最近更新于 2024-05-05 14:19
开始先尝试了传统视觉处理的方式进行检测，但是在条件变化后，检测效果就很差。因此决定采用神经网络，基于 YOLOv5 进行训练，考虑到 YOLOv5 是建立在 PyTorch 的基础上运行的，终端运行的时候再配置一个 PyTorch + YOLOv5 + OpenCV 就显得有点麻烦，而 OpenCV 是肯定会用到的，同时 OpenCV 有一个深度神经网络模块，可以加载训练好的模型，那么就能省掉 PyTorch 和 YOLOv5 了，只需要配置一个 OpenCV 配合训练好的模型文件就能跑起来，这样思路就确定下来了。
本文资源文件下载：https://pan.baidu.com/s/1lXIgmu1ZIcFGKZBBVG00sQ?pwd=7nl5
训练
使用的数据集来源于zhangzhengde0225/CDNet，已标注好，可以直接使用。不过要注意里面标注了两种类别的目标，第一种是人行横道，第二种是导向线。
训练方法和我这篇车牌识别-定位博文中所说的一样：https://blog.iyatt.com/?p=5536，因为部署的目标平台是 Jetson Nano 这种小型计算机板，算力较小，因此选用的模型也是最小的 n 模型。另外这个数据集的数据量比较小，不像车牌训练的那个 19 万，所以训练次数我改为了 20。
模型格式转换
完成训练得到的是 YOLOv5 格式的模型文件，可以借助 YOLOv5 里的脚本转换为 ONNX 格式，然后就能给 OpenCV 使用了。
python3 yolov5/export.py --weights yolov5/runs/train/exp/weights/best.pt --include onnx
斑马线检测
程序主体沿用基于 YOLOv5 和 OpenCV DNN 的目标检测：https://blog.iyatt.com/?p=5934
测试环境：
Ubuntu 22.04 x86_64 Python 3.10.4 opencv-python 4.5.5.64 jupyter 1.0.0
使用 jupyter 运行 斑马线检测.ipynb，即可预览效果
