车辆数据标注解析

特此声明

• 都是个人分析。
• 下面图像来源于网络。

1 前言

对于老算法来说，如何去选择如何低成本、快捷开发，是首选要考虑的。而这两个事其实就是如何把实验室理论应用到工业中去，效果稳定，以及如何快速部署。"顺大流儿"精神的好处在这里体现的淋漓尽致。

那么另一个问题就来了。为什么同样的模型，有的人在工业上精度高，有的人精度低呢？就是数据标注。

这里拿某个公司的标注来说。

2 标注说明

2.1 实例

1.1 原始图

1.2 一级模型结果图

根据上图分析。

2.1.1 一级模型

1 有一个一级模型去检测车框，它应该有个隐藏类，就是car，当然对应的卡车，suv，货车之类的。如图1.1中car。

2.1.2 二级模型

2 其实除了上面的车框隐藏类外，还应该有3个隐藏类信息，前车窗定位，车头定位，车位定位。如图1.1中window和head。他是在一级模型基础上进行检测。

3 这里并不是通过车框整体特征去识别这个车是否是雷克萨斯，而是根据车标做到的。

3 这里有个关键问题，如何用最少的检测模型，去完成最多的事。我猜测有几个任务是放到一起检测的。

3.1 车头检测、车位检测、车窗检测，行李箱检测

3.2 车牌定位，车标检测， 车灯检测，后视灯检测

标注方法没什么可说的。这里他这里还缺个车轮检测。这个车轮检测标注有两种，如下图1.3。右图有预测部分，在很多看不到车轮地方会进行“精准”的预测。左图同样有个问题，小的车轮会漏，发生率检,比较好高。

1.3 车轮检测

2.1.3 三级级模型

4 三级模型是继承二级模型中的车窗内信息

4.1 安全带检测，手机检测，人头检测

这里说下安全带和手机如何去标。

• 安全带标注带上人体特征。
• 手机标注带上人手特征

2.1.4 注

yolov5-s模型的检测性能超过yolov5-n，但是两个yolov5-n资源消耗不及一个yolov5-s。检测目标时候用一个yolov5-s还是两个yolov5-n值得考虑的问题。

后面这个问题我就不再说了

2.2 实例

2.1 车窗检测

2.2 车窗内检人头检测

上面推测了卓识对所有车窗检测了，这里可以证实。

他的目的是什么？评估车内有几人。那么问题来了，有的方向看不到车窗内人怎么办？不检，做评估。

注意：标人头时候把上衣信息加入进去了。