traffic sign detection

Обнаружение дорожных знаков

Это код бумаги

Оценка глубоких нейронных сетей для систем обнаружения дорожных знаков
Альваро Аркос-Гарсия, Хуан Антонио Альварес-Гарсия, Луис М. Сориа-Морильо

В статье рассматривается проблема обнаружения дорожных знаков, анализируя современное состояние нескольких систем обнаружения объектов (Faster R-CNN, R-FCN, SSD и YOLO V2) в сочетании с различными экстракторами функций (Resnet V1 50, Resnet V1 101, Inception V2, Inception Resnet V2, Mobilenet V1 и Darknet-19). Мы стремимся изучить свойства этих моделей обнаружения объектов, которые модифицированы и специально адаптированы к проблемной области обнаружения дорожных знаков посредством трансферного обучения. В частности, различные общедоступные модели обнаружения объектов, которые были предварительно обучены на наборе данных Microsoft COCO, дорабатываются на наборе данных German Traffic Sign Detection Benchmark. Оценка и сравнение этих моделей включают ключевые показатели, такие как средняя средняя точность (mAP), выделение памяти, время работы, количество операций с плавающей запятой, количество параметров модели и влияние размеров изображения дорожных знаков.

Мы обеспечиваем:

• Несколько предварительно обученных моделей.
• Результаты эксперимента.
• Тестовый код для запуска модели на новых изображениях.
• Инструкция по обучению вашей модели.
• Инструкция по оценке вашей модели.
• Скрипты для создания GTSDB TFRecords.

Если вы найдете этот код полезным в своих исследованиях, укажите:

 "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.

[ссылка][бибтекс]

Требования

Этот проект реализован в Tensorflow и основан на двух репозиториях: API обнаружения объектов Tensorflow и darkflow.

Предварительно обученные модели

Вы можете скачать TFRecords набора данных GTSDB с Google Диска. Разархивируйте его в папку gtsdb_data . Вы можете скачать предварительно обученные модели с Google Диска. Разархивируйте их в папку models .

• 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 (Обновлено 19.02.2019: добавлен отсутствующий файл «yolo_v2-50500.data-00000-of-00001»)

Результаты

Обзор

Наши результаты показывают, что Faster R-CNN Inception Resnet V2 обеспечивает лучший mAP, а R-FCN Resnet 101 обеспечивает лучший компромисс между точностью и временем выполнения. YOLO V2 и SSD Mobilenet заслуживают особого упоминания, поскольку первый обеспечивает конкурентоспособные результаты по точности и является вторым по скорости детектором, а второй является самой быстрой и легкой моделью с точки зрения потребления памяти, что делает ее оптимальным выбором для развертывания в мобильные и встраиваемые устройства.

модель	карта	параметры	проваливается	память_МБ	total_exec_millis	Accelerator_exec_millis	cpu_exec_millis
Более быстрый R-CNN Resnet 50	91,52	43337242	533575386662	5256.454615	104.0363553	75.93395395	28.10240132
Быстрее R-CNN Resnet 101	95.08	62381593	625779295782	6134.705805	123,2729175	90.33714433	32.9357732
Более быстрое начало R-CNN V2	90,62	12891249	120621363525	2175.206857	58.53338971	38.76813971	19,76525
Более быстрый запуск R-CNN Resnet V2	95,77	59412281	1837544257834	18250.446008	442.2206796	366.1586796	76062
R-FCN Реснет 101	95,15	64594585	269898731281	3509.75153	85.45207971	52.40321739	33.04886232
SSD Мобилнет	61,64	5572809	2300721483	94,696119	15.14525	4.021267857	11.12398214
Начало SSD V2	66.10	13474849	7594247747	284.512918	23.74428378	9.393405405	14.35087838
ЙОЛО V2	78,83	50588958	62780021160	1318.108256	21.4810122	18.13923171	3.341780488

Сравнение размеров изображений

модель	маленький	середина	большой
Более быстрый R-CNN Resnet 50	53,57	86,95	86,72
Быстрее R-CNN Resnet 101	70,89	94,17	88,87
Более быстрое начало R-CNN V2	56,72	81.02	88,53
Более быстрый запуск R-CNN Resnet V2	68,60	86,62	82.10
R-FCN Реснет 101	60,37	82.03	79,56
SSD Мобилнет	22.13	55,32	82.06
Начало SSD V2	26.85	64,71	78,76
ЙОЛО V2	42,93	78,99	75,67

Запуск новых изображений

Мы предоставляем блокнот Jupyter с инструкциями по запуску предварительно обученных моделей на новых изображениях.

Обучение

Файлы конфигурации, необходимые для обучения наших моделей, включены в каждый zip-файл, который вы можете загрузить из раздела предварительно обученных моделей. В базовый исходный код tensorflow и darkflow были внесены минимальные изменения, поэтому вы сможете воспроизвести наши результаты, используя последние версии вышеупомянутых репозиториев. Например, для обучения модели SDD Mobilenet вы можете запустить следующие командные строки:

 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/

Оценка

Мы предоставляем Jupyter Notebook с инструкциями для оценки результатов, полученных с помощью наших предварительно обученных моделей.

Благодарности

Исходный код этого проекта в основном основан на API обнаружения объектов Tensorflow и darkflow.