Reconnaissance des panneaux de signalisation de l'environnement routier réel -
détection de points cibles de réseau neuronal auto-entraîné
Tutoriel vidéo 42 - Formation à la détection de cibles de réseau neuronal sur les panneaux de signalisation de l'environnement routier réel : https://singtown.com/learn/50918/
Le code, les modèles et les ensembles de données se trouvent tous sur : https://github.com/SingTown/Traffic-Sign-FOMO
Étapes chinoises : https://github.com/SingTown/Traffic-Sign-FOMO/blob/main/README-CN.md
Au total, deux modèles ont été formés
Le premier modèle : la résolution pendant l'entraînement est de 128*128, utilisant l'apprentissage par transfert MobilNetV2 0.35, score S1 92 %, la fréquence d'images en cours d'exécution est d'environ 9 images et ne peut fonctionner que sur OpenMV4 Plus. (OpenMV4 n'a pas assez de mémoire)
Le deuxième modèle : la résolution pendant la formation est de 96*96, utilisant l'apprentissage par transfert MobilNetV2 0.35, le score S1 de 91 %, la fréquence d'images en cours d'exécution est d'environ 12 images, l'utilisation maximale de la RAM est de 244 Ko et peut fonctionner sur OpenMV4 et OpenMV4 Plus.
Site de formation en ligne EdgeImpulse du partenaire OpenMV : https://www.edgeimpulse.com/
Avis :
- Il existe deux modèles au total. S'il s'agit d'OpenMV4, vous ne pouvez utiliser que ce petit modèle entraîné avec une résolution de 96*96. De plus, les deux modèles sont disponibles.
- Il y a cinq dossiers dans l'ensemble de données : interdiction de stationnement x, pas de sirènes n, limitation de vitesse 80, interdiction d'entrée et images de test. Dans le modèle et le didacticiel actuels, nous avons uniquement utilisé l'ensemble de données No Parking.
- J'ai seulement marqué les trois objectifs des panneaux d'interdiction de stationnement tels que la limite de vitesse 80 et la limite de vitesse 60. Vous pouvez également ajouter des étiquettes pour entraîner de nouvelles cibles telles que la limite de vitesse 60, etc.
- Remerciements ——Source de l'ensemble de données réelles sur les panneaux de signalisation de l'environnement routier en Chine (Institut d'automatisation, Académie chinoise des sciences) : http://www.nlpr.ia.ac.cn/pal/trafficdata/detection.html