使用YOLO進行實時車輛檢測
這是Udacity自動駕駛汽車納米度項目。 該項目的目的是在行車記錄儀視頻中檢測車輛。 我們使用你只看一次 (YOLO) 從儀錶盤攝像頭的視頻流中檢測車輛,並且能夠實現幾乎實時 (35FPS) 的處理。
該項目的代碼是最終的視頻輸出在這裡。 視頻流中的目標檢測檢測車輛是一個目標檢測問題。 對象檢測問題可以作為分類問題或回歸問題來解決。
在分類方法中,圖像被分成小的補丁,每個補丁將通過分類器運行,以確定補丁中是否存在對象。 邊界框將分配給具有肯定分類結果的補丁。 在回歸方法中,整個圖像將直接通過卷積神經網絡運行,為圖像中的對象生成一個或多個邊界框。
在這個項目中,我們將在Keras中實現tiny-YOLO的版本1,因為它易於實現並且相當快。 Tiny-YOLO v1目標檢測的YOLO方法由兩部分組成: 從圖像中預測矢量的神經網絡部分,以及將向量插值為框坐標和類概率的後處理部分。 對於神經網絡,微小的YOLO v1由9個卷積層和3個完整連接層組成。
每個卷積層由卷積、洩漏和最大池化操作組成。 前9個卷積層可以理解為特徵提取器,而後3個全連接層可以理解為預測邊界框的回歸頭。 模型中共有45,089,374個參數。
該網絡的輸出是一個1470向量,其中包含預測邊界框的信息。 信息按以下方式組織1470矢量輸出分為三個部分,給出概率,置信度和框坐標。 這三個部分中的每個部分也被進一步劃分為49個小區域,對應於形成原始圖像的49個單元格處的預測。
在後處理步驟中,我們從網絡輸出這個1470向量來生成概率高於某個閾值的盒子。 訓練YOLO網絡非常耗時。 我們從這裡使用預先訓練的權重 (172M) 並將其加載到我們的Keras模型中。
結果以下顯示了幾種測試圖像的結果。 我們可以看到汽車被正確檢測到: 這是將相同的管道應用於視頻的結果。 為了查看模型的真實性能,每個幀都是獨立處理的,並且不應用時間平滑。
我們看到檢測相當準確,只有一個假陽性。 眾所周知,YOLO速度很快。 在此項目中,視頻在Nvidia 1080Ti GPU上進行處理,無需批量處理即可實現35FPS。
緻謝感謝allanzelener和Trieu對YOLO的有益討論。 感謝Calvenn Tsuu進行性能測試。 參考
雷德蒙,S。 Divvala,R. Girshick和A。
Farhadi,你只看一次: 統一,實時對象檢測,arXiv:1506。 02640 (2015). J.
雷蒙和A。 Farhadi,YOLO9000: 更好,更快,更強,arXiv:1612.08242 (2016)。
Darkflow,相關問題在印度北部是否有生物醫學工程的職業或範圍? 由於OP沒有指定任何特定的內容,並且OP出現在印度。 NI假設並編輯了這個問題,說它的北印度,並更正了職業的拼寫。
印度北部生物醫學工程的職業或範圍。 NI來自北方,在那裡經驗豐富的生物醫學工程,那麼您對samenCareer wise有什麼選擇: 德里NCR,昌迪加爾以及北部其他重要的二線城市的醫院都可以提供生物醫學工程工作。 除此之外,德里NCR有n家從事生物醫學工程的公司。
德里擁有印度最大的手術器械公司之一。 這些公司從事醫療設備的製造和貿易。 除此之外,還有許多公司僱用工程師來處理不同的配置文件,例如應用程序專家,服務和銷售工程師。
我在德里-NCR的大多數朋友都處於有利地位,並且在職業生涯中成長得體。 研究明智: 生物醫學工程中心,AIIMS和IIT德里是該國生物醫學工程領域最具前瞻性的研究中心之一。 他們還與斯坦福大學為斯坦福印度生物設計合作。 除此之外,我們在古爾岡有國家大腦研究中心,在德里的生物醫學實驗室做了驚人的研究,在生物醫學工程方面做了很多工作。 我們在昌迪加爾也有生物醫學工程方面的研究人員,擁有一流生物醫學研究設施的CSIR實驗室Ropar還與NIT Jalandhar一起提供生物醫學研究,NIT Jalandhar在生物醫學工程研究方面擁有據點,因為ITBHU提供的碩士課程也提供了良好的研究機會,IIIT alahabad與NIT allahabadnn一起也有很好的機會。 在接下來的幾年中,不僅在印度北部,而且在印度各地,生物醫學工程領域都有很大的發展空間。
外國對醫療器械研究的投資正在增加,所以不要失去希望,專注於你的基礎知識,我們正在努力。 。 印度北部有生物醫學工程的職業或範圍嗎?
他們在印度北部從事生物醫學工程的職業或范圍嗎?
