تشخیص خودروها با YOLO

مدیریت هوشمند ترافیک تنها به شمارش عمومی خودروها محدود نمی‌شود. خودروهایی مانند آمبولانس و ماشین آتش‌نشانی باید به‌صورت مستقل شناسایی شوند تا سامانه کنترل ترافیک بتواند در زمان لازم برای آن‌ها اولویت ایجاد کند.

طراحی مجموعه‌داده

در این پژوهش مجموعه‌داده‌ای با ۲۹٬۷۵۹ تصویر و هفت کلاس معرفی شده است:

1. آمبولانس
2. اتوبوس
3. خودرو
4. موتورسیکلت
5. کامیون
6. ون
7. ماشین آتش‌نشانی

این مجموعه شامل ۵۵٬۹۲۵ برچسب است و به داده‌های آموزش، اعتبارسنجی و آزمون تقسیم شده است. برای افزایش پایداری مدل و کاهش اثر عدم‌توازن کلاس‌ها، روش‌هایی مانند تغییر HSV، انتقال، مقیاس، Flip و Mosaic به‌کار رفت.

مقایسه نسخه‌های YOLO

نسخه‌های YOLOv5s، YOLOv6-s و YOLOv7 آموزش داده شدند. بهترین نتیجه مربوط به YOLOv7 بود که در مجموع به حدود ۸۵٪ Precision، ۷۶٪ Recall و ۸۵٪ mAP@0.5 رسید.

چرا کلاس‌های امدادی اهمیت دارند؟

در دیتاست‌های عمومی، آمبولانس ممکن است به‌عنوان Van و ماشین آتش‌نشانی به‌عنوان Truck دیده شود. برای یک آشکارساز عمومی این موضوع قابل قبول است، اما برای چهارراه هوشمندی که باید به خودروی امدادی اولویت بدهد کافی نیست.

ساختار کلاس اختصاصی باعث می‌شود لایه ادراک اطلاعات معنادارتری به لایه تصمیم‌گیری، مانند عامل یادگیری تقویتی، ارسال کند.

از ادراک تا کنترل

text کپی
دوربین ← تشخیص خودرو ← تخمین وضعیت ترافیک
       ← عامل RL / منطق اولویت ← فرمان چراغ راهنمایی

این جداسازی میان ادراک و تصمیم‌گیری، پایه‌ای عملی برای سیستم‌های حمل‌ونقل هوشمند ایجاد می‌کند.