YOLOv3目标检测实战:交通标志识别

在无人驾驶中，交通标志识别是一项重要的任务。本项目以美国交通标志数据集LISA为训练对象，采用YOLOv3目标检测方法实现实时交通标志识别。

具体项目过程包括包括：安装Darknet、下载LISA交通标志数据集、数据集格式转换、修改配置文件、训练LISA数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。

YOLOv3可以实时地进行端到端的目标检测，以速度快见长。本课程将手把手地教大家使用YOLOv3实现交通标志识别。本课程的YOLOv3使用Darknet，在Ubuntu上做项目演示。 Darknet是使用C语言实现的轻型开源深度学习框架，依赖少，可移植性好，值得深入学习和探究。

本人推出的有关YOLOv3的系列课程包括：

（1）YOLOv3目标检测实战：训练自己的数据集

（2）YOLOv3目标检测实战：交通标志识别（即本课程）

? 课程链接：https://edu.51cto.com/course/18279.html

（3）YOLOv3目标检测：原理与源码解析

（4）YOLOv3目标检测：网络模型改进方法

与课程《YOLOv3目标检测实战：训练自己的数据集》相比，本课程的区别主要在于学习数据集格式转换，即把LISA数据集从csv格式转换成YOLOv3所需要的PASCAL VOC格式和YOLO格式。本课程提供数据集格式转换的Python代码。

请大家关注以上课程，并选择学习。

下图是使用YOLOv3进行交通标志识别的测试结果：



原文地址：https://blog.51cto.com/14012985/2402671

时间： 2024-10-07 21:52:01

YOLOv3目标检测实战:交通标志识别的相关文章

YOLOv3目标检测：原理与Darknet源码解析

Linux创始人Linus Torvalds有一句名言:Talk is cheap. Show me the code. (冗谈不够,放码过来!). 代码阅读是从入门到提高的必由之路.尤其对深度学习,许多框架隐藏了神经网络底层的实现,只能在上层调包使用,对其内部原理很难认识清晰,不利于进一步优化和创新. YOLOv3是一种基于深度学习的端到端实时目标检测方法,以速度快见长. YOLOv3的实现Darknet是使用C语言开发的轻型开源深度学习框架,依赖少,可移植性好,可以作为很好的代码阅读案例,让

我收集的一些目标检测、跟踪、识别标准测试视频集和图像数据库

一个网友收集的运动目标检测,阴影检测的标准测试视频 http://blog.csdn.net/sunbaigui/article/details/6363390 很权威的change detection检测视频集,里面有将近20种主流算法在这个测试集上的运行结果和ROC,PRA曲线 http://changedetection.net/ VIVID Tracking Evaluation Web Site http://vision.cse.psu.edu/data/vividEval/data

德国交通标志检测基准

德国交通标志检测基准是对研究员噶兴趣的计算机视觉,模式识别和基于图像的驾驶员辅助领域的单图像检测评估. 它是在IEEE国际神经网络联合会议上推出的.它的特点是 ... 单图像检测 900个图像 (分为600个训练图像和300个评估图像) 划分为适合不同性质的各种检测方法的性质的三个类别 一个可以立即分析并能排序提交的结果的在线评估系统 竞争测试数据集 如果您想参加我们的比赛,请下载test dataset(530 MB),并由交通标志检测器处理图像. 有关提交程序的详情,请参阅"提交格式和规定&

AI佳作解读系列(五) － 目标检测二十年技术综述

计算机视觉中的目标检测,因其在真实世界的大量应用需求,比如自动驾驶.视频监控.机器人视觉等,而被研究学者广泛关注. 上周四,arXiv新出一篇目标检测文献<Object Detection in 20 Years: A Survey>,其对该领域20年来出现的技术进行了综述,这是一篇投向PAMI的论文,作者们review了400+篇论文,总结了目标检测发展的里程碑算法和state-of-the-art,并且难能可贵的对算法流程各个技术模块的演进也进行了说明,还深入到目标检测的特定领域,如人脸检

从YOLOv1到YOLOv3，目标检测的进化之路

https://blog.csdn.net/guleileo/article/details/80581858 本文来自 CSDN 网站,作者 EasonApp. 作者专栏: http://dwz.cn/7ZGrif YOLOv1 这是继 RCNN,fast-RCNN 和 faster-RCNN之后,Ross Girshick 针对 DL 目标检测速度问题提出的另外一种框架.YOLO V1 其增强版本在 GPU 上能跑45fps,简化版本155fps. 论文下载:http://arxiv.org

caffe框架下目标检测——faster-rcnn实战篇操作

原有模型 1.下载fasrer-rcnn源代码并安装 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git 1)  经常断的话,可以采取两步: git clone https://github.com/rbgirshick/py-faster-rcnn.git 2)  到py-faster-rcnn中,继续下载caffe-faster-rcnn,采取后台跑: git submodule update --in

第十八节、基于传统图像处理的目标检测与识别(HOG+SVM附代码)

其实在深度学习分类中我们已经介绍了目标检测和目标识别的概念.为了照顾一些没有学过深度学习的童鞋,这里我重新说明一次:目标检测是用来确定图像上某个区域是否有我们要识别的对象,目标识别是用来判断图片上这个对象是什么.识别通常只处理已经检测到对象的区域,例如,人们总是会使在已有的人脸图像的区域去识别人脸. 传统的目标检测方法与识别不同于深度学习方法,后者主要利用神经网络来实现分类和回归问题.在这里我们主要介绍如何利用OpecnCv来实现传统目标检测和识别,在计算机视觉中有很多目标检测和识别的技术,这里

Tensorflow实战目标检测

首先到github下载相应的Tensorflow模型,以及配置好环境.具体的可参考这篇博客 或者参考Github上,TensorFlow models/research/object_detection里的安装教程. 这里给出一个视频里面的目标检测代码: import os import time import argparse import multiprocessing import numpy as np import tensorflow as tf import tarfile fro

一文带你学会使用YOLO及Opencv完成图像及视频流目标检测（上）|附源码

计算机视觉领域中,目标检测一直是工业应用上比较热门且成熟的应用领域,比如人脸识别.行人检测等,国内的旷视科技.商汤科技等公司在该领域占据行业领先地位.相对于图像分类任务而言,目标检测会更加复杂一些,不仅需要知道这是哪一类图像,而且要知道图像中所包含的内容有什么及其在图像中的位置,因此,其工业应用比较广泛.那么,今天将向读者介绍该领域中表现优异的一种算算法--"你只需要看一次"(you only look once,yolo),提出该算法的作者风趣幽默可爱,其个人主页及论文风格显示了其性