YOLOv3 车辆,行人,自行车检测
参考地址
https://github.com/ghimiredhikura/Complex-YOLOv3
(另有基于YOLOv4的https://github.com/maudzung/Complex-YOLOv4-Pytorch)
Requirements
numpy
torch=1.1
torchvision
tensorflow
terminaltables
tqdm
opencv-python
shapely
实测torch 1.2.0+cu92及tensorflow 2.3.0可运行
安装及测试
按照项目说明安装并运行test_both_side_detection.py即可进行测试,预研过程中并未发生异常
测试数据集替换
模型须要指定data/KITTI/object中的一个文件夹作为–folder的参数给出测试数据集,
并给出data/KITTI/ImageSets中的一个文件作为–split的参数给出具体测试样本的编号,
可参考data/KITTI/object/sampledata及data/KITTI/object/sample.txt
由于Complex-YOLO进行的是detection,其自带的sample也是KITTI的detection dataset,呈现结果时缺乏连续直观性
可考虑在KITTI的tracking dataset上进行测试:
- 下载http://www.cvlibs.net/datasets/kitti/eval_tracking.php的calib、velodyne、image_2
- 提取特定sequence作为测试数据,例如0019:
2.1 提取data_tracking_velodyne.zip的training/velodyne/0019为tracking/velodyne
2.2 提取data_tracking_image_2.zip的training/image_02/0019为tracking/image_2(不是02)
2.3 提取data_tracking_calib.zip的training/calib/0019.txt,将其中R_rect、Tr_velo_cam、Tr_imu_velo分别改成
R0_rect、Tr_velo_to_cam、Tr_imu_to_velo
2.4 修改并执行如下所示的代码:
import os
from shutil import copyfilesrc = "/mnt/43BFE6BAB7D5B0D9/KITTI_TMP/tracking/0019.txt" #0019.txt的位置
dst = "/mnt/43BFE6BAB7D5B0D9/KITTI_TMP/tracking/calib/" #先创建的tracking/calib文件夹#在tracking/calib中为sequence0019的每一帧创建calib文件,从000000开始编号
for i in range(1059): #1059为sequence0019的帧数name = '%06d'%i+'.txt'copyfile(src,dst+name)#生成放在ImageSets中的测试样本编号,这里为整个sequence0019
with open('/mnt/43BFE6BAB7D5B0D9/KITTI_TMP/tracking/track.txt','w') as f:for i in range(1059):f.writelines('%06d'%i+'\n')2.5 按照sampledata、sample.txt的方式,将tracking放到data/KITTI/object,track.txt放到ImageSets即可
效果评价
能同时识别car、pedestrian、cyclist,准确率和召回率都非常好,没有明显误判和漏判;
能够很好地捕捉目标的朝向;
因为逐帧detection效果很好,有做成tracking的潜质;
由于测试代码包含可视化部分,且GPU并未完全利用起来,测试过程中FPS较低(~3),尚不清楚模型本身的推断速度;
YOLOv3 车辆,行人,自行车检测相关推荐
- 【小白CV教程】YOLOv5+Deepsort实现车辆行人的检测、追踪和计数
[小白CV教程]YOLOv5+Deepsort实现车辆行人的检测.追踪和计数 本文禁止转载! 项目简介: YOLOv5检测器: DeepSort追踪器: 运行demo: 训练自己的模型: 调用接口: ...
- 基于yolov3的行人目标检测算法在图像和视频中识别检测
资源下载地址:https://download.csdn.net/download/sheziqiong/85772186 资源下载地址:https://download.csdn.net/downl ...
- 基于yolov5的车辆行人道路检测
一.数据集介绍 本实验使用自动驾驶的公开数据集BDD100K. 数据格式:BDD100K 数据集包含10万段高清视频,每个视频约40秒\720p\30 fps,总时间超过1,100小时.视频序 ...
- 复现yolov5+Deepsort实现车辆行人的检测、追踪和计数
源码地址: https://github.com/dyh/unbox_yolov5_deepsort_counting https://github.com/Sharpiless/Yolov5-dee ...
- 【车辆行人检测和跟踪数据集及代码汇总】
车辆行人检测和跟踪数据集和代码汇总 1. 车辆检测和跟踪 1.1 车辆检测数据集和训练权重 1.2 车辆跟踪 2. 行人检测和跟踪 2.1 行人检测数据集和训练权重 2.2行人多目标跟踪 3. 车辆行 ...
- 实时车辆行人多目标检测与跟踪系统-上篇(UI界面清新版,Python代码)
摘要:本文详细介绍如何利用深度学习中的YOLO及SORT算法实现车辆.行人等多目标的实时检测和跟踪,并利用PyQt5设计了清新简约的系统UI界面,在界面中既可选择自己的视频.图片文件进行检测跟踪,也可 ...
- 【单目3D目标检测】项目实战-道路车辆/行人3D目标检测
[单目3D目标检测]项目实战-道路车辆/行人3D目标检测 任务定义 传统激光雷达3D检测模型 VS 单目3D检测模型 单目3D目标检测优点 单目3D目标检测难点 数据集 KITTI数据集标注及网络输出 ...
- 车辆行人检测学习笔记
车辆行人检测学习笔记 1.目标检测&常见检测网络 目标检测:物体识别是要分辨出图片中有什么物体,输入是图片,输出是类别标签和概率.而目标检测不仅要检测图片中有什么物体,还要输出无异的外框(x, ...
- 自动驾驶(三十二)---------车辆行人识别
车辆行人识别传统的方法有很多,我记得以前大家喜欢搞HOG+SVM.XGboost等方法,但是深度学习出来之后,其他基本上就销声匿迹,所以现在基本上是深度学习一家独大. 目前市面上成熟的物体检测的模型有 ...
- 【模型训练】YOLOv7自行车检测
[YOLOv7&yolov5&yolov3]自行车检测 1.模型训练 2.模型验证 3.模型和数据集下载网盘链接 1.本项目采用YOLOv7算法实现对自行车检测识别,在1000多张自行 ...
最新文章
- 分布式系统互斥性与幂等性问题的分析与解决
- Python 技术篇-设置windows开机自动启用Jupyter服务,BAT批处理脚本启用jupyter服务设置,设置jupyter默认启动位置的方法
- ESP32的FLASH、NVS、SPIFFS、OTA等存储分布以及启动过程
- Java内部类的一些总结
- C语言学习之编写一个C程序,运行时输人abc三个值,输出其中值最大者。
- php外部对象如何使用方法,php面向对象全攻略 (三)特殊的引用“$this”的使用...
- 2020程序员人群洞察报告
- VC++中字符串编码的转换
- Akka定义Actors和消息《two》译
- plt.axvline
- 小马儿随笔(七)——综合布线的安装时代
- mongo的‘模糊匹配’
- java留言板_java实现简单留言板功能的代码实例
- 神策分析1.7重磅上线 三大功能直指精益数据分析
- 最小二乘法的曲线拟合
- 华硕笔记本很久没用开机后无法进入系统自动跳转bios界面的解决方法
- 文件岛 服务器大陆,重回文件岛《究极数码暴龙》奇遇系统解析
- 039.简单的文本编辑器
- 这特么是啥系列之----HSF求求你别秀了
- android APK瘦身全面总结——如何从32.6M到13.6M