基于轻量级yolov5s开发构建电动车违规进入电梯检测识别系统

电动车是大家非常非常熟悉的日常交通工具了，博主也是一位资深的电动车重度使用者，基本上日常生活里面的办事都会骑着电动车去，在城市小区里面生活，电梯也是大家必然不陌生的东西，电动车一直是被禁止驶入电梯的，网上各种事件可谓是层出不穷，另外电动车充电最好是选择小区工农的充电桩而不是放在家里充电，一不留神很容易酿成事故，这里主要的想法就是开发过构建这样一套系统，后期可以考虑接入电梯视频，实时计算，对于骑着电动车进入电梯的人及时发出蜂鸣报警，降低类似危险事故的发生。

首先看下效果图：

 简单看下数据集：

 YOLO格式标注文件如下所示：

 VOC格式标注文件如下所示：

 这里为了轻量化，选择的是兼顾精度和速度的yolov5s模型，如下：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32#Backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]#Head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

默认设定了200次epoch的迭代计算，结果详情如下所示：

混淆矩阵：

 F1值曲线：

 PR曲线：

 batch计算实例：

 数据可视化：

 这里我还适配了自己开发的不同界面如：

后面有机会找到合适的场景接入实际视频数据的话会考虑再次迭代优化下模型看看实际表现如何。