蛋糕网站建设末班衡阳网站

当前位置： 首页 > news >正文

蛋糕网站建设末班,衡阳网站,wordpress 批量,超级商城摘要#xff1a;基于YOLOv5的停车位检测系统用于露天停车场车位检测#xff0c;应用深度学习技术检测停车位是否占用#xff0c;以辅助停车场对车位进行智能化管理。在介绍算法原理的同时#xff0c;给出Python的实现代码、训练数据集以及PyQt的UI界面。博文提供了完整的Py… 摘要基于YOLOv5的停车位检测系统用于露天停车场车位检测应用深度学习技术检测停车位是否占用以辅助停车场对车位进行智能化管理。在介绍算法原理的同时给出Python的实现代码、训练数据集以及PyQt的UI界面。博文提供了完整的Python代码和使用教程适合新入门的朋友参考完整代码资源文件请转至文末的下载链接。本博文目录如下 文章目录前言1. 效果演示2. 停车位数据集及训练3. 停车位检测识别下载链接结束语➷点击跳转至文末所有涉及的完整代码文件下载页☇ 基于深度学习的停车位检测系统演示与介绍前言 停车位检测系统是指利用计算机视觉技术对停车场内的停车位进行实时监测和识别以便为车主提供及时准确的空余停车位信息。停车位检测系统主要包括两个主要组成部分硬件和软件。硬件方面停车位检测系统需要使用摄像头或传感器等设备对停车场进行实时监测以获取停车位的状态信息。软件方面停车位检测系统需要使用计算机视觉技术对摄像头或传感器拍摄的图像进行分析和处理以实现停车位的检测和识别。停车位检测系统的主要功能包括实时监测停车场内的停车位精准识别车位状态即刻提供车位空余信息提高停车场的利用效率减少车主的停车等待时间缓解停车位紧张问题改善城市停车环境提高城市交通管理水平等。停车位检测系统在智慧城市建设、交通管理、商业运营等领域具有广泛的应用前景。同时停车位检测系统还可以结合车辆管理系统、支付系统等其他系统实现更加智能化的停车场管理和服务。 停车位检测系统基于机器视觉深度学习技术能够实现无人值守的不间断工作并且系统可以主动发现监控区域内的空闲停车位情况极大的节约了人员成本提高了工作效率。这里给出博主设计的软件界面同款的简约风功能也可以满足图片、视频和摄像头的识别检测希望大家可以喜欢初始界面如下图 检测系统的界面截图点击图片可放大如下图可识别画面中存在的多个停车位也可开启摄像头或视频检测 详细的功能演示效果参见博主的B站视频或下一节的动图演示觉得不错的朋友敬请点赞、关注加收藏系统UI界面的设计工作量较大界面美化更需仔细雕琢大家有任何建议或意见和可在下方评论交流。 1. 效果演示 首先我们还是通过动图看一下识别的效果系统主要实现的功能是对图片、视频和摄像头画面中的停车位进行识别识别的结果可视化显示在界面和图像中另外提供多个目标的显示选择功能演示效果如下。 一用户注册登录界面 这里设计了一个登录界面可以注册账号和密码然后进行登录。界面还是参考了当前流行的UI设计左侧是一个LOGO图右侧输入账号、密码、验证码等等。 二选择图片识别 系统允许选择图片文件进行识别点击图片选择按钮图标选择图片后显示所有停车位识别的结果可通过下拉选框查看单个停车位的结果。本功能的界面展示如下图所示 三视频识别效果展示 很多时候我们需要识别一段视频这里设计了视频选择功能。点击视频按钮可选择待检测的视频系统会自动解析视频逐帧识别停车位并将结果记录在右下角表格中效果如下图所示 2. 停车位数据集及训练 这里我们使用的停车位识别数据集包含训练数据集8690张图片验证集2483张图像测试集1242张图像共计12415张图片。以下是部分数据文件及对应标注情况 每张图像均提供了图像类标记信息图像中停车位的bounding box停车位的关键part信息以及停车位的属性信息数据集并解压后得到如下的图片。 数据集中标签的分布如下图所示两类标签车位占用、与车位空出的比例整体接近。 如图所示这是我们需要的准备环节首先要安装Yolov5的依赖库配置一个Python3.8然后按照requirements.txt里面的依赖装环境就可以运行了。 #请按照给定的python版本配置环境否则可能会因依赖不兼容而出错 conda create -n env_rec python3.8 #激活环境 activate env_rec #使用pip安装所需的以来可通过requirement.txt pip install -r requirements.txt如果使用离线依赖安装包可以将最后一步的pip安装命令改为以下代码 pip install -r requirements.txt –no-index –find-links./mylib/作为YOLO系列的完善版本YOLOv5优越的灵活性使得它可以方便地快速部署在车辆硬件侧。YOLOv5包含YOLOv5s、YOLOv5m、YOLOv5l, YOLOv5x。 YOLOv5s是YOLO系列中最小的版本由于其内存大小为14.10M更适合部署在车载移动硬件平台上但其识别精度不能满足准确高效识别的要求尤其是对小目标的识别。 YOLOv5的基本框架可以分为4个部分:Input、Backbone、Neck和Prediction。 Input部分通过拼接数据增强来丰富数据集对硬件设备要求低计算成本低。但是这会导致数据集中原有的小目标变小导致模型的泛化性能下降。 Backbone部分主要由CSP模块组成通过CSPDarknet53进行特征提取。 在Neck中使用FPN和路径聚合网络(PANet)来聚合该阶段的图像特征。最后网络进行目标预测并通过预测输出。 以上就是yolov5项目代码的整体介绍。我们训练和测试自己的数据集基本就是利用到如上的代码。 以上就是YOLOv5的整体介绍接下来进行训练。本项目使用Yolov5训练了一个海上船舶目标检测模型在笔记本的3070显卡下训练了300 epoch训练集和验证集上损失、精确率、召回率、mAP的变化图 在深度学习中我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv5训练时主要包含三个方面的损失矩形框损失(box_loss)、置信度损失obj_loss和分类损失(cls_loss)在训练结束后我们也可以在logs目录下找到生成对若干训练过程统计图。下图为博主训练停车位识别的模型的训练图和曲线图。 一般我们会接触到两个指标分别是召回率recall和精度precision两个指标p和r都是简单地从一个角度来判断模型的好坏均是介于0到1之间的数值其中接近于1表示模型的性能越好接近于0表示模型的性能越差为了综合评价目标检测的性能一般采用均值平均密度map来进一步评估模型的好坏。我们通过设定不同的置信度的阈值可以得到在模型在不同的阈值下所计算出的p值和r值一般情况下p值和r值是负相关的绘制出来可以得到如下图所示的曲线其中曲线的面积我们称AP目标检测模型中每种目标可计算出一个AP值对所有的AP值求平均则可以得到模型的mAP值。 以PR-curve为例可以看到我们的模型在验证集上的均值平均准确率为0.997。

1. 停车位检测识别 在训练完成后得到最佳模型接下来我们将帧图像输入到这个网络进行预测从而得到预测结果预测方法predict.py部分的代码如下所示 def predict(img):img torch.from_numpy(img).to(device)img img.half() if half else img.float()img / 255.0if img.ndimension() 3:img img.unsqueeze(0)t1 time_synchronized()pred model(img, augmentFalse)[0]pred non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classesopt.classes,agnosticopt.agnostic_nms)t2 time_synchronized()InferNms round((t2 - t1), 2)return pred, InferNms得到预测结果我们便可以将帧图像中的停车位框出然后在图片上用opencv绘图操作输出停车位的类别及停车位的预测分数。以下是读取一个停车位图片并进行检测的脚本首先将图片数据进行预处理后送predict进行检测然后计算标记框的位置并在图中标注出来。 if name main:img_path ./UIrec/test/Parking1.jpgimage cv_imread(img_path)img0 image.copy()img letterbox(img0, new_shapeimgsz)[0]img np.stack(img, 0)img img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416img np.ascontiguousarray(img)pred, useTime predict(img)det pred[0]p, s, im0 None, , img0if det is not None and len(det): # 如果有检测信息则进入det[:, :4] scale_coords(img.shape[1:], det[:, :4], im0.shape).round() # 把图像缩放至im0的尺寸number_i 0 # 类别预编号detInfo []for *xyxy, conf, cls in reversed(det): # 遍历检测信息c1, c2 (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))# 将检测信息添加到字典中detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], %.2f % conf])number_i 1 # 编号数1label %s %.2f % (names[int(cls)], conf)# 画出检测到的目标物plot_one_box(image, xyxy, labellabel, colorcolors[int(cls)])# 实时显示检测画面cv2.imshow(Stream, image)# if cv2.waitKey(1) 0xFF ord(q):# breakc cv2.waitKey(0) 0xff执行得到的结果如下图所示图中停车位和置信度值都标注出来了预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统在界面上选择图片、视频或摄像头然后调用模型进行检测。 博主对整个系统进行了详细测试最终开发出一版流畅得到清新界面就是博文演示部分的展示完整的UI界面、测试图片视频、代码文件以及Python离线依赖包方便安装运行也可自行配置环境均已打包上传感兴趣的朋友可以通过下载链接获取。 下载链接 若您想获得博文中涉及的实现完整全部程序文件包括测试图片、视频py, UI文件等如下图这里已打包上传至博主的面包多平台见可参考博客与视频已将所有涉及的文件同时打包到里面点击即可运行完整文件截图如下 在文件夹下的资源显示如下下面的链接中也给出了Python的离线依赖包读者可在正确安装Anaconda和Pycharm软件后复制离线依赖包至项目目录下进行安装离线依赖的使用详细演示也可见本人B站视频win11从头安装软件和配置环境运行深度学习项目、Win10中使用pycharm和anaconda进行python环境配置教程。 注意该代码采用PycharmPython3.8开发经过测试能成功运行运行界面的主程序为runMain.py和LoginUI.py测试图片脚本可运行testPicture.py测试视频脚本可运行testVideo.py。为确保程序顺利运行请按照requirements.txt配置Python依赖包的版本。Python版本3.8请勿使用其他版本详见requirements.txt文件 完整资源中包含数据集及训练代码环境配置与界面中文字、图片、logo等的修改方法请见视频项目完整文件下载请见参考博客文章里面或参考视频的简介处给出➷➷➷ 参考博客文章https://zhuanlan.zhihu.com/p/615601283 参考视频演示https://www.bilibili.com/video/BV1224y1M7JS/ 离线依赖库下载链接https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwdoy4n 提取码oy4n 界面中文字、图标和背景图修改方法 在Qt Designer中可以彻底修改界面的各个控件及设置然后将ui文件转换为py文件即可调用和显示界面。如果只需要修改界面中的文字、图标和背景图的可以直接在ConfigUI.config文件中修改步骤如下         1打开UI_rec/tools/ConfigUI.config文件若乱码请选择GBK编码打开。         2如需修改界面文字只要选中要改的字符替换成自己的就好。         3如需修改背景、图标等只需修改图片的路径。例如原文件中的背景图设置如下 mainWindow :/images/icons/back-image.png可修改为自己的名为background2.png图片位置在UI_rec/icons/文件夹中可将该项设置如下即可修改背景图 mainWindow ./icons/background2.png结束语 由于博主能力有限博文中提及的方法即使经过试验也难免会有疏漏之处。希望您能热心指出其中的错误以便下次修改时能以一个更完美更严谨的样子呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。