YOLOv3和B-CNN车辆颜色检测和车辆属性的多标签识别+车头朝向

QQ_1309399183

已于 2024-11-07 20:56:26 修改

阅读量699

点赞数 5

分类专栏：计算机视觉实战项目集锦文章标签： YOLO cnn 人工智能车龄颜色识别车辆朝向识别行人计数目标检测

于 2024-11-07 20:15:29 首次发布

本文链接：https://blog.csdn.net/QQ_1309399183/article/details/143606662

版权

计算机视觉实战项目集锦专栏收录该内容

538 篇文章

订阅专栏

基于YOLOv3和B-CNN的车辆检测与多标签分类系统

在这里插入图片描述

项目背景

随着城市化进程的加快，智能交通系统的建设变得尤为重要。车辆检测与多标签分类是智能交通系统中的关键技术之一，可以帮助实现交通流量监控、违章行为检测、车辆追踪等多种功能。本项目通过结合YOLOv3进行车辆检测和B-CNN进行车辆多标签分类，实现了一个高效的车辆检测与多标签分类系统。

使用方法

下载模型文件：
- 从百度网盘下载训练好的模型文件，包括车辆检测模型 car_540000.weights 和多标签分类模型 epoch_39.pth。
- 将 car_540000.weights 放在项目根目录下。
- 将 epoch_39.pth 放在 checkpoints 目录下。
运行脚本：
```
python Vehicle_DC -src_dir your_imgs_dir -dst_dir your_result_dir
```
- -src_dir 指定输入图像目录。
- -dst_dir 指定输出结果目录。

程序简介

本程序包含两大模块：

车辆检测模块：仅提供模型加载和推理代码，如果需要训练代码，可以参考 pytorch_yolo_v3。
多标签识别模块：包含车辆颜色、车辆朝向、车辆类型等属性的识别。提供训练和测试代码，可以预测车辆的车身颜色、车身方向和车型。

将这两个模块结合在一起，可以同时实现车辆的检测和多标签识别。以此为基础，可以从室外交通场景中提取结构化信息。
在这里插入图片描述

程序模块详解

VehicleDC.py
- 模块功能：负责车辆检测和多标签分类的接口封装，需要指定测试源目录和结果输出目录。
- 主类 Car_DC：
  - __init__ 方法：负责初始化车辆检测和车辆识别模型。
  - detect_classify 方法：逐张对图像进行检测和识别。首先对输入图像进行预处理，统一输入格式，然后输出该图像中所有车辆的检测框。通过 process_predict 函数进行 NMS 和坐标系转换，得到最终的检测框。然后调用 cls_draw_bbox 函数，在该函数中，逐一处理每个检测框，取出原图像中检测框区域的 ROI，将 ROI 送入车辆多标签分类器。
  - cls_draw_bbox 方法：在该方法中，使用 B-CNN 算法对 ROI 中的车辆进行多标签属性分类。B-CNN 主要用于训练端到端的细粒度分类，本程序对其网络结构进行了适应性修改，使用 ResNet-18 作为基础网络，以兼顾推断速度和准确度。
车辆多标签数据模块 dataset.py
- 数据组织：训练和测试数据按子目录存放，子目录名为标签，如 Yellow_Rear_SUV。
- Vehicle 类：
  - __init__ 方法：初始化数据路径和数据标签。由于数据标签是多标签类型，因此对输出向量分段计算交叉熵损失。
  - __getitem__ 方法：迭代返回数据和标签，返回的数据需要经过标准化等预处理。
  - __len__ 方法：获取数据的总数量。
车辆多标签训练、测试模块 train_vehicle_multilabel.py
- 训练过程：
  - 选择交叉熵作为损失函数，由于是多标签分类，计算损失时需要累加各个标签的损失，公式为 loss = loss_color + loss_direction + 2.0 * loss_type。根据经验，将车辆类型的损失权重设为 2 倍效果较好。
  - 训练分为两步：
    1. 冻结 ResNet-18 除全连接层外的所有层，进行 Fine-tune 训练直到收敛。
    2. 解冻所有层，进一步 Fine-tune 训练，调整所有层的权重，直至整个模型收敛。