55 lines
2.4 KiB
Markdown
55 lines
2.4 KiB
Markdown
|
[English](README.md) | 简体中文
|
|||
|
|
# 特色垂类检测模型
|
|||
|
|
|
|||
|
|
我们提供了针对不同场景的基于PaddlePaddle的检测模型，用户可以下载模型进行使用。
|
|||
|
|
|
|||
|
|
| 任务 | 算法 | 精度(Box AP) | 下载 | 配置文件 |
|
|||
|
|
|:---------------------|:---------:|:------:| :---------------------------------------------------------------------------------: | :------:|
|
|||
|
|
| 车辆检测 | YOLOv3 | 54.5 | [下载链接](https://paddledet.bj.bcebos.com/models/vehicle_yolov3_darknet.pdparams) | [配置文件](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.0/configs/vehicle/vehicle_yolov3_darknet.yml) |
|
|||
|
|
|
|||
|
|
|
|||
|
|
## 车辆检测（Vehicle Detection）
|
|||
|
|
|
|||
|
|
车辆检测的主要应用之一是交通监控。在这样的监控场景中，待检测的车辆多为道路红绿灯柱上的摄像头拍摄所得。
|
|||
|
|
|
|||
|
|
### 1. 模型结构
|
|||
|
|
|
|||
|
|
Backbone为Dacknet53的YOLOv3。
|
|||
|
|
|
|||
|
|
### 2. 训练参数配置
|
|||
|
|
|
|||
|
|
PaddleDetection提供了使用COCO数据集对YOLOv3进行训练的参数配置文件[yolov3_darknet53_270e_coco.yml](https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.0/configs/yolov3/yolov3_darknet53_270e_coco.yml)，与之相比，在进行车辆检测的模型训练时，我们对以下参数进行了修改：
|
|||
|
|
|
|||
|
|
* num_classes: 6
|
|||
|
|
* anchors: [[8, 9], [10, 23], [19, 15], [23, 33], [40, 25], [54, 50], [101, 80], [139, 145], [253, 224]]
|
|||
|
|
* nms/nms_top_k: 400
|
|||
|
|
* nms/score_threshold: 0.005
|
|||
|
|
* dataset_dir: dataset/vehicle
|
|||
|
|
|
|||
|
|
### 3. 精度指标
|
|||
|
|
|
|||
|
|
模型在我们内部数据上的精度指标为：
|
|||
|
|
|
|||
|
|
IOU=.50:.05:.95时的AP为 0.545。
|
|||
|
|
|
|||
|
|
IOU=.5时的AP为 0.764。
|
|||
|
|
|
|||
|
|
### 4. 预测
|
|||
|
|
|
|||
|
|
用户可以使用我们训练好的模型进行车辆检测：
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
export CUDA_VISIBLE_DEVICES=0
|
|||
|
|
python -u tools/infer.py -c configs/vehicle/vehicle_yolov3_darknet.yml \
|
|||
|
|
-o weights=https://paddledet.bj.bcebos.com/models/vehicle_yolov3_darknet.pdparams \
|
|||
|
|
--infer_dir configs/vehicle/demo \
|
|||
|
|
--draw_threshold 0.2 \
|
|||
|
|
--output_dir configs/vehicle/demo/output
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
预测结果示例：
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|