実際の道路環境における交通標識認識 - 自己学習によるニューラルネットワーク物体検出
ビデオチュートリアル42 - 実際の道路環境における交通標識のニューラルネットワークターゲット検出トレーニング: https://singtown.com/learn/50918/
コード、モデル、データセットはすべて以下にあります: https://github.com/SingTown/Traffic-Sign-FOMO
中国語での手順: https://github.com/SingTown/Traffic-Sign-FOMO/blob/main/README-CN.md
合計2つのモデルをトレーニングしました。
1つ目のモデル: トレーニング時の解像度は128*128で、MobilNetV2 0.35の転移学習を使用しています。S1スコアは92%、実行フレームレートは約9フレームで、OpenMV4 Plusでのみ動作します。（OpenMV4はメモリが不足しています）
2つ目のモデル: トレーニング時の解像度は96*96で、MobilNetV2 0.35の転移学習を使用しています。S1スコアは91%、実行フレームレートは約12フレーム、ピーク時のRAM使用量は244KBで、OpenMV4およびOpenMV4 Plusの両方で実行できます。
OpenMVのパートナーであるEdgeImpulseのオンライントレーニングサイト: https://www.edgeimpulse.com/
注意:
- モデルは合計2つあります。OpenMV4の場合は、96*96解像度でトレーニングされたこの小さいほうのモデルのみ使用できます。Plusではどちらのモデルも使用できます。
- データセットには、駐車禁止x、クラクション禁止n、制限速度80、進入禁止-、テスト画像の5つのフォルダが含まれています。実際のモデルとチュートリアルで使用したのは、駐車禁止x、クラクション禁止n、制限速度80、テスト画像のみです。進入禁止-についてはラベル付けおよびトレーニングを行ったデータセットがありません。進入禁止-のラベル付けとトレーニングを行うかどうかは自由に選択できます。
- ラベル付けを行ったのは、駐車禁止x、クラクション禁止n、制限速度80の3つのターゲットのみです。データセット内のその他の標識（制限速度60、制限速度30、進入禁止など）についてはラベル付けおよびトレーニングを行っていません。制限速度80と制限速度60のように類似した標識は誤認識される可能性があります。制限速度60など、新しいターゲットについては自分でアノテーションを追加してトレーニングすることもできます。
- 謝辞 - 中国の実際の道路環境交通標識データセットの提供元（中国科学院自動化研究所）: http://www.nlpr.ia.ac.cn/pal/trafficdata/detection.html