive. Buka zipnya ke folder gtsdb_data . Anda dapat mengunduh model terlatih dari Google Drive. Buka zipnya ke folder models .

• lebih cepat_rcnn_inception_resnet_v2_atrous
• lebih cepat_rcnn_inception_v2
• lebih cepat_rcnn_resnet_101
• lebih cepat_rcnn_resnet50
• rfcn_resnet101
• ssd_inception_v2
• ssd_mobilenet_v1
• yolo_v2 (Diperbarui 19/02/2019: Tambahkan file yang hilang 'yolo_v2-50500.data-00000-of-00001')

Hasil

Ringkasan

Temuan kami menunjukkan bahwa R-CNN Inception Resnet V2 Lebih Cepat memperoleh peta terbaik, sementara R-FCN Resnet 101 memberikan trade-off terbaik antara akurasi dan waktu eksekusi. YOLO V2 dan SSD Mobilenet patut disebutkan secara khusus, karena YOLO V2 mencapai hasil akurasi yang kompetitif dan merupakan pendeteksi tercepat kedua, sedangkan SSD Mobilenet adalah model tercepat dan teringan dalam hal konsumsi memori, menjadikannya pilihan optimal untuk penerapan di perangkat seluler dan tertanam.

model	peta	parameter	jepit	memori_mb	total_exec_millis	accelerator_exec_millis	cpu_exec_millis
R-CNN Lebih Cepat Resnet 50	91.52	43337242	533575386662	5256.454615	104.0363553	75.93395395	28.10240132
R-CNN lebih cepat Resnet 101	95.08	62381593	625779295782	6134.705805	123.2729175	90.33714433	32.9357732
Awal R-CNN Lebih Cepat V2	90,62	12891249	120621363525	2175.206857	58.53338971	38.76813971	19.76525
Resnet V2 Awal R-CNN Lebih Cepat	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
SSD Awal 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

Perbandingan ukuran gambar

model	kecil	sedang	besar
R-CNN Lebih Cepat Resnet 50	53.57	86,95	86.72
R-CNN lebih cepat Resnet 101	70,89	94.17	88,87
Awal R-CNN Lebih Cepat V2	56.72	81.02	88.53
Resnet V2 Awal R-CNN Lebih Cepat	68.60	86.62	82.10
R-FCN Resnet 101	60.37	82.03	79.56
SSD Mobilenet	22.13	55.32	82.06
SSD Awal V2	26.85	64.71	78.76
YOLO V2	42.93	78,99	75.67

Berjalan pada gambar baru

Kami menyediakan Notebook Jupyter dengan instruksi untuk menjalankan model terlatih kami pada gambar baru.

Pelatihan

File konfigurasi yang diperlukan untuk melatih model kami disertakan dalam setiap file zip yang dapat Anda unduh dari bagian model terlatih. Perubahan minimal telah dilakukan pada kode sumber dasar tensorflow dan darkflow sehingga Anda dapat mereproduksi hasil kami menggunakan versi terakhir dari repositori yang disebutkan di atas. Misalnya, untuk melatih model SDD Mobilenet Anda dapat menjalankan baris perintah berikut:

 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/

Evaluasi

Kami menyediakan Notebook Jupyter dengan instruksi untuk mengevaluasi hasil yang diperoleh model terlatih kami.

Ucapan Terima Kasih

Kode sumber proyek ini sebagian besar didasarkan pada Tensorflow Object Detection API dan darkflow.