traffic sign detection

交通標識の検出

これは論文のコードです

交通標識検出システム用ディープニューラルネットワークの評価
アルバロ・アルコス＝ガルシア、フアン・アントニオ・アルバレス＝ガルシア、ルイス・M・ソリア＝モリージョ

この論文では、さまざまな特徴抽出器 (Resnet V1 50、Resnet V1 50、 Resnet V1 101、Inception V2、Inception Resnet V2、Mobilenet V1、および Darknet-19）。我々は、転移学習によって交通標識検出の問題領域に修正され、特に適応されたこれらの物体検出モデルの特性を調査することを目的としています。特に、Microsoft COCO データセットで事前トレーニングされた、公開されているさまざまな物体検出モデルは、ドイツの交通標識検出ベンチマーク データセットで微調整されています。これらのモデルの評価と比較には、平均平均精度 (mAP)、メモリ割り当て、実行時間、浮動小数点演算の数、モデルのパラメーターの数、交通標識の画像サイズの影響などの重要な指標が含まれます。

私たちは以下を提供します:

• いくつかの事前トレーニング済みモデル。
• 実験結果。
• 新しいイメージでモデルを実行するコードをテストします。
• モデルをトレーニングするための手順。
• モデルを評価するための手順。
• GTSDB TFRecord を作成するスクリプト。

このコードが研究に役立つと思われる場合は、引用してください。

 "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.

[リンク][ビブテックス]

要件

このプロジェクトは Tensorflow で実装されており、Tensorflow Object Detection API と darkflow という 2 つのリポジトリに基づいています。

事前訓練されたモデル

GTSDB データセットの TFRecord は Google ドライブからダウンロードできます。 gtsdb_dataフォルダーに解凍します。事前トレーニングされたモデルは Google ドライブからダウンロードできます。これらをmodelsフォルダーに解凍します。

• fast_rcnn_inception_resnet_v2_atrous
• fast_rcnn_inception_v2
• fast_rcnn_resnet_101
• fast_rcnn_resnet50
• rfcn_resnet101
• ssd_inception_v2
• ssd_mobilenet_v1
• yolo_v2 (2019/02/19更新: 欠落していたファイル「yolo_v2-50500.data-00000-of-00001」を追加)

結果

概要

私たちの調査結果は、より高速な R-CNN Inception Resnet V2 が最良の mAP を取得するのに対し、R-FCN Resnet 101 は精度と実行時間の間で最良のトレードオフを実現していることを示しています。 YOLO V2 と SSD Mobilenet は特筆に値します。前者は競合する精度の結果を達成し、2 番目に速い検出器であるのに対し、後者はメモリ消費量の点で最速かつ最軽量のモデルであるため、次のような環境での展開に最適です。モバイルおよび組み込みデバイス。

モデル	地図	パラメータ	フロップ	メモリ_mb	total_exec_millis	アクセラレータ_exec_millis	cpu_exec_millis
より高速な R-CNN Resnet 50	91.52	43337242	533575386662	5256.454615	104.0363553	75.93395395	28.10240132
より高速な R-CNN Resnet 101	95.08	62381593	625779295782	6134.705805	123.2729175	90.33714433	32.9357732
より高速な R-CNN インセプション V2	90.62	12891249	120621363525	2175.206857	58.53338971	38.76813971	19.76525
高速化された R-CNN インセプション Resnet V2	95.77	59412281	1837544257834	18250.446008	442.2206796	366.1586796	76062
R-FCN レスネット 101	95.15	64594585	269898731281	3509.75153	85.45207971	52.40321739	33.04886232
SSDモバイルネット	61.64	5572809	2300721483	94.696119	15.14525	4.021267857	11.12398214
SSD インセプション V2	66.10	13474849	7594247747	284.512918	23.74428378	9.393405405	14.35087838
ヨロV2	78.83	50588958	62780021160	1318.108256	21.4810122	18.13923171	3.341780488

画像サイズの比較

モデル	小さい	中くらい	大きい
より高速な R-CNN Resnet 50	53.57	86.95	86.72
より高速な R-CNN Resnet 101	70.89	94.17	88.87
より高速な R-CNN インセプション V2	56.72	81.02	88.53
高速化された R-CNN インセプション Resnet V2	68.60	86.62	82.10
R-FCN レスネット 101	60.37	82.03	79.56
SSDモバイルネット	22.13	55.32	82.06
SSD インセプション V2	26.85	64.71	78.76
ヨロV2	42.93	78.99	75.67

新しいイメージで実行する

新しいイメージで事前トレーニングされたモデルを実行する手順を記載した Jupyter Notebook を提供します。

トレーニング

モデルのトレーニングに必要な構成ファイルは、事前トレーニングされたモデルのセクションからダウンロードできる各 zip ファイル内に含まれています。 tensorflow と darkflow のベース ソース コードには最小限の変更が加えられているため、前述のリポジトリの最新バージョンを使用して結果を再現できるはずです。たとえば、SDD Mobilenet モデルをトレーニングするには、次のコマンド ラインを実行できます。

 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/

評価

事前トレーニングされたモデルによって得られた結果を評価するための手順を備えた Jupyter Notebook を提供します。

謝辞

このプロジェクトのソース コードは主に Tensorflow Object Detection API と darkflow に基づいています。