申请/专利权人：上海伯镭智能科技有限公司

申请日：2024-04-10

公开（公告）日：2024-06-28

公开（公告）号：CN118262335A

主分类号：G06V20/58

分类号：G06V20/58;G06V10/80;G06V10/44;G06N3/0464;G06N3/084;G06N3/086;G06N3/0985;G06N3/045

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明涉及交通标志识别技术领域，具体地说，涉及一种基于YOLOv5算法改进的交通标志识别模型。通过设计满足实时性和高精度的基于YOLOv5算法改进的交通标志识别模型，对TT100K数据集进行训练和测试；包括如下步骤：筛选图片，划分训练集和测试集；对YOLOv5中的特征融合网络增加跨层；初次训练，使用随机梯度下降优化器，采用热身训练与余弦退火相结合的学习率衰减模式；多阶段训练；计算多个指标，并更新权重。本发明设计能够将更多尺度相等的特征融合在一起，从而丢失较少的特征信息；控制学习率的变化，使得模型收敛速度更快，模型效果更佳；能够使训练跳出局部最优解从而快速地提高精度和召回率。

主权项：1.一种基于YOLOv5算法改进的交通标志识别模型，其特征在于，通过设计满足实时性和高精度的基于YOLOv5算法改进的交通标志识别模型，对TT100K数据集进行训练和测试；该模型对特征融合网络进行改进，通过增加跨层连接来融合更多的特征；使用随机梯度下降优化器，并采用热身训练与余弦退火相结合的学习率衰减模式；该模型的具体识别方法包括如下步骤：S1、针对TT100K数据集中的图片进行筛选，保留每个类别中的样本数量超过50的45个类别实例并划分为训练集和测试集；S2、对YOLOv5中的特征融合网络进行改进，通过增加跨层连接来融合更多的特征，从而强化网络的特征提取能力以获得更多道路交通标志的通道特征，改善模型的检测效果；S3、初次训练时需要加载参数和配置信息，包括类别数量、类别名以及多个存取路径；使用适合大型数据集的随机梯度下降优化器，采用热身训练与余弦退火相结合的学习率衰减模式；所述S3中，初次训练时，热身训练的过程包括：先用预先设置初始最小学习率训练，然后逐渐增大，直到达到最初设置的逐步增大到的最大学习率；其中，最小学习率设置为训练所需的可以使损失函数值下降最快、模型收敛最优的学习率的110或1100；最大学习率设置为训练所需的可以使损失函数值下降最快、模型收敛最优的学习率的1-3倍；热身训练完成后，采用余弦退火的方式对学习率进行调整；余弦退火的计算公式如下： ，其中，为学习率，为最大学习率，为最小学习率，为重启后的迭代次数，代表的是第轮的迭代次数；S4、将训练过程分为多个阶段，每个阶段训练若干个轮次；初次训练时使用YOLOv5x.pt作为初始权重，之后的每次训练都把前一次训练得到的最佳权重作为初始权重；S5、每一轮训练完成后，对测试集进行检测，计算精度、召回率的指标，并将其与分类损失、回归损失、置信度损失的信息写入result.txt，最后更新最佳权重和最新权重；所述S5中，各指标的计算方法包括：精度： ，召回率： ，其中，TP表示真阳性，FP表示假阳性，FN表示假阴性；分类损失： ,回归损失； ,置信度损失： ,其中，P为模型预测的概率，为样本的真实值，为样本的预测值，n为样本总数；当样本包含目标时，否则，此时P即为模型预测的置信度分数。

全文数据：

权利要求：

百度查询： 上海伯镭智能科技有限公司 一种基于YOLOv5算法改进的交通标志识别模型

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD