真实交通标志变化对 YOLOv7 目标识别模型的影响
该研究项目旨在开发一个实时交通标志检测系统,使用 YOLOv5 架构并在郊区社区中进行高效的交通标志识别。项目的主要目标是在多样化的交通标志图像数据集上训练 YOLOv5 模型,并在适用于实时推断的硬件平台上部署该模型。该系统利用训练有素的 YOLOv5 模型,能够从车辆内部仪表盘上的实时摄像头中检测和分类交通标志。部署系统的性能将基于其交通标志检测的准确性、实时处理速度和整体可靠性进行评估。在郊区社区的案例研究中,该系统在检测交通标志方面显示出显著的 96% 准确率。该研究的发现有潜力通过提供及时准确的实时交通标志信息来改善道路安全和交通管理,并为自动驾驶的进一步研究铺平道路。
Oct, 2023
本文使用了改进的 YOLOv5 和 YOLOv8 模型,在不同照明条件下检测和分类不同的道路标志,实验结果表明,两个模型在不同训练设置下都能表现良好,其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。
Jun, 2024
我们提出了基于 YOLOv5s 的改进目标检测方法 MFL-YOLO(互补特征级别损失增强 YOLO),通过设计简单的跨级别损失函数,使得模型的每个级别都具有自己的作用,有助于学习更多多样化的特征并提高细粒度。相比 YOLOv5s,我们的 MFL-YOLO 在 F1 得分和 mAP 上分别提高了 4.3 和 5.1,同时减少了 8.9% 的 FLOPs。Grad-CAM 热图可视化显示我们的模型能更好地关注损坏交通标志的局部细节。此外,我们还对 CCTSDB2021 和 TT100K 进行了实验证明我们模型的泛化性。
Sep, 2023
通过应用改进的 MIRNet 模型和 Yolov4 模型,本文解决了低光、噪声和模糊条件下交通标志识别的挑战,并在 GTSRB 数据集上获得了 96.75% 的整体 [email protected],对于广泛类别的 GTSDB 数据集达到了 100% 的 [email protected],与最先进的方法相当。
Aug, 2023
本文研究并实施了流行的对抗性攻击,对 YOLOv5 目标检测算法进行了调查。研究探讨了在交通和道路标志检测的背景下,不同类型的攻击(包括 L-BFGS、FGSM、C&W,BIM,PGD,One Pixel,和通用对抗扰动攻击)对 YOLOv5 检测准确率的影响。结果表明,YOLOv5 容易受到这些攻击的影响,误分类的率随着扰动幅度的增加而增加。此外,本文使用显著性图解释了结果。该研究的发现对交通和运输系统中用于目标检测的算法的安全和可靠性具有重要的意义,强调了需要更加健壮和安全的模型以确保其在实际应用中的有效性。
May, 2023
在道路基础设施维护和保障道路安全中,有效检测道路危险是至关重要的。本研究评估了 YOLOv8,一种物体检测模型,在检测路面危险,如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本 YOLOv5 和 YOLOv7 的比较分析,强调了计算效率在各种应用中的重要性。本文探讨了 YOLOv8 的架构,并探索了旨在提高检测准确性的图像预处理技术,包括光照、道路类型、危险大小和类型的多样条件。此外,通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验,优化模型的性能。模型评估基于 Mean Average Precision (mAP),这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算 mAP 分数,本研究评估了模型的稳健性和泛化能力,强调了 YOLOv8 在道路危险检测和基础设施维护中的重要性。
Oct, 2023
该研究通过定义交通信号关注度属性,构建了包含该属性注释的第一个交通信号数据集 LAVA Salient Signs Dataset,并使用定制的关注度损失函数 Salience-Sensitive Focal Loss 训练变形 DETR 目标检测模型,以强调更好的关注度表现,结果表明,使用 Salience-Sensitive Focal Loss 训练的模型较未使用该训练方式的模型,在检测关注度高信号和所有信号的召回率方面表现更好,并且对于关注度高信号与所有信号的性能差距最大。
Jan, 2023
深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法,本文通过实现并评估七种不同的 YOLO 目标检测模型(YOLO-NAS,YOLOv8,YOLOv7,YOLOv6 和 YOLOv5)来分析这些模型在道路和人行道上常见物体的图像上的表现,并发现 YOLOv8 是最佳模型,其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率,尽管 YOLO-NAS 是最新的模型,在其他应用中表现更好,但对于障碍物检测任务来说并不理想。
Dec, 2023
通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本,我们的研究项目旨在创建和验证一个先进的深度学习框架,能够处理复杂视觉输入,以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的,在行人识别方面具有很高的准确性和鲁棒性。研究结果表明,该模型能够显著提高交通监控和安全性,成为计算机视觉领域实时可靠检测的重要贡献,并为交通管理系统建立了新的基准。
Apr, 2024