超级会员免费看
本文介绍了如何利用目标检测技术，特别是MobileNetV2-YOLOv3-Nano模型，解决密集钢筋截面的计数问题。在面临计算资源有限的情况下，该模型展现出良好的精度和速度。通过调整配置文件，如classes和filters，实现了针对特定任务的定制。文章还分享了训练过程中的观察和测试结果，展示了模型在密集场景中的优秀检测能力。
是不是很多人或多或少在一些时刻都会有感觉到密集恐惧，我就是会有这样的感觉，尤其是面对十分密集的内容的时候，最近看到了一个之前举办的比赛，做的内容就是对堆放的钢筋截面进行精准的计数，这个实际照片拿来一看，如果是人工来做，不知道要数到什么时候了，而且，还会出现稍微一不留神就会数错了，还得重头来过，即使一直精神高度集中，也不敢保证，自己数的结果就是对的，这个时候图像识别的技术就派上了用场了，首先看下效果图：
做这个事情我有一个额外的考虑就是轻量化的模型在这种级别的数据上面能不能有较好的表现呢？一般来说对于精度要求比较高的场景里面往往都会选择牺牲一定程度的计算速度来达到比较高标准的计算精度，但是很多实际场景里面算力较弱，对于模型轻量化的需求也就变得很高，这就不得不在选型上面做比较多的考虑，不能单纯地为了精度去选择比较大的模型。
这里我选用的是MobileNetV2-YOLOv3-Nano模型，在我以往的实际项目测试中精度和速度都是很不错的，这里正好也可以拿过来验证测试一样在这种密集场景里面到底它的检测能力怎么样，
订阅专栏 解锁全文
扫一扫
1762
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
