车辆数据标注解析"/>
车辆数据标注解析
特此声明
- 都是个人分析。
- 下面图像来源于网络。
1 前言
对于老算法来说,如何去选择如何低成本、快捷开发,是首选要考虑的。而这两个事其实就是如何把实验室理论应用到工业中去,效果稳定,以及如何快速部署。"顺大流儿"精神的好处在这里体现的淋漓尽致。
那么另一个问题就来了。为什么同样的模型,有的人在工业上精度高,有的人精度低呢?就是数据标注。
这里拿某个公司的标注来说。
2 标注说明
2.1 实例
1.1 原始图
1.2 一级模型结果图
根据上图分析。
2.1.1 一级模型
1 有一个一级模型去检测车框,它应该有个隐藏类,就是car,当然对应的卡车,suv,货车之类的。如图1.1中car。
2.1.2 二级模型
2 其实除了上面的车框隐藏类外,还应该有3个隐藏类信息,前车窗定位,车头定位,车位定位。如图1.1中window和head。他是在一级模型基础上进行检测。
3 这里并不是通过车框整体特征去识别这个车是否是雷克萨斯,而是根据车标做到的。
3 这里有个关键问题,如何用最少的检测模型,去完成最多的事。我猜测有几个任务是放到一起检测的。
3.1 车头检测、车位检测、车窗检测,行李箱检测
3.2 车牌定位,车标检测, 车灯检测,后视灯检测
标注方法没什么可说的。这里他这里还缺个车轮检测。这个车轮检测标注有两种,如下图1.3。右图有预测部分,在很多看不到车轮地方会进行“精准”的预测。左图同样有个问题,小的车轮会漏,发生率检,比较好高。
1.3 车轮检测
2.1.3 三级级模型
4 三级模型是继承二级模型中的车窗内信息
4.1 安全带检测,手机检测,人头检测
这里说下安全带和手机如何去标。
- 安全带标注带上人体特征。
- 手机标注带上人手特征
2.1.4 注
yolov5-s模型的检测性能超过yolov5-n,但是两个yolov5-n资源消耗不及一个yolov5-s。检测目标时候用一个yolov5-s还是两个yolov5-n值得考虑的问题。
后面这个问题我就不再说了
2.2 实例
2.1 车窗检测
2.2 车窗内检人头检测
上面推测了卓识对所有车窗检测了,这里可以证实。
他的目的是什么?评估车内有几人。那么问题来了,有的方向看不到车窗内人怎么办?不检,做评估。
注意:标人头时候把上衣信息加入进去了。
更多推荐
车辆数据标注解析
发布评论