毕设开源 深度学习车型检测算法(源码分享)

0 简介

今天学长向大家分享一个毕业设计项目

毕业设计 深度学习车型检测算法(源码分享)

项目运行效果：

毕业设计 深度学习车型检测算法

🧿 项目分享:见文末!

1 车型数据集及训练

** YOLOv5模型简介**

本文借助YOLOv5实现对不同大小车辆的类型进行识别，YOLOv5的调用、训练和预测都十分方便，并且它为不同的设备需求和不同的应用场景提供了大小和参数数量不同的网络。

YOLOv5模型是一个在COCO数据集上预训练的物体检测架构和模型系列，它是YOLO系列的一个延伸，能够很好的用来进行车型的特征提取，其网络结构共分为：input、backbone、neck和head四个模块，yolov5对yolov4网络的优点在于：在input端使用了Mosaic数据增强、自适应锚框计算、自适应图片缩放；
在backbone端使用了Focus结构与CSP结构；在neck端添加了FPN+PAN结构；在head端改进了训练时的损失函数，使用GIOU_Loss，以及预测框筛选的DIOU_nms。除了模型结构，yolov5使用Pytorch框架，对用户非常友好；代码易读；模型训练快速；能够直接对图像，视频进行推理；能直接部署到手机应用端；预测速度非常快。

（1）主干部分：使用了Focus网络结构，具体操作是在一张图片中每隔一个像素拿到一个值，这个时候获得了四个独立的特征层，然后将四个独立的特征层进行堆叠，此时宽高信息就集中到了通道信息，输入通道扩充了四倍。该结构在YoloV5第5版之前有所应用，最新版本中未使用。

（2）数据增强：Mosaic数据增强、Mosaic利用了四张图片进行拼接实现数据中增强，优点是可以丰富检测物体的背景，且在BN计算的时候可以计算四张图片的数据。

（3）多正样本匹配：在之前的Yolo系列里面，在训练时每一个真实框对应一个正样本，即在训练时，每一个真实框仅由一个先验框负责预测。YoloV5中为了加快模型的训练效率，增加了正样本的数量，在训练时，每一个真实框可以由多个先验框负责预测。

车型识别数据集

这里我们使用的车型数据集，其中训