YOLOv3 车辆，行人，自行车检测

分手后的思念是犯贱 2022-08-31 04:44 234阅读 0赞

**参考地址**  
https://github.com/ghimiredhikura/Complex-YOLOv3  
（另有基于YOLOv4的https://github.com/maudzung/Complex-YOLOv4-Pytorch）

**Requirements**

numpy  
torch=1.1  
torchvision  
tensorflow  
terminaltables  
tqdm  
opencv-python  
shapely

实测torch 1.2.0+cu92及tensorflow 2.3.0可运行

**安装及测试**

按照项目说明安装并运行test\_both\_side\_detection.py即可进行测试，预研过程中并未发生异常

**测试数据集替换**

模型须要指定data/KITTI/object中的一个文件夹作为–folder的参数给出测试数据集，  
并给出data/KITTI/ImageSets中的一个文件作为–split的参数给出具体测试样本的编号，  
可参考data/KITTI/object/sampledata及data/KITTI/object/sample.txt

由于Complex-YOLO进行的是detection，其自带的sample也是KITTI的detection dataset，呈现结果时缺乏连续直观性  
可考虑在KITTI的tracking dataset上进行测试：

1.  下载http://www.cvlibs.net/datasets/kitti/eval\_tracking.php的calib、velodyne、image\_2
2.  提取特定sequence作为测试数据，例如0019：  
    2.1 提取data\_tracking\_velodyne.zip的training/velodyne/0019为tracking/velodyne  
    2.2 提取data\_tracking\_image\_2.zip的training/image\_02/0019为tracking/image\_2（不是02）  
    2.3 提取data\_tracking\_calib.zip的training/calib/0019.txt，将其中R\_rect、Tr\_velo\_cam、Tr\_imu\_velo分别改成  
    R0\_rect、Tr\_velo\_to\_cam、Tr\_imu\_to\_velo  
    2.4 修改并执行如下所示的代码：

import os
    from shutil import copyfile
    
    src = "/mnt/43BFE6BAB7D5B0D9/KITTI_TMP/tracking/0019.txt"  #0019.txt的位置
    dst = "/mnt/43BFE6BAB7D5B0D9/KITTI_TMP/tracking/calib/"      #先创建的tracking/calib文件夹
    
    #在tracking/calib中为sequence0019的每一帧创建calib文件，从000000开始编号
    for i in range(1059): #1059为sequence0019的帧数
        name = '%06d'%i+'.txt'
        copyfile(src,dst+name)
    
    #生成放在ImageSets中的测试样本编号，这里为整个sequence0019
    with open('/mnt/43BFE6BAB7D5B0D9/KITTI_TMP/tracking/track.txt','w') as f:
        for i in range(1059):
            f.writelines('%06d'%i+'\n')
    
           2.5  按照sampledata、sample.txt的方式，将tracking放到data/KITTI/object，track.txt放到ImageSets即可

**效果评价**

能同时识别car、pedestrian、cyclist，准确率和召回率都非常好，没有明显误判和漏判；  
能够很好地捕捉目标的朝向；  
因为逐帧detection效果很好，有做成tracking的潜质；  
由于测试代码包含可视化部分，且GPU并未完全利用起来，测试过程中FPS较低(~3)，尚不清楚模型本身的推断速度；