行人闯红灯监测抓拍系统 YOLOX

行人闯红灯监测抓拍系统利用道路两边的监控摄像机配合AI智能人体识别算法，行人闯红灯监测抓拍系统实时检测人行横道区域是否有行人通行。当红灯亮起时，摄像头会自动检测识别人体，判断行人是否闯红灯。如果系统检测到行人通过红灯，将自动触发声光联合告警装置，发出人性化的警示音提示：“您闯红灯了，请遵守交通法规”。系统还能够清晰抓拍行人闯红灯的过程以及红绿灯状态信息，并将抓拍照片上传至户外显示屏，以增加警示和提醒的效果。

YOLOX在YOLO系列的基础上做了一系列的工作，其主要贡献在于：在YOLOv3的基础上，引入了Decoupled Head，Data Aug，Anchor Free和SimOTA样本匹配的方法，构建了一种anchor-free的端到端目标检测框架，并且达到了一流的检测水平。此外，本文提出的 YOLOX-L 模型在视频感知挑战赛(CVPR 2021年自动驾驶研讨会)上获得了第一名。作者还提供了支持ONNX、TensorRT、NCNN和Openvino的部署版本。

Yolox 将 Anchor free 的方式引入到Yolo系列中，使用anchor free方法有如下好处：降低了计算量，不涉及IoU计算，另外产生的预测框数量较少。假设feature map的尺度为80x80，anchor based方法在Feature Map上，每个单元格一般设置三个不同尺寸大小的锚框，因此产生3x80x80=19200个预测框。而使用anchor free的方法，仅产生80x80=6400个预测框，降低了计算量。缓解了正负样本不平衡问题anchor free方法的预测框只有anchor based方法的1/3，而预测框中大部分是负样本，因此anchor free方法可以减少负样本数，进一步缓解了正负样本不平衡问题。避免了anchor的调参anchor based方法的anchor box的尺度是一个超参数，不同的超参数设置会影响模型性能。anchor free方法避免了这一点。

行人闯红灯是城市交通中的常见问题，不仅危及行人自身安全，也给其他车辆和行人带来潜在风险。为了提高交通管理的效果和行人过斑马线的安全意识，行人闯红灯监测抓拍系统基于AI智能人体识别算法，利用道路两边的监控摄像机实时检测和判断人行横道区域是否有行人通行。行人闯红灯监测抓拍系统不仅可以提高行人过斑马线的安全意识，还增强了行人提示和警示功能。

class Detect(nn.Module):
    stride = None  # strides computed during build
    onnx_dynamic = False  # ONNX export parameter

    def __init__(self, nc=80, anchors=(), ch=(), inplace=True):  # detection layer
        super().__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        self.anchor_grid = [torch.zeros(1)] * self.nl  # init anchor grid
        self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2))  # shape(nl,na,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv
        self.inplace = inplace  # use in-place ops (e.g. slice assignment)

    def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)

                y = x[i].sigmoid()
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
                    xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

    def _make_grid(self, nx=20, ny=20, i=0):
        d = self.anchors[i].device
        if check_version(torch.__version__, '1.10.0'):  # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
        else:
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
        grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
        anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
            .view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
        return grid, anchor_grid

行人闯红灯监测抓拍系统将持续进行技术优化和更新，以满足不同道路和交通场景的需求。我们致力于提供高效、准确、可靠的交通管理解决方案，帮助城市提升交通安全水平。同时，通过系统的应用引导行人文明出行，共同创造更安全、更有序的城市交通环境。行人闯红灯监测抓拍系统通过智能化技术，系统能够实时监测道路上的行人行为，准确判断是否存在闯红灯情况。及时的告警和抓拍功能，能够提醒行人遵守交通法规，降低交通事故的发生概率。