- 1华为鸿蒙HarmonyOS应用开发者高级认证答案_华为认证答案’
- 2阿维塔在车辆安全中的以攻促防实例 | 附PPT下载
- 3下载代码的一些命令-小记_quicinc
- 4Logistic模型
- 5正确解决can‘t connect to MySQL server on ip(10060)的解决办法异常的有效解决方法_can't connect to mysql server on 10060
- 6GIT远程仓库（随笔）
- 7win10下 docker 配置python pytorch深度学习环境_win10创建docker python
- 8Hive实战案例_hive多维统计分析案例实战
- 9软件架构模式之分层架构
- 10【博客89】考虑为你的inline函数加上static_inline 函数都加了static
城市道路路面病害检测识别分析，以RDD赛事捷克-印度-日本集成融合数据集为例，基于yolov5m模型开发构建城市道路病害检测识别系统_yolov5 rdd
赞
踩
城市道路病害检测是最近比较热门的一个任务领域，核心就是迁移深度学习目前已有的研究成果来实现实时城市道路路面病害的检测识别分析，在我之前的很多博文中都有做过类似桥梁、大坝、基建、隧道等水泥设施裂缝裂痕等目标检测相关的项目，除此之外还有开发过相关城市路面病害检测的实践项目，链接如下，感兴趣的话可以自行移步阅读即可。
《助力路面智能巡检养护，基于YOLOv5开发轻量级路面缺陷智能检测系统》
《python基于融合SPD-Conv改进yolov5与原生yolov5模型实践路面裂痕裂缝检测》
《融合注意力模块SE基于轻量级yolov5s实践路面坑洼目标检测系统》
《python基于DeeplabV3Plus开发构建裂缝分割识别系统，并实现裂缝宽度计算测量》
《基于yolov5开发构建道路路面病害检测识别系统——以捷克、印度、日本三国城市道路实况场景数据为例，开发对比分析模型并分析对应性能》
本文主要是前文《基于yolov5开发构建道路路面病害检测识别系统——以捷克、印度、日本三国城市道路实况场景数据为例，开发对比分析模型并分析对应性能》的后续文章，前文则是以捷克、印度、日本三国独立场景的道路路面数据集为基准开发了轻量级的yolov5s系列的模型，并对三者进行了详细的性能指标对比分析与可视化。
本文主要是将三国城市道路场景的数据集进行整合汇总解析处理，之后基于yolov5m模型来尝试开发构建更具识别检测能力的检测模型，首先来看下效果图：
数据集是与前文一致的，只不过在开发完前文的项目后我发现这批数据集有相当一部分的都是空图，这里为了加快模型的开发效率，这里我去除了相关的空图数据，简单看下数据集：
可以清楚看到：经过数据处理后生下来14569张图像数据可用于后续模型的开发训练。
原始VOC格式标注数据文件如下：
经过处理后得到的YOLO格式的标注数据文件如下：
前后相减可以分析知：大概去除了7000左右的数据量。
融合汇总的数据集类别清单如下所示：
['D00', 'D01', 'D10', 'D11', 'D20', 'D40', 'D43', 'D44', 'D50']本文使用到的是m系列的模型，相对前文使用的s系列的模型来说精度更高，模型文件如下所示：
- # YOLOv5 声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/你好赵伟/article/detail/625782推荐阅读
相关标签
Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。
