行人闯红灯自动监测系统 YOLOX

行人闯红灯自动监测系统利用现场已有的监控摄像头，当路口有行人通过时，行人闯红灯自动监测系统设备自动监测识别是人体。一旦识别到人行横道区域有行人通行，系统就会自动判定并发出警告。同时，系统还能够识别红绿灯的状态，如果红灯亮起，系统就会通过声光联合告警，提醒行人停止前行。行人闯红灯自动监测系统的出现，极大程度提高了行人过斑马线的安全意识。

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。

目标检测分为Anchor Based和Anchor Free两种方式。在Yolov3、Yolov4、Yolov5中，通常都是采用 Anchor Based的方式，来提取目标框。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。

在我们的日常生活中，交通信号灯是我们每天都会见到的东西。红灯停，绿灯行，这是我们从小就学到的规则。然而，总有一些人不遵守这个规则，这就带来了极大的安全隐患。而现在，基于AI人工智能机器视觉分析识别技术的行人闯红灯自动监测系统，正在为解决这个问题提供新的思路。以前，有些人可能会因为疏忽或者赶时间而忽略红绿灯的存在，现在，系统的自动监测和警告功能，让他们不得不重视这个问题。同时，系统的提示和警示功能也增强了交通的安全性，减少了因闯红灯而引发的交通事故。

# From Mr. Dinosaur
 
import os
 
 
def listdir(path, list_name):  # 传入存储的list
    for file in os.listdir(path):
        file_path = os.path.join(path, file)
        if os.path.isdir(file_path):
            listdir(file_path, list_name)
        else:
            list_name.append(file_path)
 
 
list_name = []
path = 'D:/PythonProject/data/'  # 文件夹路径
listdir(path, list_name)
print(list_name)
 
with open('./list.txt', 'w') as f:  # 要存入的txt
    write = ''
    for i in list_name:
        write = write + str(i) + '\n'
    f.write(write)

行人闯红灯自动监测系统还有一个独特的功能。当行人从对面闯红灯行走过来的时候，他们可以通过路口的显示屏看到自己闯红灯的过程和人脸特写。这个功能不仅对行人有很好的警示作用，还可以提高他们的自我管理意识。在这个人工智能技术快速发展的时代，AI的应用正在越来越广泛地应用于我们的生活中。行人闯红灯自动监测系统就是一个很好的例子。它不仅提高了交通的安全性，也提高了行人的安全意识。这就是人工智能的力量，这就是我们的未来。