博达网站建设流程,wordpress 登陆不跳转,天津网站建设网站推广,西宁网站建设推广摘要#xff1a;行人车辆检测与计数系统用于交通路口行人及车辆检测计数#xff0c;道路人流量、车流量智能监测#xff0c;方便记录、显示、查看和保存检测结果。本文详细介绍行人车辆检测#xff0c;在介绍算法原理的同时#xff0c;给出Python的实现代码、PyQt的UI界面…
摘要行人车辆检测与计数系统用于交通路口行人及车辆检测计数道路人流量、车流量智能监测方便记录、显示、查看和保存检测结果。本文详细介绍行人车辆检测在介绍算法原理的同时给出Python的实现代码、PyQt的UI界面以及训练数据集。在界面中可以选择各种行人车辆图片、视频进行检测识别与计数可对图像中存在的多个目标进行识别分类。博文提供了完整的Python代码和使用教程适合新入门的朋友参考完整代码资源文件请转至文末的下载链接。本博文目录如下 文章目录前言1. 效果演示2. 算法原理与数据集3. 行人车辆检测与计数系统下载链接结束语➷点击跳转至文末所有涉及的完整代码文件下载页☇ 行人车辆检测与计数系统演示与介绍UI界面YOLOv5训练数据集前言 行人车辆检测是近年来计算机视觉领域的研究热点同时也是目标检测领域中的难点。其目的是识别和定位图像中存在的行人在许多领域中都有广泛的应用。交通安全方面无人驾驶汽车通过提前检测到行人及时避让来避免交通事故的发生安防保护方面通过行人检测来防止可疑人员进入公共场所管理方面通过行人和车辆检测统计人流量、车流量数据优化人力物力等资源的分配。 考虑对交通路口行人车辆的检测很多前面博主也发布过实时车辆行人多目标检测与跟踪系统-上篇UI界面清新版Python代码和基于深度学习的车辆检测系统MATLAB代码含GUI界面等博文。近期我想到可以将模型识别到的行人、小汽车、卡车、自行车、公交、摩托车等进行计数统计观测画面中各种类型车辆的数目。系统对于图片、视频和摄像头捕获的实时画面检测画面中的行人及车辆并统计数目系统支持结果记录、展示和保存每次检测的结果记录在表格中另外采用登录注册进行用户管理。对此这里给出博主设计的新款界面以前都是浅色系背景这回弄了个深色背景功能也可以满足图片、视频和摄像头的识别检测希望大家可以喜欢初始界面如下图 检测类别时的界面截图点击图片可放大如下图可识别画面中存在的多个类别并计数也可开启摄像头或视频检测 详细的功能演示效果参见博主的B站视频或下一节的动图演示觉得不错的朋友敬请点赞、关注加收藏系统UI界面的设计工作量较大界面美化更需仔细雕琢大家有任何建议或意见和可在下方评论交流。 1. 效果演示 系统界面设计上采用了许多美化技巧首先我们还是通过动图看一下系统的效果主要实现的功能是对图片、视频和摄像头画面中的行人车辆进行识别识别的结果可视化显示在界面和图像中另外提供多个行人车辆的显示选择功能演示效果如下。
一系统介绍 行人车辆检测与计数系统主要用于日常道路行人及车辆等目标的智能监测对路口常见的目标包括行人、小汽车、卡车、公交、自行车、摩托车等目标进行计数以方便对交通情况分析系统提供登录注册功能可进行用户管理能够有效识别图片、视频等文件形式检测目标位置、类别并统计各类别计数结果可开启摄像头实时检测和统计路口行人车辆数目支持结果记录、展示和保存。
二主要特点 1YOLO v5算法实现模型一键切换更新 2检测图片、视频等图像中的各目标数目 3摄像头监控实时检测便携展示、记录和保存 4支持用户登录、注册检测结果可视化功能 5提供数据集和训练代码可重新训练
三用户注册登录界面 这里设计了一个登录界面可以注册账号和密码然后进行登录。这里的登录比较简单提供一个从登录到主界面的跳转功能并没有涉及数据库等操作。 四选择图片识别 系统主界面可以选择图片文件进行识别点击图片选择按钮图标选择图片后显示所有识别的结果可通过下拉选框查看单个结果以便单独显示某一特定目标。本功能的界面展示如下图所示 五视频识别效果展示 若需识别一段视频中的行人及车辆这里可以点击视频按钮可选择待检测的视频系统会自动解析视频逐帧识别交通道路并将人流量、车流量的结果记录在下方表格中效果如下图所示 六摄像头检测效果展示 在真实场景中我们往往利用道路的摄像头获取实时画面同时需要对画面中的行人及车辆进行识别因此本文考虑到此项功能。如下图所示点击摄像头按钮后系统进入准备状态系统显示实时画面并开始检测画面中的行人及车辆识别结果展示如下图 2. 算法原理与数据集
一YOLOv5算法 从最终效果来看YOLOv5已经相当优秀是发展的比较完备、使用比较广泛的一个版本而更重要的是YOLOv5的调用、训练和预测都十分方便。YOLOv5的另一个特点就是它为不同的设备需求和不同的应用场景提供了大小和参数数量不同的网络。 1主干部分使用了Focus网络结构具体操作是在一张图片中每隔一个像素拿到一个值这个时候获得了四个独立的特征层然后将四个独立的特征层进行堆叠此时宽高信息就集中到了通道信息输入通道扩充了四倍。该结构在YoloV5第5版之前有所应用最新版本中未使用。 2数据增强Mosaic数据增强、Mosaic利用了四张图片进行拼接实现数据中增强根据论文所说其拥有一个巨大的优点是丰富检测物体的背景且在BN计算的时候一下子会计算四张图片的数据 3多正样本匹配在之前的Yolo系列里面在训练时每一个真实框对应一个正样本即在训练时每一个真实框仅由一个先验框负责预测。YoloV5中为了加快模型的训练效率增加了正样本的数量在训练时每一个真实框可以由多个先验框负责预测。 下图是YoloV5经过非极大值抑制在COCO数据集上的人、车图片测试结果。 二行人车辆数据集 这里我们使用的行人车辆数据集是从COCO和VOC数据集中抽取的包含行人、小汽车、卡车、公交、自行车、摩托车等类别的图像数据每张图片除包括类别标签外还有一个标注的物体边框Bounding Box。组成的训练数据集包含2856张图片验证集1343张图片共计4199张图片。
Chinese_name {person: 行人, bicycle: 自行车, car: 小汽车, motorcycle: 摩托车,bus: 公交车, truck: 卡车, train: 火车}每张图像均提供了图像类标记信息图像中行人及车辆的bounding box行人及车辆的关键part信息以及行人及车辆的属性信息数据集并解压后得到如下的图片。 3. 行人车辆检测与计数系统
一训练过程 数据集准备好接下来可执行训练程序首先要安装本系统所需的依赖库配置一个Python3.8然后按照requirements.txt里面的依赖装环境就可以运行了。
#请按照给定的python版本配置环境否则可能会因依赖不兼容而出错
conda create -n env_rec python3.8
#激活环境
activate env_rec
#使用pip安装所需的以来可通过requirements.txt
pip install -r requirements.txtYOLOv5是通过yaml格式的配置文件来找到对应的训练测试数据因此在训练前需要对该文件进行简单配置。这里我们为此数据集配置好的yaml文件如下所示
train: ./PersonCar/images/train
val: ./PersonCar/images/valnc: 7
names: [person, bicycle, car, motorcycle, bus, truck, train]我们可以在终端输入如下命令进行训练当然也可以直接点击train.py运行。
python train.py --batch 32 --epochs 300二行人车辆预测 在训练完成后得到最佳模型接下来我们将帧图像输入到这个网络进行预测从而得到预测结果预测方法predict.py部分的代码如下所示。
运行本项目需要python3.8及以下依赖库完整库见requirements.txtopencv-python4.5.5.64tensorflow2.9.1PyQt55.15.6scikit-image0.19.3torch1.8.0keras2.9.0Pillow9.0.1scipy1.8.0
点击运行主程序runMain.py程序所在文件夹路径中请勿出现中文def predict(img):img torch.from_numpy(img).to(device)img img.half() if half else img.float()img / 255.0if img.ndimension() 3:img img.unsqueeze(0)t1 time_synchronized()pred model(img, augmentFalse)[0]pred non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classesopt.classes,agnosticopt.agnostic_nms)t2 time_synchronized()InferNms round((t2 - t1), 2)return pred, InferNms
pred, useTime predict(img)det pred[0]
p, s, im0 None, , img0
if det is not None and len(det): # 如果有检测信息则进入det[:, :4] scale_coords(img.shape[1:], det[:, :4], im0.shape).round() # 把图像缩放至im0的尺寸number_i 0 # 类别预编号detInfo []for *xyxy, conf, cls in reversed(det): # 遍历检测信息c1, c2 (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))# 将检测信息添加到字典中detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], %.2f % conf])number_i 1 # 编号数1label %s %.2f % (names[int(cls)], conf)# 画出检测到的目标物plot_one_box(image, xyxy, labellabel, colorcolors[int(cls)])# 实时显示检测画面cv2.imshow(Stream, image)image cv2.resize(image, (vw, vh))得到预测结果我们便可以将帧图像中的行人车辆框出然后在图片上用opencv绘图操作输出行人车辆的的类别及行人车辆的预测分数。以下是读取一个行人车辆图片并进行检测的脚本首先将图片数据进行预处理后送predict进行检测然后计算标记框的位置并在图中标注出来。 跑通了这个预测程序我们可以将其封装到界面中利用PyQt5设计一个UI界面在运行图片、视频检测时调用这个方法。博主对整个系统进行了详细测试最终开发出一版流畅得到清新界面就是博文演示部分的展示完整的UI界面、测试图片视频、代码文件以及Python离线依赖包方便安装运行也可自行配置环境均已打包上传感兴趣的朋友可以通过参考文章里面给出的下载链接或B站视频简介处的下载链接获取。 下载链接 若您想获得博文中涉及的实现完整全部程序文件包括测试图片、视频py, UI文件等如下图这里已打包上传至博主的面包多平台见可参考博客与视频已将所有涉及的文件同时打包到里面点击即可运行完整文件截图如下 在文件夹下的资源显示如下下面的链接中也给出了Python的离线依赖包读者可在正确安装Anaconda和Pycharm软件后复制离线依赖包至项目目录下进行安装离线依赖的使用详细演示也可见本人B站视频win11从头安装软件和配置环境运行深度学习项目、Win10中使用pycharm和anaconda进行python环境配置教程。 注意该代码采用PycharmPython3.8开发经过测试能成功运行运行界面的主程序为runMain.py和LoginUI.py测试图片脚本可运行testPicture.py测试视频脚本可运行testVideo.py。为确保程序顺利运行请按照requirements.txt配置Python依赖包的版本。Python版本3.8请勿使用其他版本详见requirements.txt文件
完整资源中包含数据集及训练代码环境配置与界面中文字、图片、logo等的修改方法请见视频项目完整文件下载请见参考博客文章里面或参考视频的简介处给出➷➷➷
参考博客文章https://zhuanlan.zhihu.com/p/614612564
参考视频演示https://www.bilibili.com/video/BV1mT411r7hq/
离线依赖库下载链接https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwdoy4n 提取码oy4n 界面中文字、图标和背景图修改方法 在Qt Designer中可以彻底修改界面的各个控件及设置然后将ui文件转换为py文件即可调用和显示界面。如果只需要修改界面中的文字、图标和背景图的可以直接在ConfigUI.config文件中修改步骤如下 1打开UI_rec/tools/ConfigUI.config文件若乱码请选择GBK编码打开。 2如需修改界面文字只要选中要改的字符替换成自己的就好。 3如需修改背景、图标等只需修改图片的路径。例如原文件中的背景图设置如下
mainWindow :/images/icons/back-image.png可修改为自己的名为background2.png图片位置在UI_rec/icons/文件夹中可将该项设置如下即可修改背景图
mainWindow ./icons/background2.png结束语 由于博主能力有限博文中提及的方法即使经过试验也难免会有疏漏之处。希望您能热心指出其中的错误以便下次修改时能以一个更完美更严谨的样子呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。
