裸露土堆识别系统

裸露土堆识别系统基于于yolov7深度学习架构模型技术，利用建筑工地现场已有监控摄像头实时识别路面/建筑工的土堆裸露情况，若裸露土堆识别系统识别到监控画面中的土堆有超过40%部分没被绿色防尘网覆盖，系统则判定是裸露土堆会立即自动标注抓拍存档并反馈后台人员提醒及时处理。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。要理解YOLO，我们首先要分别理解这两个模型。

YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器

并在V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的，不使用任何其他数据集或预训练权重。

YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。