A projekt célja egy könnyen üzembe helyezhető és integráltható, költséghatékony, környezettudatos szempontokat figyelembe vevő – közúti adatgyűjtő prototípus gép fejlesztése, közúti, közterületi létesítmény elemek rendszeres ellenőrzésének és automatizált feladatkiosztáson alapuló karbantartásának támogatása.
| Szoftver | Verziószám |
|---|---|
| Tensorflow | 1.12.2 |
| Python | 3 |
| NVIDIA driver | 384.183 |
| CUDA toolkit | 9(.0.176) |
| CUDNN toolkit | 7.6.1 |
| Eszköz | Típus |
|---|---|
| GPU | NVIDIA GeForce GTX 1080 |
A projekthez a faster_rcnn_inception_v2_coco_2018_01_28 előre betanított modellt használtuk fel, amelyet tovább tanítottunk saját adatokkal.
| Tábla | Címke | Darabszám(tanítás/teszt) | Mintakép | Inferált kép |
|---|---|---|---|---|
| Sebesség korlázotás: 40 | speed_limit_40 | 25/65 | kép | kép |
| Sebesség korlázotás: 60 | speed_limit_60 | 30/100 | kép | kép |
| Sebesség korlázotás: 70 | speed_limit_70 | 25/80 | kép | kép |
| Előzni tilos | no_overtaking | 40/130 | kép | kép |
| Parkolni tilos | no_parking | 27/90 | kép | kép |
| Gyalogos átkelő | pedestrian_crossing | 26/95 | kép | kép |
| Főútvonal | priority_road | 36/137 | kép | kép |
| Figyelmeztető tábla | warning | 35/141 | kép | kép |
Hozzuk létre a tensorflow konténert:
conda create -n tensorflow pip python=3.5
source activate tensorflowAz elkészített konténerben telepítsük a fent részletezett szoftvereket. Ezután az alábbiakban leírt módon futtatható az inferálás:
idle3A felugró ablakban megnyitjuk az Object_detection_image.py vagy Object_detection_video.py fájlt, majd a IMAGE_NAME/VIDEO_NAME változót átírjuk az inferálni kívánt fájl elérési útvonalára és az F5 gomb megnyomásával futtatjuk a programot.
Néhány példa az eredmények bemutatására videós, illetve képes formában.