Skip to content

Latest commit

 

History

History
157 lines (107 loc) · 5.53 KB

README_zh_cn.md

File metadata and controls

157 lines (107 loc) · 5.53 KB

English | 简体中文

如果本项目对你有帮助,请点击项目右上角star支持一下和引用下面的论文。

CDNet

这个项目是论文的《CDNet: 一个基于YOLOv5的在Jetson Nano上实时、鲁棒的斑马线检测网络》的代码、数据集和教程。

CDNet (Crosswalk Detection Network) 是车载摄像头视野下检测斑马线(人行横道)和分析车辆过线行为的具体实现。

GA

Fig.1 图形摘要

Highlights

  • 实现了斑马线检测和车辆过线行为检测。
  • 在特定任务中准确率和速度超过原生YOLOv5。
  • 在阴天、晴天、雨天、夜间等真实复杂场景中实现高鲁棒性。
  • 在 Jetson nano 边缘计算设备上实现实时检测 (33.1 FPS)。
  • 提供了标注好的斑马线数据集,共计6868张图 。

贡献Contribution

  • 注意力机制网络改进网络,提升精度,略微降低速度:SENet (Squeeze-and-Excitation Network)
  • 负样本训练,提升精度,速度不变: NST (Negative Samples Training)
  • 感兴趣区域,提升速度,精度下降:ROI (Region Of Interest)
  • 滑动感受野短时向量记忆算法,迁移斑马线检测任务到汽车过线行为检测任务,提升精度,速度不变:SSVM (Slide receptive field Short-term Vectors Memory)
  • 合成雾增强算法,增强数据集,适应雾天,提升精度,速度不变:SFA (Synthetic Fog Augment)

安装Installation

安装CDNet代码并配置环境,请查看: docs/INSTALL.md

模型库Model Zoo

模型库请查看: docs/MODEL_ZOO.md

数据集Datasets

下载训练集和测试集,请查看: docs/DATASETS.md

快速开始Quick Start

训练Train

安装CDNet代码,配置环境和下载数据集后,输入代码训练:

python train.py --trainset_path </path/to/trainset/folder>
(such as: /home/xxx/datasets/train_data_yolov5_format) 

训练结果和权重将保存在 runs/xxx/ 目录中。

主要的可选参数:

--device "0, 1"  # cpu or gpu id, "0, 1" means use two gpu to train.
--img-size 640 
--batch-size 32 
--epochs 100 
--not-use-SE  # use original YOLOv5 which not SE-module embedded if there is the flag

推理Inference

逐图或视频检测斑马线并分析车辆过线行为,输入代码:

python detect.py

主要的可选参数:

--source example/images  # images dir
--output example/output  # output dir
--img-size 640  # inference model size
--device "0"   # use cpu or gpu(gpu id)
--plot-classes ["crosswalk"]  # plot classes
--field-size 5  # the Slide receptive field size of SSVM 
--not-use-ROI  # not use roi for accelerate inference speed if there is the flag
--not-use-SSVM  # not use ssvm method for analyse vehicle crossing behavior if there is the flag

关于安装和数据集的更多详情请参考: docs/INSTALL.md and docs/DATASETS.md.

合成雾增强Fogging Augment

如果你想通过合成雾算法增加数据集,只需运行:

python fog_augment.py

更多细节请查看fog_augment.py和/scripts/synthetic_fog.py中的源代码

结果Results

Results Fig.2 与原生YOLOv5性能对比Performance compared to YOLOv5.

与原生YOLOv5相比,检测尺寸为640时,CDNet 在 Jetson nano 上提高了5.13%的F1分数和10.7FPS的速度, 检测尺寸为288时,提升为13.38%的F1分数和13.1FPS。

贡献者Contributors

CDNet的作者是: Zhengde Zhang, Menglu Tan, Zhicai Lan, Haichun Liu, Ling Pei and Wenxian Yu。

目前,CDNet由 Zhengde Zhang (drivener@163.com)负责维护。

如果您有任何问题,请随时与我们联系。

Zhengde Zhang的学术主页: zhangzhengde0225.github.io.

致谢Acknowledgement

本工作得到了国家自然科学基金会的支持[编号:61873163]。

我们非常感谢上海交通大学高性能计算中心提供计算资源。

我们非常感谢 yolov5 项目提供的目标检测算法基准。

我们非常感谢 tensorrtx 项目提供的模型模署到Jetson nano上的技术。

链接Links

B站视频样例:https://www.bilibili.com/video/BV1qf4y1B7BA

阅读论文全文:https://rdcu.be/cHuc8

下载论文全文:https://doi.org/10.1007/s00521-022-07007-9

CSDN项目简介:http://t.csdn.cn/Cf7c7

如果对您有帮助,请为点击项目右上角的star支持一下或引用论文。

引用Citation

@article{CDNet,
author={Zheng-De Zhang, Meng-Lu Tan, Zhi-Cai Lan, Hai-Chun Liu, Ling Pei and Wen-Xian Yu},
title={CDNet: a real-time and robust crosswalk detection network on Jetson nano based on YOLOv5},
Journal={Neural Computing and Applications}, 
Year={2022},
DOI={10.1007/s00521-022-07007-9},
}

许可License

CDNet可免费用于非商业用途,并可在这些条件下重新分发。 如需商业咨询,请发送电子邮件至 drivener@163.com,我们会将详细协议发送给您。