无人机非机动车检测AI算法 YOLOX

无人机非机动车检测AI算法能够从复杂的城市交通场景中准确识别出非机动车辆和行人。无人机非机动车检测AI算法通过深度学习模型的训练，算法能够识别出非机动车辆的种类，如自行车、电动车等，并且能够分析其行为模式，包括是否逆行、是否闯红灯等违反交通规则的行为。传统的交通监控系统往往依赖于有限的监控摄像头，而无人机的灵活性和高空视角为交通监控提供了新的可能。结合AI算法，无人机能够实时捕获并处理大量图像和视频数据，大大提高了数据处理的速度和准确性。无人机非机动车检测AI算法应用在交通管理中，可实现对常见的动静态违法事件进行判断，例如非法占用应急车道、实线变道、交通拥堵、高速停车、倒车以及行人上高速等。

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。

为什么提出YOLOX：

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。

随着城市化进程的加快，交通管理面临着前所未有的挑战。非机动车辆和行人作为城市交通的重要组成部分，其行为模式的识别和管理对于维护交通秩序、保障行人安全至关重要。在这一背景下，无人机非机动车检测AI算法应运而生，它基于YOLOv7与CNN深度学习算法，通过分析无人机捕获的图像和视频数据，实现了对非机动车辆和行人的高效识别。交通安全是城市交通管理的重中之重。无人机非机动车检测AI算法能够及时发现非机动车辆的违规行为，为交通管理部门提供实时的违规信息，从而采取相应的措施，减少交通事故的发生，保障行人和非机动车辆的安全。

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

无人机非机动车检测AI算法通过无人机捕获的数据，无人机非机动车检测AI算法能够识别非机动车辆的流量和行为模式，这对于城市交通规划者来说是一个宝贵的资源。通过对这些数据的分析，可以发现交通拥堵的热点区域，优化交通信号灯的设置，甚至重新规划道路布局，以提高交通效率和安全性。无人机非机动车检测AI算法的应用，使得城市交通管理更加智能化和自动化。无人机的高空监控能力，结合AI算法的识别能力，可以有效地识别和监控非机动车辆，减少交通违规行为，提高城市交通管理的效率。