Riconoscimento dei segnali stradali nell'ambiente stradale reale - Rilevamento
del punto target della rete neurale autoaddestrata
Tutorial video 42 - Formazione Rete neurale Rilevamento target Segnali stradali nell'ambiente stradale reale: https://singtown.com/learn/50918/
Codice, modelli e set di dati sono tutti su: https://github.com/SingTown/Traffic-Sign-FOMO
Passi cinesi: https://github.com/SingTown/Traffic-Sign-FOMO/blob/main/README-CN.md
Sono stati addestrati un totale di due modelli
Il primo modello: la risoluzione durante l'allenamento è 128*128, utilizzando l'apprendimento del trasferimento MobilNetV2 0,35, punteggio S1 92%, la frequenza dei fotogrammi in esecuzione è di circa 9 fotogrammi e può essere eseguito solo su OpenMV4 Plus. (OpenMV4 non ha memoria sufficiente)
Il secondo modello: la risoluzione durante l'allenamento è 96*96, utilizzando l'apprendimento del trasferimento MobilNetV2 0,35, punteggio S1 91%, la frequenza fotogrammi in esecuzione è di circa 12 fotogrammi, l'utilizzo massimo della RAM è 244 KB e può essere eseguito su OpenMV4 e OpenMV4 Plus.
Sito web di formazione online EdgeImpulse del partner OpenMV: https://www.edgeimpulse.com/
Avviso：
- Esistono due modelli in totale. Se è OpenMV4, puoi utilizzare solo questo piccolo modello addestrato con una risoluzione 96*96. Inoltre sono disponibili entrambi i modelli.
- Ci sono cinque cartelle nel set di dati: nessun parcheggio x, nessuna sirena n, limite di velocità 80, nessuna voce e immagini di prova. Nel modello e nel tutorial attuali, abbiamo utilizzato solo il set di dati di Divieto di sosta。
- Ho contrassegnato solo i tre obiettivi dei segnali di divieto di parcheggio, ad esempio il limite di velocità 80 e il limite di velocità 60, potrebbero essere riconosciuti erroneamente. Puoi anche aggiungere etichette per addestrare nuovi obiettivi come il limite di velocità 60, ecc.
- Ringraziamenti - Fonte del set di dati sui segnali stradali reali dell'ambiente stradale cinese (Istituto di automazione, Accademia cinese delle scienze): http://www.nlpr.ia.ac.cn/pal/trafficdata/detection.html