基于YOLOv4的交通标志和道路病害识别

这周用yolov4干了两件事情，一个是训练tt100k交通标志数据集并测试，一个是用tt100k的图片标注出井盖，然后训练测试。

 

1. 训练tt100k交通标志数据集并测试

所用的机器：64G RAM; i7-10代；Nvidia GeForce 2080 super 8G

环境：CUDA 10.2 ; cudnn-8.0.2 ; python 3.7; openCV 3.4 ; yolov4

 

训练了两天左右，maxbatch设置为90000，训练到45000左右的时候意外断电，最高mpa为74%。

下图为博主用Nvidia Titan 11G 训练完成之后的结果

下面图片是我用训练完（一半）的模型测试的结果

下图为tt100k数据集分类 可以对比上图 发现有些图标还是会识别错误

 

2. 用tt100k的图片标注出井盖，训练并测试

我从tt100k训练集中选取了含有井盖的200张图片进行标注和训练

训练结果如下

 

这里的训练使用迁移学习，所以使用的是yolov4在coco数据集上的预训练权重文件。

证明新加入物体进行识别，不需要改动核心代码，只需要提供数据集和标注，修改配置文件即可。

地面裂缝理论上也可以识别，但是由于其形状特殊可能识别效果不好，这个可以以后有了大量数据集之后进行调参，寻找最优效果。

 

总结：

yolov4可以在win10下部署成功，linux还没有试过，问题应该不大。

tt100k交通标志数据集种类太少，方形标志几乎没有，有文字的路牌也没有包含其中，之后加入识别有文字的应该需要改动核心代码

识别地面裂缝，目前没有足够训练集，无法评估识别效果，由于其形状种类太多，需要的数据集量应该会很庞大，可能会需要修改网络结构

使用Nvidia GeForce 2080super 8G 训练效果一般，因为显存不够大我将subdivision参数由8改为16，也将网络分辨率调低608*608->544*544 才能够进行正常训练。