【图像检测-车辆检测】基于YOLO实现车辆目标检测附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

车辆目标检测是自动驾驶中的一个重要环节.针对复杂场景下的车辆目标检测模型检测速度慢,检测精度和召回率低等问题,以YOLO网络为基础,加载预训练模型,多尺寸图像训练,最终得到车辆目标检测模型.实验表明,本文方法可以在保证检测速度的情况下,尽可能多地检测出更多车辆目标且精度较高.

⛄ 部分代码

clc; clear all; close all;

rng(0);

checkpoint_folder = fullfile(pwd, 'checkpoint_folder_car');

data = load(fullfile(pwd, 'vehicleDatasetGroundTruth.mat'));

vehicleDataset = data.vehicleDataset;

vehicleDataset(1:4,:)

vehicleDataset.imageFilename = fullfile(pwd, vehicleDataset.imageFilename);

im_list = [];

for i = 1 : 4

    I = imread(vehicleDataset.imageFilename{i});

    I = insertShape(I,'Rectangle',vehicleDataset.vehicle{i});

    im_list(:,:,:,i) = mat2gray(I);

end

figure; montage(im_list);

shuffled_index = randperm(size(vehicleDataset,1));

idx = floor(0.8 * length(shuffled_index));

train_data = vehicleDataset(shuffled_index(1:idx),:);

test_data = vehicleDataset(shuffled_index(idx+1:end),:);

image_size = [224 224 3];

num_classes = size(vehicleDataset,2)-1;

anchor_boxes = [

    43 59

    18 22

    23 29

    84 109

    ];

base_network = resnet50;

featureLayer = 'activation_40_relu';

lgraph = yolov2Layers(image_size,num_classes,anchor_boxes,base_network,featureLayer);

options = trainingOptions('sgdm', ...

    'MiniBatchSize', 16, ....

    'InitialLearnRate',1e-3, ...

    'MaxEpochs',100,...

    'CheckpointPath', checkpoint_folder, ...

    'Shuffle','every-epoch', ...

    'ExecutionEnvironment', 'gpu');

[detector,info] = trainYOLOv2ObjectDetector(train_data,lgraph,options);

I = imread(test_data.imageFilename{1});

[bboxes,scores] = detect(detector,I);

I = insertObjectAnnotation(I,'rectangle',bboxes,scores);

figure; imshow(I); title('测试样例');

num_test_images = size(test_data,1);

results = table('Size',[num_test_images 3],...

    'VariableTypes',{'cell','cell','cell'},...

    'VariableNames',{'Boxes','Scores','Labels'});

for i = 1:num_test_images

    I = imread(test_data.imageFilename{i});

    [bboxes,scores,labels] = detect(detector,I);

    results.Boxes{i} = bboxes;

    results.Scores{i} = scores;

    results.Labels{i} = labels;

end

expected_results = test_data(:, 2:end);

[ap, recall, precision] = evaluateDetectionPrecision(results, expected_results);

plot(recall,precision)

xlabel('召回率')

ylabel('准确率')

grid on

title(sprintf('平均准确率 = %.2f', ap))

⛄ 运行结果

⛄ 参考文献

[1] 殷远齐, 徐源, 邢远新. 基于YOLO v4的车辆目标检测算法[J]. 计算机与现代化, 2022(000-007).

[2] 向昌成, 黄成兵, 罗平,等. 基于YOLO算法的无人机航拍图像车辆目标检测系统研究[J]. 计算机与数字工程, 2021.

[3] 龚庆武, 乔卉, 刘栋,等. 基于YOLO算法的电能质量扰动检测方法:, CN201910881278.7[P]. 2022.

[4] 李云鹏, 侯凌燕, 王超. 基于YOLOv2的复杂场景下车辆目标检测[J]. 电视技术, 2018, 42(5):7.​

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料