YOLOv5:道路损伤检测
向AI转型的程序员都关注了这个号????????????
机器学习AI算法工程 公众号:datayx
道路损伤检测任务是对几种道路损伤进行检测,不仅要分类出损伤类别,还要定位到损伤的位置,故实质是一个目标检测问题。
https://rdd2020.sekilab.global/overview/
GRDDC'2020 数据集是从印度、日本和捷克收集的道路图像。包括三个部分:Train, Test1, Test2。训练集包括带有 PASCAL VOC 格式 XML 文件标注的道路图像。在给参赛者的数据Test1 和 Test2 中是没有标注。train则包含标注。
数据分布如下:
三个数据集和三个国家的图像分布统计
训练数据中每种损坏类型的实例数
GRDD 挑战赛的评估标准是F1-Score。
对于参赛者提交的预测结果,如果预测满足以下两个标准,则认为它是正确的。
predicted bounding box 与 ground truth bounding box 之间的重叠区域超过 50%,即 IoU > 0.5。
预测的标签与实际的标签相匹配,如图像的标注文件中所指定的(ground truth)。
评估脚本比较两个输入文件以及计算所提交的 F1-Score。F1-Score 为精确率和召回率的调和平均数,精确度是真阳性与所有预测阳性的比率。召回率是真正的阳性结果与所有实际阳性结果的比率。
各参数的细节如下:
真阳性(TP):ground truth 中存在一个损害实例,并且该实例的标签和边界框被正确预测,IoU>0.5。
假阳性(FP):当模型预测了图像中某一特定位置的损害实例,但该实例并不存在于图像的 ground truth 中。也包括了预测标签与实际标签不匹配的情况。
假阴性(FN):当一个损害实例出现在 ground truth 中,但模型无法预测正确的标签或该实例的边界框。
召回率:
F1指标对召回和精度的权重相等。因此,参赛者需要在两者都有中等水平的表现,而不是在其中一个方面表现突出,在另一个方面表现不佳。
冠军团队
项目 代码 获取方式:
关注微信公众号 datady 然后回复 道路 即可获取。
AI项目体验地址 https://loveai.tech
IMSC团队(Hedge等,来自美国南加州大学和约旦德国约旦大学),提出方法基于 ultralytics-YOLO (u-YOLO) [YOLOv5, 2020],并应用了测试时数据增强(TTA),提高了模型的鲁棒性。TTA 通过对每张测试图像进行多次变换(如水平翻转、提高图像分辨率)并生成新的图像来进行数据增广。
新的图像与现有图像一起被输入到训练好的 u-YOLO 模型中。因此,对应于每一个测试图像,使用增强的图像生成多个预测。在此过程中产生的重复或重叠的预测使用非极大抑制(NMS)算法进行过滤。整个方法被称为集成预测(Ensemble Prediction,EP)。
除了 EP,该团队还提出了另一种方法,称为集成模型(EM)。顾名思义,EM是将 u-YOLO 模型的不同变体进行集成。鉴于训练一个 u-YOLO 模型涉及到调整不同的超参数,使用这些参数的不同组合会产生不同的训练模型。作者选择这些模型的一个子集,以使它们的整体精度最大化。每幅图像都会在所有选定的模型上测试,然后对每个模型的预测结果进行平均,最后应用非极大抑制。这种集成技术通过降低预测方差实现了更好的准确性。
团队的最终方案是将这两种方法结合起来,Ensemble Model with Ensemble Prediction(EM+EP)。可以想象每幅图像的测试时间肯定是很长的,但好在这只是比赛。
当然作者也比较了三种方法(EM、EP和EM+EP)在速度和精度方面的表现。统计结果显示,虽然在(EM+EP)的情况下,准确率得到了提高,达到了最高的 F1-score(测试1为0.67)(大力出奇迹啊!),而如果用每幅图像的检测时间来衡量,该方法在检测速度方面是最差的。
获胜团队的最后得分及代码如下:
Test1-Score:0.6748
Test2-Score:0.6662
(这个结果是远超第二名的!)
机器学习算法AI大数据技术
搜索公众号添加: datanlp
长按图片,识别二维码
阅读过本文的人还看了以下文章:
TensorFlow 2.0深度学习案例实战
基于40万表格数据集TableBank,用MaskRCNN做表格检测
《基于深度学习的自然语言处理》中/英PDF
Deep Learning 中文版初版-周志华团队
【全套视频课】最全的目标检测算法系列讲解,通俗易懂!
《美团机器学习实践》_美团算法团队.pdf
《深度学习入门:基于Python的理论与实现》高清中文PDF+源码
特征提取与图像处理(第二版).pdf
python就业班学习视频,从入门到实战项目
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习:基于TensorFlow的实践详解》完整版PDF+附书代码
《深度学习之pytorch》pdf+附书源码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
《Python数据分析与挖掘实战》PDF+完整源码
汽车行业完整知识图谱项目实战视频(全23课)
李沐大神开源《动手学深度学习》,加州伯克利深度学习(2019春)教材
笔记、代码清晰易懂!李航《统计学习方法》最新资源全套!
《神经网络与深度学习》最新2018版中英PDF+源码
将机器学习模型部署为REST API
FashionAI服装属性标签图像识别Top1-5方案分享
重要开源!CNN-RNN-CTC 实现手写汉字识别
yolo3 检测出图像中的不规则汉字
同样是机器学习算法工程师,你的面试为什么过不了?
前海征信大数据算法:风险概率预测
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目,让你掌握深度学习图像分类
VGG16迁移学习,实现医学图像识别分类工程项目
特征工程(一)
特征工程(二) :文本数据的展开、过滤和分块
特征工程(三):特征缩放,从词袋到 TF-IDF
特征工程(四): 类别特征
特征工程(五): PCA 降维
特征工程(六): 非线性特征提取和模型堆叠
特征工程(七):图像特征提取和深度学习
如何利用全新的决策树集成级联结构gcForest做特征工程并打分?
Machine Learning Yearning 中文翻译稿
蚂蚁金服2018秋招-算法工程师(共四面)通过
全球AI挑战-场景分类的比赛源码(多模型融合)
斯坦福CS230官方指南:CNN、RNN及使用技巧速查(打印收藏)
python+flask搭建CNN在线识别手写中文网站
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加: datayx
YOLOv5:道路损伤检测相关推荐
- 用实力给自己正名,YOLOv5:道路损伤检测我最强!GRDDC'2020大赛报告
作者:Deeksha Arya等 编译:CV君 报道:我爱计算机视觉公众号(id:aicvml) 向大家推荐一篇论文『Global Road Damage Detection: State-of-th ...
- Yolov5实现道路裂缝检测
Yolov5实现道路裂缝检测 GitHub参考代码链接 我修改后的代码百度网盘链接 密码:2mzl 数据集链接 密码:06dj 基于Pytorch的Yolov5道路裂缝检测程序运行说明.大家可以结合我 ...
- 道路缺陷检测学习笔记
目录 裂缝分割 检测裂缝 裂缝分割 道路裂缝分割检测,没有模型,有数据集: GitHub - arthurflor23/surface-crack-detection: An experiment w ...
- 开源软件 | 深度学习用于道路病害检测
道路路面病害(裂隙.坑洞)等的检测并不是一项新技术,CV君的母校在近20年前就开发出了我国第一台道路路面智能检测车,这项技术在道路维护管养中可发挥重要作用. 如下图所示,车载相机或智能手机拍摄地面,对 ...
- 【模型训练】YOLOv7道路裂缝检测
[YOLOv7&yolov5&yolov3]道路裂缝检测 1.模型训练 2.模型验证 3.模型和数据集下载网盘链接 1.本项目采用YOLOv7算法实现对道路.桥梁水泥地面裂缝的识别,在 ...
- yolov5+车道线检测
目标检测与车道线检测在自动驾驶以及车辆定位中起着重要的辅助作用,是环境感知中不可缺少的一个部分.基于深度学习的车道线检测方法近年来也在不断的提升,比如论文:Ultra Fast Deep Lane D ...
- 手把手教你使用 YOLOV5 训练目标检测模型
作者 | 肆十二 来源 | CSDN博客 这次要使用YOLOV5来训练一个口罩检测模型,比较契合当下的疫情,并且目标检测涉及到的知识点也比较多. 先来看看我们要实现的效果,我们将会通过数据来训练一个口 ...
- 用于道路目标检测的少镜头学习
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 小白导读论文是学术研究的精华和未来发展的明灯.小白决心每天为大家带 ...
- 【项目合作】最高50万元!道路缝隙检测、目标跟踪优化、机器人平台开发
点击我爱计算机视觉标星,更快获取CVML新技术 分享几个计算机视觉项目,需要使用的技术主要为目标检测.视觉跟踪.SLAM,欢迎联系,也欢迎加入我们的高质量付费知识星球,获取.发布更多项目外包.求职招聘 ...
最新文章
- 【vue】vue-znly
- Python学习网络爬虫--转
- vb设计一个由计算机,计算机VB程序的设计第一章.ppt
- 深入探究ASP.NET Core读取Request.Body的正确方式
- 威胁情报的几个关键概念
- python定义变量_Python基础 变量的基本使用
- MySQL可以生成E-R图嘛_使用Navicat for mysql生成E-R图,添加外键约束
- 瀑布流布局的实现方式
- Cisco职业认证再认证体系及程序问答
- Win7和win10下python3和python2同时安装并解决pip共存问题
- dreamweaver 8的替换功能
- OpenCV-Python教程8-图像混合
- Android APK实现WIFI协议包抓取(上)-实现思路
- 目前总结最新最系统的Java程序员未来职业规划路线,请收藏
- Matlab自编函数实现Sobel边缘检测
- 阿里企业邮箱收费版与免费版有哪些规格和功能上的区别?
- cntv客户端_cntv网络电视_cntv官方下载-太平洋下载中心
- python学习笔记--3.函数
- 考 PMP 证书真有用吗?
- 联想服务器出现系统恢复选项,Win10更新系统后开机提示自动修复的常规解决方案...
热门文章
- Android 在已有工程中实现微信图片压缩
- 配置 HTTP 与 DNS 功能
- Sublime的Package Control安装方法
- [BZOJ 2111][ZJOI2010]Perm 排列计数(Lucas定理)
- GetLogicalProcessorInformation
- jquery通过id或name获取标签的值,以及简单的js正则表达式
- python元组及文件
- iframe design=on 时,oncontextmeun不能触发之问题!
- OpenCV-美食—鲜美滤镜
- c语言中十进制与十六进制转换_小猿圈分享-java-十进制、八进制、十六进制数互相转换...