YOLOv3模型识别车位图片的测试报告(节选)

Posted jack kwok

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了YOLOv3模型识别车位图片的测试报告(节选)相关的知识,希望对你有一定的参考价值。

1,YOLOv3模型简介

YOLO能实现图像或视频中物体的快速识别。在相同的识别类别范围和识别准确率条件下,YOLO识别速度最快。

官网:https://pjreddie.com/darknet/yolo/

知乎:https://zhuanlan.zhihu.com/p/25236464

 

YOLO有多种模型,包括V1,V2,V3,其中V3识别准确率最高,但对硬件要求也高。还有tiny模型。也可针对特定识别物体类别进行训练,获得应用需要的专用模型。

 

本次测试采用V3模型。对实际车场图片进行批量检测,对检测结果进行分析,重点是车位中的车辆能否得到正确识别,以探讨YOLO V3模型应用于车场车位状态检测中的可行性。

2,测试环境

操作系统

Windows7 64位

 

Cpu

 

 

Gpu

0

 

内存

4GB

 

输入图片的数量和规格

2019张,960*1280

 

运行时间

2018-05-23 18:03~~2018-05-24 05:01

 

执行文件

darknet.py

 

检测模型

YOLO v3

 

物体检测阈值

置信度 > 0.25

 

物体分类模型

80种,与车位车辆相关的4种(car, motorbike, truck, bus)。详见coco.names

 

 

3,测试数据和结果

运行总时间

11小时

 

平均每张图片的分析时间

20秒

 

分析后输出的图片包

YOLO对车位图片的检测结果.rar

 

分析输出文字信息

out.txt

 

车位图片输出结果分析

车位图片输出结果分析.xls

 

 

识别错误类别统计:

错误类别编号

错误类别

数量

比例

备注

1

识别到周围停有车辆,因而判断有车

118

 

此问题与YOLO算法无关

2

未识别出相机识别车位上的车辆

74

3.66%

2类错误的文件已打包在文件2类错误.rar

3

镜头范围过小,车辆无法体现特征

1

 

此问题与YOLO算法无关

4

图像变形

1

 

此问题与YOLO算法无关

5

在无车位置上错误标注

6

0.3%

5类错误的文件已打包在文件5类错误.rar

 

综上所述,本次测试错误率为3.96%。效果还是令人基本满意的。

4,测试分析

4.1 YOLOv3静态车位图片检测优势

总体来说,识别车辆准确,适应强。具体表现如下:

²            对于多车不会漏检

²            面向镜头的无论是车头、车尾还是车身都能检测到。

²            特种车辆也能识别。

²            只出现一部分的车身也能检测到。但也要看是否能体现车辆特征

²            光线强弱对检测影响不大。

²            强大的物体检测能力,不仅限于车辆检测。

 

以下具体示例略。

 

4.2 YOLOv3静态车位图片检测存在的问题

测试中发现的问题可以归纳为以下几类:

²            存在漏检。某些明显的车辆未能检测到

²            在全域范围内能检测到的车辆,区域裁剪后可能导致检测不到

²            同一物体可能检测出多种类别或多台车检测成1台

²            车辆错误识别为其它种类

²            空车位错误识别为车辆

 

以下具体示例略。

5,后续计划

对于车位车辆的识别,如果速度和准确度达到实用程度,那么可用于简易停车场的车位调度。

如果结合人脸识别或车牌识别,也能做到反向寻车。

也可应用于路边停车,可将车辆进入停车区和离开停车区的信息及时上报。

 

目前关键还是将车辆识别做到又好又快。以下为思路:

略。

以上是关于YOLOv3模型识别车位图片的测试报告(节选)的主要内容,如果未能解决你的问题,请参考以下文章

从零开始带你一步一步使用 YOLOv3 测试自己的数据

从零开始带你一步一步使用 YOLOv3 测试自己的数据

YOLOv3目标检测实战:交通标志识别

用户使用调查报告

yolov3_tiny+车牌识别 tensorflow1.x实现(适合新手,全程教学)

Matlab实现YOLOV3对车辆进行检测--全程中文说明适合初学者学习