抽烟行为识别预警系统
抽烟行为识别预警系统基于yolov5网络模型智能分析技术,抽烟行为识别预警系统通过监测现场人员抽烟行为自动存档进行报警提示。抽烟行为识别预警系统我们选择当下YOLO卷积神经网络YOLOv5来进行抽烟识别检测。6月9日,Ultralytics公司开源了YOLOv5,离上一次YOLOv4发布不到50天。而且这一次的YOLOv5是完全基于PyTorch实现的!在我们还对YOLOv4的各种高端操作、丰富的实验对比惊叹不已时,YOLOv5又带来了更强实时目标检测技术。按照官方给出的数目,现版本的YOLOv5每个图像的推理时间最快0.007秒,即每秒140帧(FPS),但YOLOv5的权重文件大小只有YOLOv4的1/9。
目标检测架构分为两种,一种是two-stage,一种是one-stage,区别就在于 two-stage 有region proposal过程,类似于一种海选过程,网络会根据候选区域生成位置和类别,而one-stage直接从图片生成位置和类别。今天提到的 YOLO就是一种 one-stage方法。YOLO是You Only Look Once的缩写,意思是神经网络只需要看一次图片,就能输出结果。YOLO 一共发布了五个版本,其中 YOLOv1 奠定了整个系列的基础,后面的系列就是在第一版基础上的改进,为的是提升性能。
YOLOv5在YOLOv4算法的基础上做了进一步的改进,检测性能得到进一步的提升。虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析,但是YOLOv5在COCO数据集上面的测试效果还是挺不错的。大家对YOLOv5算法的创新性半信半疑,有的人对其持肯定态度,有的人对其持否定态度。在我看来,YOLOv5检测算法中还是存在很多可以学习的地方,虽然这些改进思路看来比较简单或者创新点不足,但是它们确定可以提升检测算法的性能。其实工业界往往更喜欢使用这些方法,而不是利用一个超级复杂的算法来获得较高的检测精度。
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;
基准网络:融合其它检测算法中的一些新思路,主要包括:Focus结构与CSP结构;
Neck网络:目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层,Yolov5中添加了FPN+PAN结构;
Head输出层:输出层的锚框机制与YOLOv4相同,主要改进的是训练时的损失函数GIOU_Loss,以及预测框筛选的DIOU_nms。
相关文章
- 电容分类和作用_电容的识别
- CVPR 2022 ActivityNet竞赛冠军:中科院深圳先进院提出高低分双模态行为识别框架
- AI行为识别视频监控系统
- 智慧加油站视频监控行为识别分析系统
- java 图片识别 tess4j_JAVA使用Tess4J进行ocr识别
- 高空作业安全带佩戴识别检测系统
- ABBYY FineReader2023OCR文字识别软件功能介绍
- 亚马逊云科技最新赛事思路拓展 | 如何实现超大尺寸图像快速识别?
- 智慧工地抽烟识别检测系统
- 占道经营游摊小贩识别检测系统
- 如何有效提升银行卡绑定效率,应用移动端银行卡识别技术
- Attention-lvcsr、Residual LSTM…你都掌握了吗?一文总结语音识别必备经典模型(三)
- A.机器学习入门算法(九): 基于线性判别模型的LDA手写数字分类识别
- 深度学习基础入门篇[五]:交叉熵损失函数、MSE、CTC损失适用于字识别语音等序列问题、Balanced L1 Loss适用于目标检测
- 行为识别预警系统
- iOS——– Objective-C多态:动态类型识别+动态绑定+动态加载详解手机开发
- “猫脸”识别,荒野监测野生大熊猫
- Linux 识别硬盘方法与技巧(linux识别硬盘)
- Linux系统USB设备自动识别技术(linuxusb识别)
- 如何识别哪些需要Redis的支持(如何对redis进行判断)
- 有人把 iPhone X 面部表情识别数据导入 Maya,结果……
- 基于Fedora14下自带jdk1.6版本安装jdk1.7不识别的解决方法