基于yolov5的目标检测-停车位检测、低矮障碍物、地面标识检测等

2024-02-26 20:30

本文主要是介绍基于yolov5的目标检测-停车位检测、低矮障碍物、地面标识检测等,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

        只用一个目标检测模型(没有关键点,没有旋转框,只有2D框,用yolo系列,ssd、centernet等都可以,只要是目标检测模型就行,本文用的是yolov5s),就可以在fisheye bev图上同时检测如下4条所指的所有类别,所有类别,所有类别,重要的事情说三遍

  1. 线车位、砖车位、空间车位、立体车位(包含水平、垂直、斜列)
  2. 各种低矮障碍物接地框(轮档、限位杆,雪糕筒、地锁、隔离桩、树干、电线杆、石柱、石球、防撞桶、垃圾桶、消防箱等)
  3. 地面标识:地面箭头方向、减速带方向、残疾人标识等
  4. 接地点:地下车库防撞条、车轮的接地点

         由于该数据没有标注和训练过,直接用我自己的模型输出的结果。为了适应我的模型输入尺寸,图像大小由原来的1024 x 1024 缩小到480x480所以识别率和准确度没有我自己数据的高

        识别部分结果视频请参考如下链接:

基于yolo5的停车位、低矮障碍物、地面标识检测_哔哩哔哩_bilibiliicon-default.png?t=N7T8https://www.bilibili.com/video/BV1bu4y1b77V/?vd_source=7ea02dec745a8a6cb7a4ed1f84006629

自动泊车之车位检测2_哔哩哔哩_bilibili只用一个目标检测模型(没有关键点,没有旋转框,只有2D框,用yolo系列,ssd、centernet等都可以,只要是目标检测模型就行,本文用的是yolov5s),就可以在fisheye bev图上同时检测如下4条所指的所有类别,所有类别,所有类别,重要的事情说三遍1、线车位、砖车位、空间车位、立体车位(包含水平、垂直、斜列)2、各种低矮障碍物接地框(轮档、限位杆,雪糕筒、地锁、隔离桩、树干、电线杆, 视频播放量 111、弹幕量 0、点赞数 1、投硬币枚数 0、收藏人数 1、转发人数 1, 视频作者 67496310807_bili, 作者简介 ,相关视频:基于yolov5的车位检测、低矮障碍物目标检测,车辆前后被堵住如何出车位,山东车神表演原地出车位,华为无人代客泊车视频火了智界S7一键自动找车位停车美欧感叹:比特斯拉厉害百倍,【问界】M5智驾版自动泊车,差点撞了!?,华为问界M5自动泊车居然可以选择压在车下的车位! #华为 #问界M5 #自动泊车,博越l 自动泊车 代客泊车,停车场遇到很窄的车位,如何安全快速的停车或者开门呢?,没想到啊,手机拿错了就没法自动泊车了,特斯拉自动泊车倒车入库失误版,目标检测台球icon-default.png?t=N7T8https://www.bilibili.com/video/BV1C64y1L7U8/?vd_source=7ea02dec745a8a6cb7a4ed1f84006629

1、车位

如下类型的车位都支持,包括画线砖类型车位等(用目标检测框做出来的噢,哈哈哈哈立体车位空间斜列车位数据集中没有,这里就不列举了

        车位是由4条绿线组成的,如果4条线中有一条线出现如下颜色,则代表下面对应的意思

绿色:可泊 ;              红色:被车占用 ;                 橙色:被碍物占用或被障碍物遮挡

1.1、水平车位

        绿线组成的矩形框代表车位

1)靠路沿侧有车位线:则车位按照实际线给出

2)靠路沿侧无车位线:车位线会给到路沿与地面的交界处

1.2、斜列车位

        绿线组成的框代表车位,斜列车位数据集中也很少,就列举一张图吧,橙色入口线代表车位内有障碍物,并给出车位内障碍物的类型和位置坐标

1.3、垂直车位 

      绿线组成的矩形框代表车位,列几个示例图如下,更多结果参考视频

1.4、轮档、限位杆

        给出的是轮档、限位杆离车位入口方向最近的接地位置。如下面图中黄色线(端点是红色原点),输出是黄线的两个端点,360度检测车位内的轮档和限位杆。

2、箭头、减速带

2.1、箭头

      箭头给出方向向量,由2个点组成的线段表示,如下面图箭头里的红色线(圆点代表箭头方向)

2.2、减速带

      减速带给出中心线方向向量,由2个点组成的线段表示,如下面橙线(圆点代表减速带端点)

3、低矮障碍物

3.1、隔离柱、细杆

       隔离柱、细杆示例如下图,红色序号22所指的蓝色矩形框即检测出的接地框,其中护栏的接地桩也算隔离柱类型

 

 

 如下图护栏的接地部分也是输出接地框,序号22

 

3.2、雪糕筒

       雪糕筒例如下图,红色序号3所指的蓝色矩形框即检测出的接地框

 

 

 

3.3、地锁

      地锁给出的接地框不是完全包围地锁的底部,而是以障碍物离自车左右摄像头最近的那个点为准,画出的矩形框,基本代表了地锁的接地位置,地锁示例如下图

        下面图中红色序号4 所指的蓝色矩形框即检测出的地锁的接地框,数据集中出现过的地锁基本都能正确识别类型和位置

 

3.4、地库防撞条的接地点

 下图中黄色序号6所指的蓝色接地点,即为检测出的防撞条的接地点

3.5、车轮接地点

轮胎与地面交界处的黄色的圆点,即为检测出的轮胎的接地点

3.6、人脚接地框

下图红色序号23所指的蓝色矩形框为检测的人脚的接地框

3.7、石球 

下图红色序号18所指的蓝色矩形框为石球的接地框

 

先列这些类别吧,别的先不列了

 本文使用的所有图片均来自以下链接,如有侵权,即刻删除博登智能开源AVM(Around View Monitor)环视拼接泊车位数据集 - 知乎 (zhihu.com)dicon-default.png?t=N7T8https://zhuanlan.zhihu.com/p/564718292?utm_id=0

这篇关于基于yolov5的目标检测-停车位检测、低矮障碍物、地面标识检测等的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/750070

相关文章

基于CTPN(tensorflow)+CRNN(pytorch)+CTC的不定长文本检测和识别

转发来源:https://swift.ctolib.com/ooooverflow-chinese-ocr.html chinese-ocr 基于CTPN(tensorflow)+CRNN(pytorch)+CTC的不定长文本检测和识别 环境部署 sh setup.sh 使用环境: python 3.6 + tensorflow 1.10 +pytorch 0.4.1 注:CPU环境

3月份目标——刷完乙级真题

https://www.patest.cn/contests/pat-b-practisePAT (Basic Level) Practice (中文) 标号标题通过提交通过率1001害死人不偿命的(3n+1)猜想 (15)31858792260.41002写出这个数 (20)21702664840.331003我要通过!(20)11071447060.251004成绩排名 (20)159644

基于深度学习的轮廓检测

基于深度学习的轮廓检测 轮廓检测是计算机视觉中的一项关键任务,旨在识别图像中物体的边界或轮廓。传统的轮廓检测方法如Canny边缘检测和Sobel算子依赖于梯度计算和阈值分割。而基于深度学习的方法通过训练神经网络来自动学习图像中的轮廓特征,能够在复杂背景和噪声条件下实现更精确和鲁棒的检测效果。 深度学习在轮廓检测中的优势 自动特征提取:深度学习模型能够自动从数据中学习多层次的特征表示,而不需要

自动驾驶---Perception之Lidar点云3D检测

1 背景         Lidar点云技术的出现是基于摄影测量技术的发展、计算机及高新技术的推动以及全球定位系统和惯性导航系统的发展,使得通过激光束获取高精度的三维数据成为可能。随着技术的不断进步和应用领域的拓展,Lidar点云技术将在测绘、遥感、环境监测、机器人等领域发挥越来越重要的作用。         目前全球范围内纯视觉方案的车企主要包括特斯拉和集越,在达到同等性能的前提下,纯视觉方

YOLOv9摄像头或视频实时检测

1、下载yolov9的项目 地址:YOLOv9 2、使用下面代码进行检测 import torchimport cv2from models.experimental import attempt_loadfrom utils.general import non_max_suppression, scale_boxesfrom utils.plots import plot_o

鹅算法(GOOSE Algorithm,GOOSE)求解复杂城市地形下无人机避障三维航迹规划,可以修改障碍物及起始点(Matlab代码)

一、鹅算法 鹅优化算法(GOOSE Algorithm,GOOSE)从鹅的休息和觅食行为获得灵感,当鹅听到任何奇怪的声音或动作时,它们会发出响亮的声音来唤醒群中的个体,并保证它们的安全。 参考文献 [1]Hamad R K, Rashid T A. GOOSE algorithm: a powerful optimization tool for real-world engineering

C# Onnx Yolov5 水果识别,人员识别,物品识别 人工智能

目录 先上效果 来电废话,但实用 网络成功案例实践易失败的原因 万物检测涉及技术  下载合集 关键代码 全部代码 实操vs2022安装关键 YOLO V5核心库编译 编写自己识别软件 更新相关依赖 标注字库文件 测试效果 名词解释YOLO 名词解释ONNX 源码 直播教学和作者 先上效果 来电废话,但实用 为何照做网络成功案例仍失败?软件与男

Java内存泄漏检测和分析介绍

在Java中,内存泄漏检测和分析是一个重要的任务,可以通过以下几种方式进行:   1. 使用VisualVM VisualVM是一个可视化工具,可以监控、分析Java应用程序的内存消耗。它可以显示堆内存、垃圾收集、线程等信息,并且可以对内存泄漏进行分析。 2. 使用Eclipse Memory Analyzer Eclipse Memory Analyzer(MAT)是一个强大的工具,可

Failed to establish a new connection: [WinError 10061] 由于目标计算机积极拒绝,无法连接

在进行参数化读取时发现一个问题: 发现问题: requests.exceptions.ConnectionError: HTTPConnectionPool(host='localhost', port=8081): Max retries exceeded with url: /jwshoplogin/user/update_information.do (Caused by NewConn

基于CDMA的多用户水下无线光通信(3)——解相关多用户检测

继续上一篇博文,本文将介绍基于解相关的多用户检测算法。解相关检测器的优点是因不需要估计各个用户的接收信号幅值而具有抗远近效应的能力。常规的解相关检测器有运算量大和实时性差的缺点,本文针对异步CDMA的MAI主要来自干扰用户的相邻三个比特周期的特点,给出了基于相邻三个匹配滤波器输出数据的截断解相关检测算法。(我不知道怎么改公式里的字体,有的字母在公式中重复使用了,请根据上下文判断字母含义) 1