使用环境 |
车辆行驶过程中的道路场景,如城市道路和高速公路等,用于检测远景小目标。 |
使用对象 |
交通灯、远处的行人、自行车、车辆、交通信号等典型标志物。 |
使用目的 |
提高道路车辆远景小目标检测的精确度和可信度,以实现城市智慧交通系统对车辆、红绿灯、交通标志、行人和自行车等对象的精确识别。 |
输入数据 |
道路场景的图像数据,来自SODA-D数据集和自制道路车辆视角测试数据集。 |
输出数据 |
检测到的目标类别、位置坐标、置信度等信息。 |
硬件配置 |
CPU:I9-14900KF,24核心32线程,主频3.0GHz。
GPU:RTX 4090D 24GB显卡。
操作系统:Ubuntu 20.04。
编程语言:Python 3.7.16。
深度学习框架:PyTorch 1.12.0,使用CUDA 11.6加速。 |
样本获取 |
SODA-D数据集:包含24828张高质量图像、278433个实例,分布在9个类别中。 自制数据集:捕捉不同场景、光照条件、实例堆叠下的实例。 |
测试结果 |
SODA-D数据集:
总体AP:32.7%,比基线模型高出3.9百分点。
APes(极小目标):16.3%,比基线模型高出2.9百分点。
APrs(相对较小目标):29.2%,比基线模型高出2.4百分点。
自制数据集:
mAP@50:62.4%,比基线模型高5.8百分点。 |
执行速度 |
FPS:9.5帧/秒。 |
资源消耗 |
CPU:在多核CPU上,计算占比分别平均约50%、60%、70%、40% GPU:显存占用约6GB,显卡计算占比约80% 内存:使用占比约60% |
源码类型 |
本算法有Python版本源码,可提供授权使用。 |
文件大小 |
算法程序文件24KB,权重文件12MB。 |
相关备注 |
|