Распознавание дорожных знаков #актуальная дорожная среда - обнаружение целевой точки самообучающейся нейронной сети
Видеоурок 42. Обучение нейронной сети обнаружению целей Фактические дорожные знаки: https://singtown.com/learn/50918/
Код, модели и наборы данных находятся по адресу: https://github.com/SingTown/Traffic-Sign-FOMO
Китайские шаги: https://github.com/SingTown/Traffic-Sign-FOMO/blob/main/README-CN.md
Всего было обучено две модели
Первая модель: разрешение во время обучения составляет 128*128, с использованием передачи обучения MobilNetV2 0,35, S1 Score 92%, рабочая частота кадров составляет около 9 кадров, и может работать только на OpenMV4 Plus. (OpenMV4 не хватает памяти)
Вторая модель: разрешение во время обучения составляет 96*96, используется передача обучения MobilNetV2 0,35, показатель S1 91%, рабочая частота кадров составляет около 12 кадров, пиковое использование оперативной памяти составляет 244 КБ, и может работать на OpenMV4 и OpenMV4 Plus.
Веб-сайт онлайн-обучения EdgeImpulse, партнера OpenMV: https://www.edgeimpulse.com/
Уведомление:
- Всего есть две модели. Если это OpenMV4, вы можете использовать только эту небольшую модель, обученную с разрешением 96*96. Плюс обе модели доступны.
- В наборе данных есть пять папок: парковка запрещена x, сирены запрещены n, ограничение скорости 80, вход запрещен и тестовые изображения. В реальной модели и учебном пособии мы использовали только набор данных «Парковка запрещена».
- Я отметил только три цели знаков запрета парковки, такие как ограничение скорости 80 и ограничение скорости 60, которые могут быть ошибочно определены. Вы также можете добавить метки для тренировки новых целей, таких как ограничение скорости 60 и т. д.
- Благодарности – Источник фактического набора данных о дорожных знаках Китая (Институт автоматизации Китайской академии наук): http://www.nlpr.ia.ac.cn/pal/trafficdata/detection.html