traffic sign detection

การตรวจจับเครื่องหมายจราจร

นี่คือรหัสสำหรับกระดาษ

การประเมินโครงข่ายประสาทเชิงลึกสำหรับระบบตรวจจับสัญญาณจราจร
Álvaro Arcos-García, Juan Antonio Álvarez-García, Luis M. Soria-Morillo

บทความนี้กล่าวถึงปัญหาการตรวจจับป้ายจราจรโดยวิเคราะห์ความล้ำสมัยของระบบตรวจจับวัตถุต่างๆ (Faster R-CNN, R-FCN, SSD และ YOLO V2) รวมกับตัวแยกคุณสมบัติต่างๆ (Resnet V1 50, Resnet V1 101, Inception V2, Inception Resnet V2, Mobilenet V1 และ Darknet-19) เรามุ่งหวังที่จะสำรวจคุณสมบัติของแบบจำลองการตรวจจับวัตถุเหล่านี้ ซึ่งได้รับการดัดแปลงและปรับให้เข้ากับขอบเขตปัญหาการตรวจจับเครื่องหมายจราจรโดยเฉพาะโดยการถ่ายโอนการเรียนรู้ โดยเฉพาะอย่างยิ่ง โมเดลการตรวจจับวัตถุที่เปิดเผยต่อสาธารณะต่างๆ ที่ได้รับการฝึกอบรมล่วงหน้าในชุดข้อมูล Microsoft COCO ได้รับการปรับแต่งอย่างละเอียดในชุดข้อมูลเกณฑ์มาตรฐานการตรวจจับป้ายจราจรของเยอรมัน การประเมินและการเปรียบเทียบโมเดลเหล่านี้ประกอบด้วยตัวชี้วัดที่สำคัญ เช่น ความแม่นยำเฉลี่ยเฉลี่ย (mAP) การจัดสรรหน่วยความจำ เวลาทำงาน จำนวนการดำเนินการจุดลอยตัว จำนวนพารามิเตอร์ของโมเดล และผลกระทบของขนาดภาพป้ายจราจร

เราให้บริการ:

• รุ่นที่ฝึกไว้ล่วงหน้าหลายแบบ
• ผลการทดลอง
• ทดสอบโค้ดเพื่อรันโมเดลกับอิมเมจใหม่
• คำแนะนำในการฝึกโมเดลของคุณ
• คำแนะนำในการประเมินแบบจำลองของคุณ
• สคริปต์เพื่อสร้าง GTSDB TFRecords

หากคุณพบว่าโค้ดนี้มีประโยชน์ในการวิจัยของคุณ โปรดอ้างอิง:

 "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.

[ลิงค์][บิบเท็กซ์]

ความต้องการ

โปรเจ็กต์นี้นำไปใช้ใน Tensorflow และอิงตามที่เก็บ 2 แห่ง: Tensorflow Object Detection API และ darkflow

โมเดลที่ได้รับการฝึกล่วงหน้า

คุณสามารถดาวน์โหลด TFRecords ของชุดข้อมูล GTSDB ได้จาก Google Drive แตกไฟล์ไปที่โฟลเดอร์ gtsdb_data คุณสามารถดาวน์โหลดโมเดลก่อนการฝึกได้จาก Google Drive แตกไฟล์เหล่านั้นไปยังโฟลเดอร์ models

• เร็วขึ้น_rcnn_inception_resnet_v2_arous
• เร็วขึ้น_rcnn_inception_v2
• เร็วขึ้น_rcnn_resnet_101
• เร็วขึ้น_rcnn_resnet50
• rfcn_resnet101
• ssd_inception_v2
• ssd_mobilenet_v1
• yolo_v2 (อัปเดตเมื่อ 19/02/2019: เพิ่มไฟล์ที่หายไป 'yolo_v2-50500.data-00000-of-00001')

ผลลัพธ์

ภาพรวม

การค้นพบของเราแสดงให้เห็นว่า R-CNN Inception Resnet V2 ที่เร็วขึ้นได้รับ mAP ที่ดีที่สุด ในขณะที่ R-FCN Resnet 101 จะให้การแลกเปลี่ยนที่ดีที่สุดระหว่างความแม่นยำและเวลาดำเนินการ YOLO V2 และ SSD Mobilenet ได้รับการยกย่องเป็นพิเศษ โดยรุ่นแรกได้รับผลลัพธ์ที่แม่นยำในการแข่งขันและเป็นเครื่องตรวจจับที่เร็วที่สุดเป็นอันดับสอง ในขณะที่รุ่นหลังเป็นรุ่นที่เร็วและเบาที่สุดในแง่ของการใช้หน่วยความจำ ทำให้เป็นตัวเลือกที่เหมาะสมที่สุดสำหรับการปรับใช้ใน อุปกรณ์เคลื่อนที่และอุปกรณ์ฝังตัว

แบบอย่าง	แผนที่	พารามิเตอร์	ล้มเหลว	memory_mb	Total_exec_millis	accelerator_exec_millis	cpu_exec_millis
R-CNN Resnet 50 ที่เร็วขึ้น	91.52	43337242	533575386662	5256.454615	104.0363553	75.93395395	28.10240132
R-CNN Resnet 101 ที่เร็วขึ้น	95.08	62381593	625779295782	6134.705805	123.2729175	90.33714433	32.9357732
R-CNN Inception V2 ที่เร็วขึ้น	90.62	12891249	120621363525	2175.206857	58.53338971	38.76813971	19.76525
R-CNN Inception Resnet V2 ที่เร็วขึ้น	95.77	59412281	1837544257834	18250.446008	442.2206796	366.1586796	76062
R-FCN เรสเน็ต 101	95.15	64594585	269898731281	3509.75153	85.45207971	52.40321739	33.04886232
SSD มือถือเน็ต	61.64	5572809	2300721483	94.696119	15.14525	4.021267857	11.12398214
SSD การเริ่มต้น V2	66.10	13474849	7594247747	284.512918	23.74428378	9.393405405	14.35087838
โยโล V2	78.83	50588958	62780021160	1318.108256	21.4810122	18.13923171	3.341780488

การเปรียบเทียบขนาดภาพ

แบบอย่าง	เล็ก	ปานกลาง	ใหญ่
R-CNN Resnet 50 ที่เร็วขึ้น	53.57	86.95	86.72
R-CNN Resnet 101 ที่เร็วขึ้น	70.89	94.17	88.87
R-CNN Inception V2 ที่เร็วขึ้น	56.72	81.02	88.53
R-CNN Inception Resnet V2 ที่เร็วขึ้น	68.60	86.62	82.10
R-FCN เรสเน็ต 101	60.37	82.03	79.56
SSD มือถือเน็ต	22.13	55.32	82.06
SSD การเริ่มต้น V2	26.85	64.71	78.76
โยโล V2	42.93	78.99	75.67

กำลังดำเนินการกับภาพใหม่

เรามอบคำแนะนำให้กับ Jupyter Notebook เพื่อเรียกใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้ากับอิมเมจใหม่

การฝึกอบรม

ไฟล์กำหนดค่าที่จำเป็นในการฝึกโมเดลของเราจะรวมอยู่ในไฟล์ ZIP แต่ละไฟล์ที่คุณสามารถดาวน์โหลดได้จากส่วนโมเดลที่ได้รับการฝึกล่วงหน้า มีการเปลี่ยนแปลงเล็กน้อยกับซอร์สโค้ดพื้นฐานของ tensorflow และ darkflow ดังนั้นคุณจึงควรทำซ้ำผลลัพธ์ของเราโดยใช้เวอร์ชันล่าสุดของที่เก็บข้อมูลข้างต้น ตัวอย่างเช่น ในการฝึกโมเดล SDD Mobilenet คุณสามารถเรียกใช้บรรทัดคำสั่งต่อไปนี้:

 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/

การประเมิน

เรามีคำแนะนำใน Jupyter Notebook เพื่อประเมินผลลัพธ์ที่ได้รับจากโมเดลที่ผ่านการฝึกอบรมมาแล้วของเรา

รับทราบ

ซอร์สโค้ดของโปรเจ็กต์นี้อิงตาม Tensorflow Object Detection API และ darkflow เป็นหลัก