yolov3识别的类别_YOLO v3实战之钢筋数量AI识别（一）

本次的YOLO v3实战是基于DataFountain的一个比赛：智能盘点—钢筋数量AI识别，baseline model就选用上次讲解YOLO v3理论

用了大概一周的时间改进了一下，第二部分如下：CristianoC：YOLO v3实战之钢筋智能识别改进方案分享(二)​zhuanlan.zhihu.com

对YOLO v3还不了解的读者可以先阅读一下理论部分：CristianoC：目标检测之YOLO v1​zhuanlan.zhihu.comCristianoC：目标检测之YOLO v2​zhuanlan.zhihu.comCristianoC：目标检测之YOLO v3(附代码详细解析)​zhuanlan.zhihu.com

收藏数是点赞数的4倍了,欢迎大家给笔者点个赞当做给笔者创作的动力~

目录题目重述

数据准备

修改相关配置路径

开始训练

测试结果

题目重述

题目背景在工地现场，对于进场的钢筋车，验收人员需要对车上的钢筋进行现场人工点根，确认数量后钢筋车才能完成进场卸货。目前现场采用人工计数的方式，如图1-1中所示：图1-1 钢筋点跟现场场景上述过程繁琐、消耗人力且速度很慢(一般一车钢筋需要半小时，一次进场盘点需数个小时)。针对上述问题，希望通过手机拍照->目标检测计数->人工修改少量误检的方式(如图1-2)智能、高效的完成此任务：图1-2 理想工作场景

主要难点精度要求高。钢筋本身价格较昂贵，且在实际使用中数量很大，误检和漏检都需要人工在大量的标记点中找出，所以需要精度非常高才能保证验收人员的使用体验。需要专门针对此密集目标的检测算法进行优化，另外，还需要处理拍摄角度、光线不完全受控，钢筋存在长短不齐、可能存在遮挡等情况。

钢筋尺寸不一。钢筋的直径变化范围较大(12-32中间很多种类)且截面形状不规则、颜色不一，拍摄的角度、距离也不完全受控，这也导致传统算法在实际使用的过程中效果很难稳定。

边界难以区分。一辆钢筋车一次会运输很多捆钢筋(如图1-3)，如果直接全部处理会存在边缘角度差、遮挡等问题效果不好，目前在用单捆处理+最后合计的流程，这样的处理过程就会需要对捆间进行分割或者对最终结果进行去重，难度较大。图1-3 钢筋进场场景

任务赛题基于广联达公司提供的钢筋进场现场的图片和标注，希望参赛者综合运用计算机视觉和机器学习/深度学习等技术，实现拍照即可完成钢筋点根任务，大幅度提升建筑行