渣土车智能识别系统
渣土车智能识别系统通过yolov5网络模型深度学习技术,渣土车智能识别系统对禁止渣土车通行现场画面中含有渣土车时进行自动识别监测,渣土车智能识别系统并自动抓拍告警。YOLOv5是一种单阶段目标检测算法,该算法在YOLOv4的基础上添加了一些新的改进思路,使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示:输入端,在模型训练阶段,提出了一些改进思路,主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放;Mosaic数据增强:Mosaic数据增强的作者也是来自YOLOv5团队的成员,通过随机缩放、随机裁剪、随机排布的方式进行拼接,对小目标的检测效果很不错。
YOLOv5算法具有4个版本,具体包括:YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种,本文重点讲解YOLOv5s,其它的版本都在该版本的基础上对网络进行加深与加宽。YOLOv5中在训练模型阶段仍然使用了Mosaic数据增强方法,该算法是在CutMix数据增强方法的基础上改进而来的。CutMix仅仅利用了两张图片进行拼接,而Mosaic数据增强方法则采用了4张图片,并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成。这种增强方法可以将几张图片组合成一张,这样不仅可以丰富数据集的同时极大的提升网络的训练速度,而且可以降低模型的内存需求。
在YOLO系列算法中,针对不同的数据集,都需要设定特定长宽的锚点框。在网络训练阶段,模型在初始锚点框的基础上输出对应的预测框,计算其与GT框之间的差距,并执行反向更新操作,从而更新整个网络的参数,因此设定初始锚点框也是比较关键的一环。在YOLOv3和YOLOv4检测算法中,训练不同的数据集时,都是通过单独的程序运行来获得初始锚点框。YOLOv5中将此功能嵌入到代码中,每次训练时,根据数据集的名称自适应的计算出最佳的锚点框,用户可以根据自己的需求将功能关闭或者打开,具体的指令为parser.add_argument(’–noautoanchor’, action=‘store_ true’, help=‘disable autoanchor check’),如果需要打开,只需要在训练代码时增加–noautoanch or选项即可。
相关文章
- 使用 Amazon Translate、AWS Lambda 和新推出的 Batch Translate API 翻译文档
- Python+Opencv分水岭算法
- OpenCV-python安装教程
- Amazon SageMaker Debugger 助力 Autodesk 优化 Fusion 360 中的视觉相似性搜索模型
- Java applet对象
- python websocket 聊天服务器
- AWS 容器服务的安全实践
- VNC 还是 RDP? 云上的远程桌面究竟该如何选
- 亚马逊 AWS 官方博客目录 – 历年目录
- 利用 Lambda 和 Falco 为 Amazon EKS 提供安全保护
- JAVA Servlet详解
- 现在开放 AWS Lambda Rust
- 在 Kubernetes 上使用 Spinnaker 构建部署管道
- 使用 TriggerMesh KLR 在 Amazon EKS 中部署与 AWS Lambda 兼容的函数
- 【Java】json JavaBean
- 第四部分:如何借助当前的自适应比特率技术降低广播延迟 – 参考架构和测试结果
- 第三部分:如何借助当前的自适应比特率技术降低广播延迟 – 视频播放器优化建议
- 第二部分:如何借助当前的自适应比特率技术降低广播延迟 – 编码、打包和 CDN 分发的优化建议
- 第一部分:如何借助当前的自适应比特率技术降低广播延迟 – 定义和测量延迟
- Java if语句