admin 管理员组文章数量: 1184232
2024年6月1日发(作者:boolean search)
第13卷 第9期
Vol.13No.9
智 能 计 算 机 与 应 用
IntelligentComputerandApplications
中图分类号:TP249文献标志码:A
2023年9月
Sep.2023
文章编号:2095
-
2163(2023)09
-
0172
-
05
基于改进YOLOv6电动单车违法停放的检测方法研究
汪燕超,胡旭晓
(浙江理工大学机械工程学院,杭州310018)
摘 要:日常电动单车存在违法停放现象,为消除安全隐患本文提出了一种改进的YOLOv6目标检测模型。在原YOLOv6
模型的基础上,在neck部分引入Ghost幻影卷积模块,提升网络模型的检测速度;在检测部分嵌入CBAM卷积注意力模块以
1.5个百分点,对电动单车违法停放的检测具有较大的实际意义。
突出所检测目标信息,提升网络模型的检测精度。实验证明改进后的YOLOv6模型性能得到了一定的提升,其精确率提升了
关键词:电动单车;YOLOv6模型;卷积注意力模块;幻影卷积模块
Researchondetectionmethodofillegalparkingofelectricbicycles
basedonimprovedYOLOv6
WANGYanchao,HUXuxiao
(FacultyofMechanicalEngineering,ZhejiangSci
-
TechUniversity,Hangzhou310018,China)
【Abstract】DailyelectricbicyclesareillegallyparkedtoeliminatesafetyhazardsThispaperproposesanimprovedYOLOv6target
detectionmodel.BasedontheoriginalYOLOv6model,theGhostphantomconvolutionmoduleisintroducedintheneckpartto
improvethedetectionspeedofthenetworkmodel;theCBAMconvolutionalattentionmoduleisembeddedinthedetectionpartto
highlighttheinformationofthedetectedtargetsandimprovethedetectionaccuracyofthenetworkmodel.Theexperiments
demonstratethattheperformanceoftheimprovedYOLOv6modelhasbeenimprovedtoacertainextent,anditsaccuracyratehas
beenincreasedby1.5percentagepoints,whichisofgreaterpracticalsignificanceforthedetectionofillegalparkingofelectric
bicycles.
【Keywords】electricscooter;YOLOv6model;convolutionalblockattentionmodule;Ghostconvolutionmodel
0 引 言
电动单车是生活中常见的交通工具,据相关资
料显示,中国居民电动单车拥有数已超过3亿,而大
量电动单车随意停放的现象对公众的人身和财产安
全造成了巨大威胁
[1]
。
以往对于电动单车违法停放的监测主要依靠在
RegionwithCNNfeature)、SSD(SingleShotMultiBox
小目标漏检和误检等问题。
Detector)和YOLO系列等,但这些算法常常存在对
YOLOv6模型,在YOLOv6模型检测部分嵌入CBAM
(ConvolutionalBlockAttentionModule)卷积注意力
模块,并引入Ghost幻影卷积模块,以提高模型的精
确度和检测速度。改变外接摄像头所拍摄电动单车
停放图片的亮度、遮挡范围和目标个数等属性制作
相应数据集,据此评估改进后的模型的鲁棒性、识别
速度和精度,进一步提升改进后模型的性能。
针对传统检测方法的不足,本文提出了改进的
场所附近安装监控并拍摄照片,而后交给监控中心
的工作人员进行监控和预警。这种方法消耗了大量
的人力和物力,对于电动单车违法停放的识别准确
率也不高。近年来人工智能技术快速发展,有学者
提出了基于深度学习的目标检测模型,深度学习模
型主要分为两大类:一类是基于候选区域的二阶段
目标检测模型,另一类是基于回归的一阶段目标检
测模型,两者分别依据候选框卷积和模型回归对目
标进行检测,代表算法有Faster
-
RCNN(Faster
1 YOLOv6模型简介
的目标检测模型相比,YOLO系列模型计算效率高,
能够方便地进行端到端的训练,因此能快速地检测
YOLO系列模型采用直接回归的方法,与传统
作者简介:汪燕超(1999
-
),男,硕士研究生,主要研究方向:图像处理;胡旭晓(1965
-
),男,博士,教授,主要研究方向:图像处理、机器视觉。
收稿日期:2022
-
09
-
26
哈尔滨工业大学主办
版权声明:本文标题:基于改进YOLOv6电动单车违法停放的检测方法研究 内容由网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:http://roclinux.cn/p/1717246427a703547.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
更多相关文章
游戏引擎核心模块大揭秘
开篇先说清楚: “游戏引擎到底由哪些大模块组成?”——用人话讲一遍 你可以先在脑子里,把“游戏引擎”想象成一座大工厂。 游戏 = 造车 引擎 = 整个造车工厂的机器、流水线、仓库、管理系统 程序、美术、策划 = 工人、设计师、工程师 玩
windows系统python查看已安装模块pip命令
描述:windows系统python查看已安装模块pip命令命令:pip list
浏览器打开Axure RP模型
1,直接使用chrome打开,提示下载插件 2,需要做一些操作 打开原型文件,找到resourceschromeaxure-chrome-exte
当Apache在凌晨三点启动失败:一段充满挫折与学习的调试经历
那个令人崩溃的夜晚 周二凌晨,手机铃声像警报一样撕裂了寂静。屏幕上是监控系统的红色警报:“Apache服务停止”。我揉着干涩的眼睛,从床上弹起来,脑子一片空白。服务器怎么会毫无征兆地罢工?睡衣都没换,我就冲到了电脑前。登录SSH的那一
Jetson Orin Nano 与 BGE Large zh v1.5:轻量级边缘设备部署实操指南
bge-large-zh-v1.5部署案例:边缘设备Jetson Orin Nano轻量化Embedding部署 1. 项目背景与需求 在边缘计算场景中,部署高质量的文本嵌入模型一直是个技术挑战。传统的嵌入模型往往需要
赵老师分享秘笈:离线环境下高效加载和使用GGUF模型的实战技巧
离线部署大模型的终极实践:Ollama与GGUF模型深度整合指南 在当前的AI应用浪潮中,将大型语言模型部署到本地环境,正从一个技术极客的探索,转变为许多开发者和企业保障数据隐私、实现稳定服务、进行深度定制的刚性需求。想象一下
Kamailio & OpenSIPS性能提升秘术:揭秘突破高负载的关键策略
1. 为什么你的SIP服务器在高并发时“掉链子”? 做VoIP或者实时通信系统的朋友,估计都遇到过这样的场景:用户量一上来,系统就开始卡顿,呼叫失败率飙升,监控面板上的延迟曲线像坐过山车一样。你可能会怀疑是网络问题,或者是后端
Unlock WiFi Direct on Linux: Python Modules for Seamless Networking
Wifi-Direct-on-Linux Python模块介绍 去发现同类优质开源项目: 模块简介 本文档介绍了名为 Wifi-Direct-on-Linux的Python模块,该模块用
掌握SWF艺术:GPT家族教程在WPCoder.cn上带你探索Flash中心与Adobe Flash Player
视频讲解: 论文链接: GPT: GPT-2: GPT-3:GPT文章标题:Improving Language Understanding by Generative pre-
GPT1革新之道:闪现与动画的新时代
GPT与BERT、Transformer的关系 Transformer发表在2017年6月,在一年之后GPT出来了,GPT的核心数据把Transformer的解码器拿出来,在大量没有文本的数据集上训练一个语言模型然后获得一个预
从GPT基础到GPT3大突破:揭秘Adobe Flash与AI融合
every blog every motto:Although the world is full of suffering, it is full also of the overcoming of it 0.
SWF、Flash中心之战:Hunyuan-MT-7B的秘密武器是什么?
Hunyuan-MT-7B对比测试:WMT25 30项第一的秘诀 一台RTX 4080显卡,就能跑出世界顶级的翻译效果。本文将带你深入拆解腾讯混元Hunyuan-MT-7B翻译模型,看看这个70亿参数的“小
Hunyuan-MT-7B对决WMT25:寻找30项第一的关键因素和制胜策略
Hunyuan-MT-7B对比测试:WMT25 30项第一的秘诀 一台RTX 4080显卡,就能跑出世界顶级的翻译效果。本文将带你深入拆解腾讯混元Hunyuan-MT-7B翻译模型,看看这个70亿参数的“小
GTE升级版来袭:小容量CPU支持下的可视化界面和API便捷调用
GTE中文语义相似度服务上线|轻量级CPU版支持可视化仪表盘与API调用 1. 项目概览:GTE 中文语义相似度服务是什么? 在自然语言处理(NLP)领域, 语义相似度计算是构建智能系统的核心能
GTE中文语义服务优化上线:全新轻型CPU解决方案,无缝集成可视化仪表盘与API
GTE中文语义相似度服务上线|轻量级CPU版支持可视化仪表盘与API调用 1. 项目概览:GTE 中文语义相似度服务是什么? 在自然语言处理(NLP)领域, 语义相似度计算是构建智能系统的核心能
六足机器人编程入门:从理论到实战的完整流程
包含:WIFI模块、GPS模块、语言模块、调试信息接口。一、硬件连接huart4( PA0、 PA1 )与GPS模块连接。huart3(PB10、PB11)与ESP8266模块连接。
火焰检测新纪元:YOLOv11实战攻略与火焰识别
本文采用YOLOv11作为核心算法框架,结合PyQt5构建用户界面,使用Python3进行开发。YOLOv11以其高效的实时检测能力,在多个目标检测任务中展现出卓越性能。本研究针对火焰与烟雾数据集进行训练和优化,该数据集包含丰富的火焰
Yolo火焰检测实战:突破视觉检测新境界,火光不再隐藏!
本文采用YOLOv11作为核心算法框架,结合PyQt5构建用户界面,使用Python3进行开发。YOLOv11以其高效的实时检测能力,在多个目标检测任务中展现出卓越性能。本研究针对火焰与烟雾数据集进行训练和优化,该数据集包含丰富的火焰
Yolox与注意力机制联手,点燃火焰与烟雾检测新纪元
本文采用YOLOv11作为核心算法框架,结合PyQt5构建用户界面,使用Python3进行开发。YOLOv11以其高效的实时检测能力,在多个目标检测任务中展现出卓越性能。本研究针对火焰与烟雾数据集进行训练和优化,该数据集包含丰富的火焰
火眼金睛:YOLOv11实战解析烟雾与火焰的智能检测
本文采用YOLOv11作为核心算法框架,结合PyQt5构建用户界面,使用Python3进行开发。YOLOv11以其高效的实时检测能力,在多个目标检测任务中展现出卓越性能。本研究针对火焰与烟雾数据集进行训练和优化,该数据集包含丰富的火焰
发表评论