基于Yolov5 的红绿灯识别

目录

项目简介

数据集的标注

模型训练

小结

---

项目简介

基于YOLO的红绿灯识别是一种计算机视觉技术，用于识别交通图像中的红绿灯状态。该技术利用了目标检测算法，特别是YOLO（You Only Look Once）算法，来快速准确地检测图像中的红绿灯区域，并对其状态进行分类。基于YOLO的红绿灯识别在智能交通系统、自动驾驶等领域具有重要的应用价值

数据集的标注

数据集标注可以使用：labelimg 进行标注

labelimg 标注工具可到相关博主或者github去找    也可以采用我网盘存储的标注工具 ：
https://pan.baidu.com/s/1BrkiKbjEj0XiK1QMC331mg    提取码：6npe

Labelimg是一款开源的数据标注工具，可以标注三种格式。

1. VOC标签格式，保存为xml文件。

2. yolo标签格式，保存为txt文件。

3. createML标签格式，保存为json格式。

 这里我们采用 Yolo标签进行标注

并创建以下文件 名字可自行修改  这里我命名为 Mydata

images：用于存储图片，里面包含两个子文件夹 trian 和 val

labels：  用于存储标注后产生的标签 （txt格式）同样包含两个子文件夹 trian 和 val  标签与image存储图片需要一 一对应

在机器学习和深度学习中，通常将数据集分为训练集（train）和验证集（val）。以下是关于这两者的简要介绍：

1. 训练集（Train Set）：

   • 用途：主要用于模型训练。

   • 数据量：通常占据整个数据集的大部分，有时甚至达到80-90%。

   • 目的：通过使用训练集，模型可以学习从输入特征到输出目标的映射。

   • 操作：在训练过程中，模型会多次迭代地查看训练数据，并调整其内部参数以最小化某个损失函数。

2. 验证集（Validation Set）：

   • 用途：主要用于模型验证和调整。

   • 数据量：通常比训练集小，占整个数据集的10-20%。

   • 目的：验证集用于评估模型在未见过的数据上的性能，防止过拟合，并帮助调整超参数。

   • 操作：在每个训练周期结束时，模型会使用验证集进行评估，以了解其性能如何。如果模型在验证集上的性能持续下降，这可能意味着它正在过拟合，这时可能需要采取措施，例如调整超参数或早停训练。

模型训练

当数据标注完成后 就可开始模型训练了

 下载解压后打开安装/配置所需要的的环境

下载所需要的模型文件(需要基于这个模型去训练自己的数据集)

这里我们采用的是 yolov5s.pt 的模型文件 如果下载不了可到网盘进行下载

https://pan.baidu.com/s/1BrkiKbjEj0XiK1QMC331mg    提取码：6npe

修改train 程序文件 进行修改 自己的模型训练

根据上面图片进行修改项目文件 names 标签名 nc 标签数量

训练时出现下面错误  在代码前面添加     os.environ['GIT_PYTHON_REFRESH'] = 'quiet'

 训练完成后 会在 runs/train/ 下生成 weights 里面有一个 best.pt 模型文件  将该文件替换 detect.py 里的权重文件即可开始推理

推理结果

修改代码识别红灯、绿灯、黄灯

数学公式：

代码如下 可适当修改判断条件的 数值 以便提高识别的准确性

# ---- 自己添加部分 ----

                    # im0 为当前推理图片或者视频帧 转换为灰度图
                    gray = cv2.cvtColor(im0,cv2.COLOR_BGRA2GRAY)

                    # 将红绿灯分成三等分 用于识别 红灯、绿灯、黄灯 的状态
                    # xyxy 中存储了 推理结果的矩形框坐标 分别为左上 右下
                    # 每一个灯的距离
                    width = int((xyxy[2] - xyxy[0])) // 3

                    # 使用 ROI 获取 红灯、绿灯、黄灯 区域的灰度值
                    red = gray[int(xyxy[1]):int(xyxy[3]), int(xyxy[0]):int(xyxy[0]) + width]
                    yellow = gray[int(xyxy[1]):int(xyxy[3]), int(xyxy[0]) + width:int(xyxy[0]) + width * 2]
                    green = gray[int(xyxy[1]):int(xyxy[3]), int(xyxy[0]) + width * 3:int(xyxy[2])]

                    # 计算区域的灰度值的平均值
                    red_mean = np.mean(red)
                    yellow_mean = np.mean(yellow)
                    green_mean = np.mean(green)

                    # 红灯、绿灯、黄灯 的状态判断
                    if red_mean > 40:
                        cv2.putText(im0, 'red', (50, 50), 1, 5, (0, 0, 255), 3)
                    elif yellow_mean > 40:
                        cv2.putText(im0, 'yellow', (50, 50), 1, 5, (0, 255, 255), 3)
                    elif green_mean > 40:
                        cv2.putText(im0, 'yellow', (50, 50), 1, 5, (0, 128, 0), 3)
                    else:
                        cv2.putText(im0, 'wait', (50, 50), 1, 5, (255, 255, 255), 3)
                    # ---- 自己添加部分 ----

 最终推理结果

小结

基于YOLOV5 v7.0 红绿灯的代码 已基本完成 后续可根据自己的需求进行修改。 第一次编写，了能用些许不足望理解