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

文章列表

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：