基于 YOLOv8 的车辆速度检测系统:提升都市区域的道路安全和交通管理
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
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
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
本论文提出了一种在交通监控应用中实现交通事故检测的高效框架,包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪,以及轨迹冲突分析的事故检测,并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。
Aug, 2022
利用计算机视觉和机器学习的方法,本研究论文展示了如何创建强大的算法以识别不同的交通违规行为,包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头,本研究应用 YOLOv5 算法的检测模块来识别交通参与者,如汽车、行人和交通标志,以及 strongSORT 算法进行连续帧间追踪。进一步,通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为,同时,识别模块提取车辆 ID 信息(如车牌号),生成违规通知并发送给相关部门。
Nov, 2023
本文提出一种基于 Ghost-YOLOv7 的轻量级车辆检测算法,该算法的宽度为 0.5,而且使用 Ghost convolution 替换了骨干网络的标准卷积以实现轻量级化、提高检测速度,进而增强了特征提取能力、丰富了语义信息并提高了检测准确度。同时,引入坐标注意力机制来抑制环境干扰。该算法的实验表明,相较于原有算法,检测速度提高 27FPS,能够有效降低计算复杂度和参数数量,且在多项指标上表现更好,可用于智能交通系统。
Apr, 2023
本研究提出了一种可以实时辅助驾驶员超车的系统,结合 YOLO 算法和立体视觉技术精确识别和定位前方车辆并估算其距离,再使用彩色灯光通知后续车辆安全超车距离,实验结果表明该系统精度可达误差率 4.107%,具有减少事故风险,提高道路行车安全的潜力。
Apr, 2023
自主导航的成功依赖于稳健和精确的车辆识别,但由于特定地区车辆检测数据集的稀缺性,阻碍了上下文感知系统的发展。为了推进地面物体检测研究,本文提出了一个用于孟加拉国常见车辆类别的本土车辆检测数据集。该数据集包括 17 个不同的车辆类别,完全注释了 17326 张图像中的 81542 个实例,每个图像宽度至少为 1280px。结果表明,该数据集在意外场景上更加稳健,对地理、光照、车辆尺寸和朝向等因素进行了充分考虑。在考察本土车辆检测数据集的背景下,本文通过四种连续的 You Only Look Once (YOLO) 模型,即 YOLO v5、v6、v7 和 v8,对数据集的有效性进行了全面评估,并与已经使用的其他车辆数据集进行了对比。实验结果表明,BNVD 数据集在 50% 交并比下的平均精度为 0.848,相应的精确度和召回率分别为 0.841 和 0.774。研究发现表明,在 0.5 到 0.95 的交并比范围内,mAP 为 0.643。实验表明,BNVD 数据集可靠地代表了车辆分布,并呈现出相当复杂性。
May, 2024
疲劳驾驶检测技术基于 YOLOv8 深度学习模型的研究与应用,以有效预防为目标,通过详细讨论模型方法和技术,介绍不同数据集的处理方法和算法原理,致力于提供强大的技术解决方案,减少交通事故和保护生命。
Jun, 2024
基于新的神经网络模型(YOLOv5s-SE),以 DIoU 替换 IoU,嵌入 SE 注意力模块和使用相似三角形原理的距离估计方法,提出了一个基于距离估计的安全警告系统(DESWS)。此外,还提出了一种基于非参数检测的预测距离的安全建议方法,通过模拟实验证实了平均准确率提高了 5.5%,并实现了基于估计距离信息的安全建议目标。
Dec, 2023