traffic sign detection

交通标志检测

这是论文的代码

交通标志检测系统深度神经网络的评估
阿尔瓦罗·阿尔科斯-加西亚、胡安·安东尼奥·阿尔瓦雷斯-加西亚、路易斯·M·索里亚-莫里洛

本文解决了交通标志检测问题，分析了几种目标检测系统（Faster R-CNN、R-FCN、SSD 和 YOLO V2）的最新技术，并结合了各种特征提取器（Resnet V1 50、 Resnet V1 101、Inception V2、Inception Resnet V2、Mobilenet V1 和 Darknet-19）。我们的目标是探索这些对象检测模型的属性，这些模型通过迁移学习进行修改并专门适应交通标志检测问题领域。特别是，在 Microsoft COCO 数据集上预训练的各种公开可用的对象检测模型在德国交通标志检测基准数据集上进行了微调。这些模型的评估和比较包括关键指标，例如平均精度（mAP）、内存分配、运行时间、浮点运算数量、模型参数数量以及交通标志图像尺寸的影响。

我们提供：

• 几个预训练模型。
• 实验结果。
• 测试代码以在新图像上运行模型。
• 训练模型的说明。
• 评估模型的说明。
• 创建 GTSDB TFRecord 的脚本。

如果您发现此代码对您的研究有用，请引用：

 "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.

[链接][bibtex]

要求

该项目是在 Tensorflow 中实现的，它基于两个存储库：Tensorflow 对象检测 API 和 darkflow。

预训练模型

您可以从 Google Drive 下载 GTSDB 数据集的 TFRecords。将其解压缩到gtsdb_data文件夹。您可以从 Google Drive 下载预先训练的模型。将它们解压缩到models文件夹。

• fast_rcnn_inception_resnet_v2_atrous
• fast_rcnn_inception_v2
• fast_rcnn_resnet_101
• fast_rcnn_resnet50
• rfcn_resnet101
• ssd_inception_v2
• SSD_移动网络_v1
• yolo_v2（更新于 19/02/2019：添加缺失文件“yolo_v2-50500.data-00000-of-00001”）

结果

概述

我们的研究结果表明，Faster R-CNN Inception Resnet V2 获得了最佳 mAP，而 R-FCN Resnet 101 在准确性和执行时间之间实现了最佳权衡。 YOLO V2 和 SSD Mobilenet 值得特别一提，前者实现了有竞争力的准确率结果，是第二快的检测器，而后者是内存消耗最快、最轻的模型，使其成为部署在移动和嵌入式设备。

模型	地图	参数	失败	内存_mb	总执行毫秒数	Accelerator_exec_millis	cpu_exec_millis
更快的 R-CNN Resnet 50	91.52	43337242	533575386662	5256.454615	104.0363553	75.93395395	28.10240132
更快的 R-CNN Resnet 101	95.08	62381593	625779295782	6134.705805	123.2729175	90.33714433	32.9357732
更快的 R-CNN Inception V2	90.62	12891249	120621363525	2175.206857	58.53338971	38.76813971	19.76525
更快的 R-CNN Inception Resnet V2	95.77	59412281	1837544257834	18250.446008	442.2206796	366.1586796	76062
R-FCN 重网 101	95.15	64594585	269898731281	3509.75153	85.45207971	52.40321739	33.04886232
SSD移动网络	61.64	5572809	2300721483	94.696119	15.14525	4.021267857	11.12398214
SSD Inception 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

图像尺寸比较

模型	小的	中等的	大的
更快的 R-CNN Resnet 50	53.57	86.95	86.72
更快的 R-CNN Resnet 101	70.89	94.17	88.87
更快的 R-CNN Inception V2	56.72	81.02	88.53
更快的 R-CNN Inception Resnet V2	68.60	86.62	82.10
R-FCN 重网 101	60.37	82.03	79.56
SSD移动网络	22.13	55.32	82.06
SSD Inception V2	26.85	64.71	78.76
YOLO V2	42.93	78.99	75.67

在新图像上运行

我们提供了一个 Jupyter Notebook，其中包含在新图像上运行预训练模型的说明。

训练

训练模型所需的配置文件包含在每个 zip 文件中，您可以从预训练模型部分下载该文件。对tensorflow和darkflow的基本源代码进行了最小的更改，因此您应该能够使用上述存储库的最新版本重现我们的结果。例如，要训练 SDD Mobilenet 模型，您可以运行以下命令行：

 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/

评估

我们提供了一个 Jupyter Notebook，其中包含评估我们预训练模型获得的结果的说明。

致谢

该项目的源码主要基于Tensorflow对象检测API和darkflow。