traffic sign detection 다운로드 - traffic sign detection 소스코드 다운로드

traffic sign detection

AI 소스 코드

1.0.0

다운로드

교통표지판 감지

이것은 종이에 대한 코드입니다

교통 표지판 감지 시스템을 위한 심층 신경망 평가
알바로 아르코스-가르시아, 후안 안토니오 알바레스-가르시아, 루이스 M. 소리아-모리요

이 논문은 다양한 특징 추출기(Resnet V1 50, Resnet V1 101, Inception V2, Inception Resnet V2, Mobilenet V1 및 Darknet-19). 우리는 전이 학습을 통해 교통 표지판 감지 문제 영역에 맞게 수정되고 특별히 조정된 이러한 객체 감지 모델의 속성을 탐색하는 것을 목표로 합니다. 특히, Microsoft COCO 데이터 세트에서 사전 훈련된 공개적으로 사용 가능한 다양한 객체 감지 모델은 독일 교통 표지판 감지 벤치마크 데이터 세트에서 미세 조정되었습니다. 이러한 모델의 평가 및 비교에는 평균 평균 정밀도(mAP), 메모리 할당, 실행 시간, 부동 소수점 연산 수, 모델 매개변수 수, 교통 표지판 이미지 크기 효과와 같은 주요 지표가 포함됩니다. Detection example

우리는 다음을 제공합니다:

여러 사전 훈련된 모델.
실험 결과.
새 이미지에서 모델을 실행하는 테스트 코드입니다.
모델 학습 지침
모델을 평가하기 위한 지침입니다.
GTSDB TFRecord를 생성하는 스크립트입니다.

이 코드가 연구에 유용하다고 생각되면 다음을 인용해 주세요.

 "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.

[링크][빕텍스]

요구사항

이 프로젝트는 Tensorflow에서 구현되며 Tensorflow ObjectDetection API와 darkflow라는 두 가지 저장소를 기반으로 합니다.

사전 학습된 모델

Google Drive에서 GTSDB 데이터세트의 TFRecord를 다운로드할 수 있습니다. gtsdb_data 폴더에 압축을 풀어주세요. Google Drive에서 사전 훈련된 모델을 다운로드할 수 있습니다. models 폴더에 압축을 풀어주세요.

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(2019년 2월 19일 업데이트: 누락된 파일 'yolo_v2-50500.data-00000-of-00001' 추가)

결과

개요

우리의 연구 결과에 따르면 Faster R-CNN Inception Resnet V2는 최고의 mAP를 얻는 반면, R-FCN Resnet 101은 정확도와 실행 시간 사이에서 최고의 균형을 유지합니다. YOLO V2와 SSD Mobilenet은 전자가 경쟁력 있는 정확도 결과를 달성하고 두 번째로 빠른 탐지기라는 점에서 특별히 언급할 가치가 있습니다. 반면 후자는 메모리 소비 측면에서 가장 빠르고 가벼운 모델이므로 배포를 위한 최적의 선택이 됩니다. 모바일 및 임베디드 장치.

모델	지도	매개변수	슬리퍼	memory_mb	total_exec_millis	accelerator_exec_millis	CPU_exec_millis
더 빠른 R-CNN Resnet 50	91.52	43337242	533575386662	5256.454615	104.0363553	75.93395395	28.10240132
더 빠른 R-CNN Resnet 101	95.08	62381593	625779295782	6134.705805	123.2729175	90.33714433	32.9357732
더 빠른 R-CNN 시작 V2	90.62	12891249	120621363525	2175.206857	58.53338971	38.76813971	19.76525
더 빠른 R-CNN Inception Resnet V2	95.77	59412281	1837544257834	18250.446008	442.2206796	366.1586796	76062
R-FCN 레즈넷 101	95.15	64594585	269898731281	3509.75153	85.45207971	52.40321739	33.04886232
SSD 모바일넷	61.64	5572809	2300721483	94.696119	15.14525	4.021267857	11.12398214
SSD 인셉션 V2	66.10	13474849	7594247747	284.512918	23.74428378	9.393405405	14.35087838
욜로 V2	78.83	50588958	62780021160	1318.108256	21.4810122	18.13923171	3.341780488

Results plot

이미지 크기 비교

모델	작은	중간	크기가 큰
더 빠른 R-CNN Resnet 50	53.57	86.95	86.72
더 빠른 R-CNN Resnet 101	70.89	94.17	88.87
더 빠른 R-CNN 시작 V2	56.72	81.02	88.53
더 빠른 R-CNN Inception Resnet V2	68.60	86.62	82.10
R-FCN 레즈넷 101	60.37	82.03	79.56
SSD 모바일넷	13.22	55.32	82.06
SSD 인셉션 V2	26.85	64.71	78.76
욜로 V2	42.93	78.99	75.67

mAP vs image size

새 이미지에서 실행

우리는 새로운 이미지에 대해 사전 훈련된 모델을 실행하기 위한 지침이 포함된 Jupyter Notebook을 제공합니다.

훈련

모델을 훈련시키는 데 필요한 구성 파일은 사전 훈련된 모델 섹션에서 다운로드할 수 있는 각 zip 파일에 포함되어 있습니다. tensorflow 및 darkflow의 기본 소스 코드가 최소한으로 변경되었으므로 앞서 언급한 저장소의 마지막 버전을 사용하여 결과를 재현할 수 있어야 합니다. 예를 들어, SDD Mobilenet 모델을 훈련하려면 다음 명령행을 실행할 수 있습니다.

 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/