EazyDevelop社区

EazyDevelop社区 打造智能障碍物检测系统：从零开始的深度学习项目

打造智能障碍物检测系统：从零开始的深度学习项目

一、项目简介1. 项目背景随着自动驾驶技术的发展，障碍物检测成为保障行车安全的重要一环。通过深度学习模型，尤其是YOLO（You Only Look Once）模型，可以高效、准确地检测道路上的障碍物，从而提高自动驾驶系统的安全性和可靠性。2. 项目目标构建一个能够检测道路障碍物的系统实现一个用户友好的UI界面使用YOLO...

花域星魂

135人浏览 · 2024-08-14 03:37:48
花域星魂  ·  2024-08-14 03:37:48 发布


一、项目简介
1. 项目背景

随着自动驾驶技术的发展，障碍物检测成为保障行车安全的重要一环。通过深度学习模型，尤其是YOLO（You Only Look Once）模型，可以高效、准确地检测道路上的障碍物，从而提高自动驾驶系统的安全性和可靠性。

2. 项目目标
  • 构建一个能够检测道路障碍物的系统
  • 实现一个用户友好的UI界面
  • 使用YOLOv8/v7/v6/v5模型进行检测
  • 提供完整的训练数据集
二、环境准备
1. 硬件要求
  • 一台带有GPU（建议使用NVIDIA）的计算机
2. 软件要求
  • 操作系统：Windows, macOS, 或 Linux
  • Python 3.8 及以上版本
  • CUDA 10.2 及以上版本（如果使用GPU）
  • cuDNN 7 及以上版本
3. 安装必要的软件和库
  1. 安装 Python
    访问  Python 官方网站 下载并安装最新版本的 Python。
  2. 安装 pip（Python 包管理工具）
    通常 Python 自带 pip。如果没有，可以通过以下命令安装：
sudo apt-get install python3-pip  # Ubuntu
brew install python               # macOS
  • 1.
  • 2.
  1. 创建虚拟环境
python -m venv obstacle_env
source obstacle_env/bin/activate  # Linux/macOS
obstacle_env\Scripts\activate     # Windows
  • 1.
  • 2.
  • 3.
  1. 安装深度学习相关库
pip install torch torchvision torchaudio  # 如果使用PyTorch
pip install tensorflow                    # 如果使用TensorFlow
pip install opencv-python
pip install matplotlib
pip install numpy
pip install Flask                         # 用于创建UI
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
三、数据集准备
1. 收集和标注数据
  • 从公开数据集或自己采集道路视频截图
  • 使用LabelImg或其他标注工具进行标注，生成YOLO格式的标注文件（*.txt）
2. 数据集结构
dataset/
│
├── images/
│   ├── train/
│   ├── val/
│
└── labels/
    ├── train/
    ├── val/
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
3. 数据增强（可选）

使用 albumentations 库进行数据增强：

import albumentations as A
from albumentations.pytorch import ToTensorV2
import cv2

transform = A.Compose([
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
    A.Rotate(limit=15),
    ToTensorV2()
])

image = cv2.imread('path_to_image')
transformed = transform(image=image)
transformed_image = transformed["image"]
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
四、训练模型
1. 下载 YOLOv5 仓库并安装依赖
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
  • 1.
  • 2.
  • 3.
2. 配置训练参数

修改 data.yaml 文件以适配你的数据集：

train: ../dataset/images/train
val: ../dataset/images/val

nc: 3  # 类别数量
names: ['pedestrian', 'vehicle', 'obstacle']  # 类别名称
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
3. 开始训练
python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov5s.pt --cache
  • 1.
五、模型测试
1. 测试单张图片
from yolov5.models.common import DetectMultiBackend
from yolov5.utils.datasets import LoadImages
from yolov5.utils.general import non_max_suppression, scale_coords
from yolov5.utils.plots import plot_one_box
import torch

model = DetectMultiBackend(weights='best.pt')
stride, names, pt, jit, onnx, engine = model.stride, model.names, model.pt, model.jit, model.onnx, model.engine
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

dataset = LoadImages('path_to_image')
for path, img, im0s, vid_cap, s in dataset:
    img = torch.from_numpy(img).to(device)
    img = img.float()
    img /= 255.0
    if img.ndimension() == 3:
        img = img.unsqueeze(0)

    pred = model(img)
    pred = non_max_suppression(pred, 0.25, 0.45, classes=None, agnostic=False)

    for i, det in enumerate(pred):
        if len(det):
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0s.shape).round()
            for *xyxy, conf, cls in reversed(det):
                label = f'{names[int(cls)]} {conf:.2f}'
                plot_one_box(xyxy, im0s, label=label, color=(255, 0, 0), line_thickness=2)

cv2.imshow('result', im0s)
cv2.waitKey(0)
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
六、UI界面设计
1. 使用 Flask 创建基本界面
from flask import Flask, request, render_template
import os

app = Flask(__name__)

UPLOAD_FOLDER = 'uploads'
os.makedirs(UPLOAD_FOLDER, exist_ok=True)
app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER

@app.route('/')
def index():
    return render_template('index.html')

@app.route('/upload', methods=['POST'])
def upload_file():
    if 'file' not in request.files:
        return 'No file part'
    file = request.files['file']
    if file.filename == '':
        return 'No selected file'
    if file:
        file_path = os.path.join(app.config['UPLOAD_FOLDER'], file.filename)
        file.save(file_path)
        # 调用检测函数并返回结果
        result = detect_obstacles(file_path)
        return result

def detect_obstacles(image_path):
    # 在这里调用训练好的YOLO模型进行检测
    pass

if __name__ == '__main__':
    app.run(debug=True)
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
2. 创建 index.html 文件
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>障碍物检测系统</title>
</head>
<body>
    <h1>障碍物检测系统</h1>
    <form action="/upload" method="post" enctype="multipart/form-data">
        <input type="file" name="file">
        <input type="submit" value="上传并检测">
    </form>
</body>
</html>
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
七、部署
1. 在本地测试 Flask 应用
python app.py
  • 1.

访问 http://127.0.0.1:5000 查看效果。

2. 使用 Docker 部署

创建 Dockerfile 文件：

FROM python:3.8-slim

WORKDIR /app

COPY . /app

RUN pip install -r requirements.txt

CMD ["python", "app.py"]
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.

构建并运行 Docker 镜像：

docker build -t obstacle-detection .
docker run -p 5000:5000 obstacle-detection
  • 1.
  • 2.


原创作者: u_16751290 转载于: https://blog.51cto.com/u_16751290/11731192
# 深度学习 # 人工智能
Logo
EazyDevelop社区

一站式 AI 云服务平台

更多推荐

cover

5分钟搞定！MySQL/PostgreSQL 到 Elasticsearch 的实时同步

avatar EazyDevelop社区
cover

国内低代码平台：2025 年国内主流平台盘点

avatar EazyDevelop社区
cover

两小时，我搭了一套销售提成计算系统

avatar EazyDevelop社区
  • 浏览量 135
  • 收藏 0
  • 0

所有评论(0)

查看更多评论 

花域星魂

@weixin_41138572
已为社区贡献1条内容