位置: IT常识 - 正文

Python基于YOLOv5的交通标志识别系统[源码](yolo算法python代码)

编辑:rootadmin
Python基于YOLOv5的交通标志识别系统 1.图片演示:

推荐整理分享Python基于YOLOv5的交通标志识别系统[源码](yolo算法python代码),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:yolk python,python yolo,yolo算法python代码,yolov5 pycharm,yolk python,yolk python,python yolov4,yolov3 python,内容如对您有帮助,希望把文章链接给更多的朋友!

2.视频演示:

[项目分享]Python基于YOLOv5的交通标志识别系统[源码&技术文档&部署视频&数据集]_哔哩哔哩_bilibili

3.标注好的数据集:

4.YOLO网络的构建:

网络结构是首先用Focus将计算图长宽变为原先1/4, channel 数量乘4。再用bottlenectCSP 提取特征,个人理解 CSP 就是更多不同channel的融合吧。 然后再用maxpooling 下采样构建特征金字塔。下采样过每阶段与input cancatenate。 再对下采样产生的feature map 上采样,与backbone里相应的层融合。最后用detect层预测anchors。detect 层输出channel是 (class num + 5)* 每层每grid预测的anchor 数。num class是预测结果为每类的概率,5是anchor的 x, y, w, h 和是否为object的置信度。默认配置经过maxpooling 以后产生三个尺寸的feature map,每个feature map 经过上采样融合等操作后都会用来预测anchor,每个grid 预测三个anchor。比如yolov5 s 预测anchor 有80类。输出 x.shape=(bs, 3, 20, 20, 85)。

5.数据增强:

在深度学习领域,对于数据量的要求是巨大的,在CV领域,我们通过图像数据增强对现有图像数据进行处理来丰富图像训练集,这样可以有效的泛化模型,解决过拟合的问题。

Python基于YOLOv5的交通标志识别系统[源码](yolo算法python代码)

该博客提出的图像数据增强方式有旋转图像、裁剪图像、水平或垂直翻转图像,改变图像亮度等,为了方便训练模型,我们通常会对数据进行归一化或者标准化以及将图片大小设置为一样。

6.代码实现:

该博客代码写法上来值得注意的有这几处:

1 首先有 focus 层,对输入图片slice, 把feature map减小增加channel 后面计算速度会快。

2 构建模型(parse_model) 在yolo.py 里面,用一个数组(ch) 存储了每层的输出channel, 后续concatenate的时候很容易构成concatenate后输出的channel 数量。

3 对除了最后一层预测层外,每层output channel都检查是不是8的倍数,保证后续concate的时候不会出问题

4 common.py 里面是各种basic block, 除了bottlenect, CSP, concate层等,还有transformer 等层。

首先导入相关模块:

import tensorflow as tfimport numpy as npimport pandas as pd import cv2import matplotlib.pyplot as pltimport osfrom sklearn.model_selection import train_test_split

读取图片:target.txt的内容如下所示,前面对应图片名字,后面对应图片的类别

x=[]y=[]with open ('./target.txt','r') as f: for j,i in enumerate(f): path=i.split()[0] lable=i.split()[1] print('读取第%d个图片'%j,path,lable) src=cv2.imread('./suju/'+path) x.append(src) y.append(int(lable))

将数据归一化,并且划训练集和验证集

x=np.array(x)y=np.array(y)x.shape,y.shapey=y[:,None]x_train,x_test,y_train,y_test=train_test_split(x,y,stratify=y,random_state=0)#归一化x_train=x_train.astype('float32')/255x_test=x_test.astype('float32')/255y_train_onehot=tf.keras.utils.to_categorical(y_train)y_test_onehot=tf.keras.utils.to_categorical(y_test)

搭建网络模型

model=tf.keras.Sequential([ tf.keras.Input(shape=(80,80,3)), tf.keras.layers.Conv2D(filters=32,kernel_size=(3,3),padding='same',activation='relu'), tf.keras.layers.MaxPooling2D(pool_size=(2,2),strides=(2,2)), tf.keras.layers.Conv2D(filters=64,kernel_size=(3,3),padding='same',activation='relu'), tf.keras.layers.MaxPooling2D(pool_size=(2,2),strides=(2,2)), tf.keras.layers.Conv2D(filters=32,kernel_size=(3,3),padding='same',activation='relu'), tf.keras.layers.MaxPooling2D(pool_size=(2,2),strides=(2,2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(1000,activation='relu'), tf.keras.layers.Dropout(rate=0.5), tf.keras.layers.Dense(43,activation='softmax')])model.compile( loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])train_history=model.fit(x_train,y_train_onehot,batch_size=100,epochs=8,validation_split=0.2,verbose=1, )

画图显示模型的loss和acc

la=[str(i) for i in range(1,9)]def show(a,b,c,d): fig,axes=plt.subplots(1,2,figsize=(10,4)) axes[0].set_title('accuracy of train and valuation') axes[0].plot(la,train_history.history[a],marker='*') axes[0].plot(train_history.history[b],marker='*') axes[0].set_xlabel('epoch') axes[0].set_ylabel('accuracy') aa=round(train_history.history[a][7],2) bb=round(train_history.history[b][7],2) axes[0].text(la[7],train_history.history[a][7],aa,ha='center',va='bottom') axes[0].text(la[7],train_history.history[b][7],bb,ha='center',va='top') #axes[0].set_xticks(la,['as','asd',3,4,5,6,7,8])# for x1,y1 in zip(la,train_history.history[a]):# y1=round(y1,2)# axes[0].text(x1,y1,y1,ha='center',va='bottom',fontsize=10,c='b') axes[0].legend(['train_accuracy','val_accuracy']) axes[1].set_title('loss of train and valuation') axes[1].plot(la,train_history.history[c],marker='*') axes[1].plot(train_history.history[d],marker='*') axes[1].set_xlabel('epoch') axes[1].set_ylabel('loss') cc=round(train_history.history[c][7],2) dd=round(train_history.history[d][7],2) axes[1].text(la[7],train_history.history[c][7],cc,ha='center',va='top') axes[1].text(la[7],train_history.history[d][7],dd,ha='center',va='bottom') axes[1].legend(['train_loss', 'val_loss']) #axes[1].show()show('accuracy','val_accuracy','loss','val_loss')

保存模型

model.save('traffic_model2.h5')7.训练结果:

完整源码&环境部署视频教程&数据集&自定义训练视频教程 参考博客《Python基于YOLOv5的交通标志识别系统[源码&技术文档&部署视频&数据集]》

8.参考文献:

【1】谢豆,石景文,刘文军,刘澍.一种基于深度学习的交通标志识别算法研究[J].电脑知识与技术:学术版,2022,18(6):116-118. 【2】王泽华,宋卫虎,吴建华.基于改进YOLOv4网络的轻量化交通标志检测模型[J].电脑知识与技术:学术版,2022,18(5):98-101.

本文链接地址:https://www.jiuchutong.com/zhishi/296194.html 转载请保留说明!

上一篇:k8s控制器Deployment使用详解(k8s控制器模式)

下一篇:OpenCV实战(15)——轮廓检测详解(opencv.)

  • 什么牌子的移动电源好(什么牌子的移动电源好)(什么牌子的移动硬盘好用 耐用)

    什么牌子的移动电源好(什么牌子的移动电源好)(什么牌子的移动硬盘好用 耐用)

  • 拍一拍微信怎么弄(拍一拍微信怎么关闭)

    拍一拍微信怎么弄(拍一拍微信怎么关闭)

  • ios13.3系统多大

    ios13.3系统多大

  • 怎么设置标题幻灯片(怎么设置标题幻灯片格式)

    怎么设置标题幻灯片(怎么设置标题幻灯片格式)

  • 抖音怎么不让人看到自己在线(抖音怎么不让人关注)

    抖音怎么不让人看到自己在线(抖音怎么不让人关注)

  • 充电宝两个插口咋区分(充电宝两个插口都可以充电吗)

    充电宝两个插口咋区分(充电宝两个插口都可以充电吗)

  • 笔记本如何接机顶盒(笔记本如何接主机)

    笔记本如何接机顶盒(笔记本如何接主机)

  • 毒的极速发货和闪电发货区别(毒极速发货和闪电直发)

    毒的极速发货和闪电发货区别(毒极速发货和闪电直发)

  • oppoA92s什么时候上市(oppoa92s多会上市)

    oppoA92s什么时候上市(oppoa92s多会上市)

  • 电脑装两个显卡有什么用(电脑装两个显卡驱动)

    电脑装两个显卡有什么用(电脑装两个显卡驱动)

  • opporeno咋关机(oppo reno手机怎样关机)

    opporeno咋关机(oppo reno手机怎样关机)

  • 忘记vivo账号密码怎么办怎样解除(忘记vivo账号密码怎么重置手机)

    忘记vivo账号密码怎么办怎样解除(忘记vivo账号密码怎么重置手机)

  • 手机怎么弄彩虹电量(手机怎么照彩虹)

    手机怎么弄彩虹电量(手机怎么照彩虹)

  • 苹果11怎么设置自定义铃声(苹果11怎么设置铃声自己喜欢的歌曲)

    苹果11怎么设置自定义铃声(苹果11怎么设置铃声自己喜欢的歌曲)

  • 充电器3a5a是什么意思(充电器的3a和5a)

    充电器3a5a是什么意思(充电器的3a和5a)

  • 淘宝被永久封号怎么办(淘宝被永久封号支付宝解绑)

    淘宝被永久封号怎么办(淘宝被永久封号支付宝解绑)

  • 苹果11是什么处理器(苹果11是什么处理器几核的)

    苹果11是什么处理器(苹果11是什么处理器几核的)

  • 拼多多签到怎么没有招财猫(拼多多签到怎么放到桌面)

    拼多多签到怎么没有招财猫(拼多多签到怎么放到桌面)

  • 双显卡笔记本怎么切换到独立显卡(双显卡笔记本怎么切换显卡)

    双显卡笔记本怎么切换到独立显卡(双显卡笔记本怎么切换显卡)

  • xr改双卡稳定吗(xr改双卡信号稳定吗)

    xr改双卡稳定吗(xr改双卡信号稳定吗)

  • 微信单个表情怎么删除(微信单个表情怎么制作)

    微信单个表情怎么删除(微信单个表情怎么制作)

  • 快手对战pk是什么意思(快手pk是啥)

    快手对战pk是什么意思(快手pk是啥)

  • 国行xr是双卡吗(国行xr是双卡吗怎么设置)

    国行xr是双卡吗(国行xr是双卡吗怎么设置)

  • vue项目关于:Error Cannot find module ‘xxx\bin\vue-cli-service.js‘的解决方案(vue.$el)

    vue项目关于:Error Cannot find module ‘xxx\bin\vue-cli-service.js‘的解决方案(vue.$el)

  • 增值税发票如何抵扣税款
  • 小规模纳税人已过开票截止日期禁止开票怎么办
  • 应税劳务的主要成本包括
  • 税款所属期错了怎么更正
  • 统一企业员工
  • 资产处置损益是营业外收入吗
  • 进项税加计抵减生产性服务
  • 固定资产评估减值后如何入账
  • 哪些发票可以冲红票
  • 承兑汇票转出
  • 房产税城镇土地使用税申报流程
  • 快递费需要计提吗
  • 小规模季度不超过45万的税收优惠
  • 简易征收电费能不能抵扣
  • 小规模纳税人没有成本票怎么做账
  • 补缴税款罚款
  • 股票期权所得税率
  • 公司投资私募股票有哪些
  • 不计入工资薪金所得的有哪些补贴
  • 小规模纳税人的税率是多少
  • 工会财务总结报告
  • 计提工资是计提当月的还是上个月的
  • 施工企业代甲方购材料的账务处理?
  • 出口退税转内销还是转免税好
  • 期末增值税如何结转
  • 微软输入法打不出汉字只有拼音
  • 往年亏损,今年盈利,是否计提盈余公积
  • 在建工程变更建设单位
  • reminder.exe - reminder是什么进程 有什么用
  • randomdigits.exe - randomdigits是什么进程 有什么用
  • node.js和npm
  • php定义静态变量的关键字
  • 代垫运费会计分录怎么写
  • 出售低值易耗品的账务处理
  • 其他应收款的审计重点不包括哪些
  • 未履行的应税合同缴纳印花税
  • php模拟表单提交
  • laravel视频教程
  • 一二级公路增值税税率
  • 【torch.nn.Parameter 】参数相关的介绍和使用
  • php图文教程
  • Request获取请求数据中文乱码问题
  • 月末结转本年利润吗
  • conda操作
  • axios用法示例
  • un删除
  • php 7.4
  • 现金流量表的附表如何编制
  • 营业外收支核算的内容有哪些?
  • 资产负债表和利润表的勾稽关系
  • mongodb 权限设置
  • 工商罚款计入
  • 招待客户发生的住宿费可以抵扣吗
  • 申请电子发票需要什么条件
  • 无形资产减值准备是什么科目
  • sqlserver调度
  • 其他业务成本借方表示什么
  • 承租人违约押金怎么办
  • 出口收汇核销单的作用
  • 汇算清缴前取得暂估发票
  • 营改增后建筑业开票规定
  • 通过一达通出口到底开什么发票
  • 备抵法核算坏账损失
  • 房地产会计科目明细表
  • xp系统不能搜索
  • 快启动u盘pe怎么安装系统详细图文教程
  • linux系统怎么安装
  • centos7如何添加永久静态路由
  • windows自带的应用程序
  • win8打开运行的快捷键是什么
  • win8.1如何关闭windows defender
  • linux tar压缩文件命令
  • pavmail.exe - pavmail进程是什么文件 有什么用
  • nodejs获取ip
  • node和javascript
  • javascript例题
  • jquery prototype
  • javascript 日期
  • Android自定义动画
  • 企业所得税计算器在线计算
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设