基于YOLOv6的交通标志检测系统

基于YOLOv6的交通标志检测系统

Summary：复杂场景中检测交通标志对于智能导航与自动驾驶具有重要研究意义与实用价值，针对目前交通标志检测率较低的问题，本文提出了基于深度学习网络的交通标志检测系统，系统包括图像采集模块、交通标志检测模块和导航模块。其中交通标志检测模块采用最新YOLOv6网络为基础，基于重参数化结构，提升了检测准确率，通过软件界面可以在视频中实时准确的标志出交通标志。经过实验验证，本文交通标志检测系统有更高的检测准确率，具有较好的应用价值。Keys：深度学习，目标检测，标志牌识别，YOLOv6，卷积神经网络

1引言在智慧交通及自动驾驶领域，近年来随着深度学习的发展，有许多网络模型进行标志牌识别与检测。其中YOLO网络模型[1]针对检测问题有很好的表现。YOLOv3[5]引入残差、加深网络，从不同的尺寸上分别进行预测，基本解决了小目标检测的问题，在速度和精度上实现了较好的平衡。YOLOv4[6]从数据处理、网络训练、激活函数等多个方面进行改进，提升了检测效果，并有一些变体结构应用在交通标志检测的应用中[2][3]。YOLOv5骨干网络使用CSPDarknet53，颈部使用FPN和PAN，提升了模型的速度和灵活性，但其对于GPU的适应性仍有待提升[4]。本系统针对交通标志检测问题，选用最新版本的YOLOv6，其检测性能优于YOLO的其它版本，可解决复杂交通场景中高精度检测识别交通标志的问题[7]。系统实现了可视化界面，能够应用于导航系统中交通标志牌的检测与识别工作。2交通标志检测算法2.1YOLOv6网络结构本文使用YOLOv6网络模型，分为主干、颈部与头部三部分，如图1所示。图1YOLOv6主干网络主干部分的结构设计对于检测模块的精确性和效率具有很大影响。此部分选用RepVGG网络，利用结构重参数化方法，将训练时间的多分支拓扑结构与推理时间的平面架构进行解耦，提高了效率和精度。颈部以YOLOv4改进的PAN拓扑作为基础，将CSPBlock替换为RepBlock。头部采用混合信道策略构建解耦头，将中间3×3卷积数量减少至一个，使计算成本更低，推理时间得到减少。2.2重参数化结构本模型使用了多个分支的卷积结构，通过多个卷积的融合进行特征提取，最终结果是等价于一个3×3的卷积核。该结构主要是在训练时可以使用多分支模型可以提高性能，在推理时可以使用单路模型提高速度、节省内存。2.3SimOTA标签分配策略本模型采用SimOTA动态分配策略，使用近似Top-K的策略来获取样本匹配的最佳结果，同时使得训练速度也得到了很大提升。3实验结果及分析3.1实验数据与环境本文采用公用CCTSDB2021数据集，为中国交通标志检测数据。该数据集分为禁令标志、警告标志、指示标志三类。其中禁令标志16052张，警告标志4930张，指示标志9081张。模型的训练集采用图像数量为16356张，验证集采用图像数量为1500张。本文使用的显卡为GTX2080Ti，软件环境Python3.7，平台为Pytorch1.9。3.2实验数据与分析针对图像分类任务和图像识别任务，目标检测模型大多采用平均准确率(mAP)来进行效果评价。该指标越大，表示检测结果越好。相比于Yolov3-tiny、Yolov4-tiny等模型，本文YOLOv6的算法具有更高的平均准确率，见表1。表1检测准确率对比模型平均准确率(mAP)/%YOLOv3-tiny64.97YOLOv4-tiny67.24Ours82.56可以看出，本文算法检测准确率可达82.56%，高于其它版本。平均处理每张图像所需时间大约0.2s，可以处理视频图像数据，有较好的实用价值。此外，本文算法具有较好的普适性，能够检测大小不同的标志牌，如图2所示。图2交通标志检测结果可以看出，上图是非常小的禁停标志，下图是较大的掉头标志，算法均可以顺利检出，并且进行了正确的分类：上图是禁令标志（Prohibitory），下图是指令标志（Mandatory）。此外，图2的上图是雾霾天气，环境背景复杂，并且标志牌成像面积很小，可以看出本文算法具有较好的鲁棒性，具有在真实复杂场景下进行检测识别的能力。图3交通标志检测软件界面系统软件界面如图3所示，可以接入摄像头或者打开本地视频进行实时处理。软件可以在视频播放窗口中标识出交通标志牌，下方状态栏可以输出相关检测信息，检测出的交通标志信息可以提供给智能导航系统或者自动驾驶系统用于研判。4结论本文使用YOLOv6检测网络用于交通标志的检测识别任务，设计并实现了一套交通标志实时检测系统。本系统能以较快的速度检测识别出各类交通标志牌，帮助智能导航系统或自动驾驶系统有效了解周边交通信息，通过实验验证，本文算法有更高的准确率和鲁棒性，能在恶劣天气下的复杂场景中准确检测交通标志。[Reference][1]潘惠苹,王敏琴,张福泉.基于优化YOLO-V4的交通标志检测识别方法[J].计算机科学,2022,49(11):179-184.[2]张小雪,黄巍.基于改进的Tiny-YOLOv4快速交通标志检测算法[J].电子设计工程,2022,30(19):139-143+148.[3]尹宋麟,谭飞,周晴,鲜阳.基于改进YOLOv4模型的交通标志检测[J/OL].无线电工程:1-8[2022-11-18][4]胡均平,王鸿树,戴小标,高小林.改进YOLOv5的小目标交通标志实时检测算法[J/OL].计算机工程与应用:1-10[2022-11-18].[5]RedmonJ,FarhadiA.YOLOv3:AnIncrementalImprovement[J].arXive-prints,2018.[6]BochkovskiyA,WangCY,LiaoH.YOLOv4:OptimalSpeedandAccuracyofObjectDetection:,10.48550/arXiv.2004.10934[P].2020.[7]LiC,LiL,JiangH,etal.YOLOv6:asingle-stageobjectdetectionframeworkforindustrialapplications[J].arXivpreprintarXiv:2209.02976,