Детектирование дорожных знаков на основе нейросетевой модели YOLO
Д.В. Никитин, И.С. Тараненко, А.В Катаев.
Волгоградский государственный университет
Аннотация: Данная статья представляет исследование, посвященное применению нейросетевой модели YOLOv8 для обнаружения дорожных знаков. В ходе исследования была разработана и обучена модель на основе YOLOv8, которая успешно детектируют дорожные знаки в реальном времени.
Статья также представляет результаты экспериментов, в которых модель YOLOv8 сравнивается с другими широко используемыми методами обнаружения знаков. Полученные результаты имеют практическую значимость в области безопасности дорожного движения, предлагая инновационный подход к автоматическому обнаружению дорожных знаков, что способствует улучшению контроля скорости и снижению аварийности на дорогах.
Ключевые слова: машинное обучение, дорожные знаки, сверточные нейронные сети.
Введение
Традиционные методы контроля скорости, основанные на визуальном обнаружении дорожных знаков, часто требуют значительных усилий и затрат времени. Однако с развитием глубокого обучения и нейросетевых моделей появились новые перспективы в области автоматического обнаружения знаков.
Существует большое количество моделей сверточных нейронных сетей, упоминаемых в научных работах под номерами [1-3].
Преимуществами нейросетевых методов распознавания объектов на изображениях являются их доступная стоимость, быстрота и надежность в распознавании, способность обрабатывать искаженные и зашумленные изображения, а также возможность работы на маломощных вычислительных устройствах [4, 5].
К недостаткам можно отнести необходимость наличия достаточного объема исходных данных для анализа, а также сложность выбора подходящей архитектуры нейронной сети и продолжительность процесса обучения [4, 6].
В данной статье мы представляем исследование, направленное на разработку и применение нейросетевой модели YOLOv8 для детектирования дорожных знаков. YOLOv8 - это последняя версия популярной модели, которая отличается высокой точностью и эффективностью в задачах обнаружения объектов.
Примеры использования сверточных нейронных сетей для обработки изображений представлены в [7, 8].
Описание набора данных
Для обучения модели CNN был использован набор данных Traffic Signs Dataset in YOLO format - это набор данных, который используется для решения задач по детектированию и классификации дорожных знаков.
Набор данных состоит из 741 фотографии участков дорог с дорожными знаками в формате JPG, с высоким разрешением 1360х800 пикселей. Фотографии были сделаны в разное время суток, года и погоду, что делает этот набор данных более разнообразным и репрезентативным.
Каждому изображению в наборе данных соответствует файл аннотации в формате txt, содержащий информацию о координатах и классе каждого обнаруженного на изображении дорожного знака.
Аннотация в данном наборе данных использует четыре категории дорожных знаков:
1. Запрещающие знаки;
2. Предупреждающие знаки;
3. Предписывающие знаки;
4. Все остальные дорожные знаки.
На рисунке 1 продемонстрировано распределение классов в нашем наборе данных.
■ Запрещающие ■ Предупреждающие
■ Предписывающие ■ Остальные
Рис. 1. - Распределение классов в обучающем наборе
Создание модели CNN
YOLO (You Only Look Once) - это одноступенчатый алгоритм обнаружения объектов с открытом исходным кодом, являющийся одним из самых популярных архитектур для распознавания объектов в реальном времени [9]. YOLO основан на глубоких сверточных нейронных сетях (CNN), и использует алгоритмы обработки изображений, и машинного обучения для обнаружения объектов на изображениях.
YOLO отличается от альтернативных методов обнаружения объектов своими преимуществами. В отличие от подходов, использующих ограничивающие рамки и области (например, R-CNN), YOLO оперирует с полным кадром как в процессе обучения, так и в процессе тестирования. Это позволяет ему получать более полную контекстную информацию о распознанных классах объектов [10].
Принцип работы YOLO в распознавании дорожных знаков заключается в следующих шагах:
1. Подготовка данных. Входное изображение разбивается на сетку ячеек фиксированного размера. Каждая ячейка ответственна за обнаружение объектов, центр которых попадает в данную ячейку;
2. Препроцессинг изображения. Изображение дорожного знака подвергается нескольким этапам препроцессинга. Сначала изображение масштабируется до заданного размера, затем происходит нормализация пикселей, чтобы значения находились в диапазоне от 0 до 1;
3. Обнаружение объектов. Сверточные слои применяются для извлечения признаков изображения, которые затем подаются на полносвязный слой для классификации и определения ограничивающих рамок, которые содержат определенный объект с определенной вероятностью;
4. Пост-обработка. Используя результаты классификации и ограничивающих рамок, происходит фильтрация и устранение ложных срабатываний;
5. Отображение результатов. Получение рамки и класса объекта.
Для обучения модели, были использованы уже предобученные веса yolov8x, которые имеют 68,2 миллиона параметров, при этом обучение проходило на 25 эпохах с размером изображения 640x640px. Результаты
прохождения обучения предоставлены на рисунке 2.
Class Images Instances BoxfP R mAP50 mAP59-95)
all 88 132 0.988 0.915 0.982 0.828
trafficlight 88 19 0.989 0.789 0.958 0.671
stop 88 10 0.978 0.9 0.978 0.915
speedlimit 88 31 0.987 1 0.995 0.921
crosswalk 88 22 1 0.972 0.995 0.807
:02<00:00, 1.05s/it]
Speed: 1.7ms preprocess, 10.2ms inference, 0.0ms loss, 1.6ms postprocess per image
Рис. 2. - Результаты прохождения обучения В процессе обучения модели YOLOv8 было установлено, что по сравнению с другими методами детектирования обученных она обладает высокой точностью обнаружения объектов на нашем наборе данных. В
частности, YOLOv8 достигает точности обнаружения на уровне 98,2% по метрике тАР50.
Таблица 1 представляет сравнительный анализ моделей детектирования.
Таблица 1 - Сравнение моделей для детектирования_
Метод Точность (mAP50)
YOLOv5 0,944
YOLOv7 0,945
YOLOv8 0,982
RetinaNet 0,953
Тестирование модели
По результатам обучения точность представленной модели равна 98,2%.
На рисунке 3 предоставлены результаты обучения модели. 1,0
0,9
0,3
0,7
- тАР50
0,6
- ППАР50-95
- precision
0,5 — recall
5 10 15 20 25
Эпохи
Рис. 3. - Результаты обучения Для оценки эффективности обученной модели было проведено тестирование с использованием камеры смартфона Huawei Nova 10 разрешением 50 Мп. В рамках тестирования была осуществлена видеофиксация знаков дорожного движения. Для обеспечения надлежащей
чистоты эксперимента, движение транспортного средства при проведении тестирования производилось с соблюдением правил дорожного движения.
Тестирование проводилось в два этапа:
1. 12 мая 2023 года в ночное время суток;
2. 12 мая 2023 года в условиях облачной погоды.
На каждом этапе съемка продолжалась в течение 2 часов.
На рисунке 4 представлен пример детектирования дорожных знаков. Слева показаны фотографии с места обнаружения знаков, а справа -соответствующие искомые знаки, которые нужно было распознать. Эти примеры помогут наглядно оценить процесс распознавания дорожных знаков.
£
вртШгпИ 0.91
№9
I
ЭрёесШтЛ 0.81
Рис. 4. - Пример детектирования дорожного знака Входе проведения тестирования было обнаружено, что модель YOLOv8 эффективно детектировал все дорожные знаки, по мере их приближения.
Заключение
В данной статье было проведено исследование, в котором использовалась нейросетевая модель YOLOv8 для обнаружения знаков, дорожных знаков на дорогах. Разработанная и обученная модель на основе YOLOv8 успешно детектируют знаки дорожного движения.
Результаты обучения подтверждают превосходство модели YOLOv8 по сравнению с другими методами детектирования дорожных знаков.
Полученные результаты имеют практическую значимость в области безопасности дорожного движения. Использование инновационного подхода автоматического обнаружения дорожных знаков, предлагаемого моделью YOLOv8, может способствовать улучшению контроля скорости, внимательности и снижению аварийности на дорогах.
Литература
1. Деменкова Т.А., Шпиева Е.В. Построение моделей сверточной нейронной сети для решения задач распознавания образов // Научно-технический вестник Поволжья. 2020. №5. С. 76-79.
2. Матвеев Д.А., Петруничева А.С. Разработка модели сверточной нейронной сети для классификации российских дорожных знаков // Политехнический молодежный журнал. 2020. №9(50). С. 2-9.
3. Симанков В.С., Теплоухов С.В. Аналитическое исследование методов и алгоритмов искусственного интеллекта // Вестник адыгейского государственного университета. Серия 4: естественно-математические и технические науки. 2020. № 3(266). С. 16-25.
4. Сабиров А.И., Катасёв А.С., Дагаева М.В. Нейросетевая модель распознавания знаков дорожного движения в интеллектуальных транспортных системах // Компьютерные исследования и моделирование. 2021. №2. С. 429-435.
5. Катасёв А.С., Фаттахов Н.И. Нейросетевые модели обнаружения и классификации знаков дорожного движения // Вестник технологического университета. 2023. №3. С. 79-84.
6. Альдарф А., Шакер А. Сравнение скорости и точности обучения сверточных нейронных сетей реализованных на TensorFlow и Visual Studio Cuda на GPU // Инновационный потенциал развития науки в современном мире. 2022. С. 6-12.
7. Евсин В.А., Широбокова С.Н., Жжонов В.А., Евсина В.А. Моделирование и реализация процесса распознавания знаков дорожного движения при определении ситуации на дороге с помощью искусственных нейронных сетей // Инженерный вестник Дона. 2022. №4. URL: ivdon.ru/ru/magazine/archive/n4y2022/7587.
8. Евсин В.А., Широбокова С.Н., Жжонов В.А., Евсина В.А. Моделирование и реализация процесса определения дорожных объектов с применением аппарата сверточных сетей RetinaNet // Инженерный вестник Дона. 2022. №7. URL: ivdon.ru/ru/magazine/archive/n7y2022/7786.
9. Дьяченко А.А., Гущина О.М. Анализ этапов развития одноступенчатых детекторов объектов на основе YOLO // Информационные технологии в моделировании и управлении: подходы, методы, решения. 2022. С. 427-435.
10. Аксютина М.С., Гончарук С.Е. Распознавание объектов в видеопотоке при помощи алгоритма YOLO и технологии openface // Научно-техническое творчество аспирантов и студентов. 2018. С. 208-211.
References
1. Demenkova T.A., Shpieva E.V. Nauchno-texnicheskij vestnik Povolzhya. 2020. №5. pp. 76-79.
2. Matveev D.A., Petrunicheva A.S. Politexnicheskij molodezhny'j zhurnal. 2020. №9(50). pp. 2-9.
М Инженерный вестник Дона, №7 (2023) ivdon.ru/ru/magazine/arcliive/n7y2023/8531
3. Simankov V.S., Teplouxov S.V. Vestnik ady'gejskogo gosudarstvennogo universiteta. Seriya 4: estestvenno-matematicheskie i texnicheskie nauki. 2020. № 3(266). pp. 16-25.
4. Sabirov A.I., Katasyov A.S., Dagaeva M.V. Komp'yuterny'e issledovaniya i modelirovanie. 2021. №2. pp. 429-435.
5. Katasyov A.S., Fattaxov N.I. Vestnik texnologicheskogo universiteta. 2023. №3. pp. 79-84.
6. AlMarf A., Shaker A. Innovacionny'j potencial razvitiya nauki v sovremennom mire. 2022. pp. 6-12.
7. Evsin V.A., Shirobokova S.N., Zhzhonov V.A., Evsina V.A. Inzhenernyj vestnik Dona. 2022. №4. URL: ivdon.ru/ru/magazine/archive/n4y2022/7587.
8. Evsin V.A., Shirobokova S.N., Zhzhonov V.A., Evsina V.A. Inzhenernyj vestnik Dona. 2022. №7. URL: ivdon.ru/ru/magazine/archive/n7y2022/7786.
9. Dyachenko A.A., Gushhina O.M. Informacionny'e texnologii v modelirovanii i upravlenii: podxody\ metody\ resheniya. 2022. pp. 427-435.
10. Aksyutina M.S., Goncharuk S.E. Nauchno-texnicheskoe tvorchestvo aspirantov i studentov. 2018. pp. 208-211.