Pyhon基于YOLOV实现的车辆品牌及型号检测项目源码+模型+项目文档_基于yolo的车型识别与颜色识别源码

• 项目运行
• 运行录屏：

  Pyhon基于YOLOV实现的车辆品牌及型号检测项目运行录屏

•  完整代码下载地址：Pyhon基于YOLOV实现的车辆品牌及型号检测项目 

1. 项目背景：

车辆检测及型号识别广泛应用于物业，交通等的管理场景中。通过在停车场出入口，路口，高速卡口等位置采集的图片数据，对车辆的数量型号等进行识别，可以以较高的效率对车型，数量信息等进行采集。通过采集的数据，在不同的场景中可以辅助不同的业务开展。如商场停车位的规划，路况规划，或者公安系统追踪肇事车辆等等。

1. 项目要求：

• 使用slim框架来对图片进行分类识别。
• 掌握使用slim物体检测框架来进行物体的检测和识别。
• 传入一张图片实现上述两个功能，显示出最终的结果。

• 项目方案的分析与方案确定

1. 项目提供的素材：

• 一个车辆分类的数据集。只是分类数据，内部没有定位信息。共48856张图片其43971张作为训练集，4885张作为验证集。数据已经预先打包成tfrecord格式，数据格式与课程中，分类模型使用的数据格式相同，打包关键代码参考"download_and_convert_flowers.py"。

数据集分类文件labels.txt

1. 达到项目要求所缺少的因素

1. 看不到具体的图片，图片已经打包成tfrecord格式，不知道是什么样的图片。
2. 项目提供的素材，不包括检测的标签，也就是给定的素材不能完成检测网络的训练。

1. 各种方案可行性对比和方案的确定

因此，经过讨论，我们的首要任务是将tfrecord数据复原出来，并且找到一种合适的方式能实现检测功能。

可能的方案有：

1. 使用label-image 自己制作检测数据集，在原始图片上进行标注，然后就有了分类标签和检测标签，就可以训练一个端到端的模型。但是缺点是图片太多，而项目周期只有一个月，估计不可能完成。
2. 使用一个现有的预训练的检测模型，例如YOLO、faster-rcnn、ssd_mobilenet_v1_coco等，他们已经实现了对一些物体的检测功能，其中还都包含小汽车，因此可以利用这种网络完成检测功能，把读取出来的图片一次输入网络中，生成检测的标定数据，然后重新打包tfrecord文件，最终可以训练出一个端到端的检测加分类模型。这样的可行性也比较高，而且感觉工作量不大，唯一一点是感觉代码难度稍微有点大（相比于下面一种方案），万一要是卡住在中间的环节有可能造成时间紧张。不过总体感觉依旧是个可行的方案。
3. 像上一步一样，找一个现成的检测模型，把输入的图片进行检测，再把检测出来的结果输入到自己训练的分类网络中，就可以实现项目需求了，而且相比于其他方案难度最小，最有可能完成这项任务。但是问题是整个过程经过了两步执行操作，感觉没有一步执行完成效率高。

经过对比，我们最终选择了第三个方案。

• 方案的实施与计划

最终的方案流程如下：

图3-1 方案流程图

项目实施计划如下：

第一周：

• 数据探索，复原出原始图片内容，进行数据探索、并分析。
• 确定最终使用的检测模型 。

第二周：

• 测试检测模型的效果，编写调用接口。
• 使用Inception_v4进行分类训练，使之达到85%以上的Top5准确率。

第三周：

• 完成分类模型项目接口。
• 与检测模型的接口进行整合。
• 将功能整合进一个Web服务功能中。

第四周：

• 文档撰写与完善代码。

1. 数据探索

1. 复原原始图片

根据项目提示，图片打包过程参考flower的例子，经过研究源代码打包过程和解包过程，我们完成了图片的复原工作。将图片按照分类放进各自的文件夹中。

• • • 
    • 3-2 获取原始图片数据

1. 如图3-2左侧是复原图片过程的输出，可以看到图片的尺寸都是4xx*320，三通道的jpg图片，图片的高都是一样的，宽度略有不同。这个输入到训练之前，会经过一些图片预处理操作。训练时会将图片统一尺寸，做一些裁剪、随机flip翻转、颜色扭曲等如图3-3。

• • 
  • 3-3 图片预处理部分

1. 最后复原出来的图片train集是43972个图片，764个文件夹对应labels.txt中764个分类，训练集的图片数比项目说明中的多了一个，我想可能是因为43971个图片分成4个数据集的取整问题，最后复原的时候可能多了一张重复的，这个没多大关系。

1. 可以发现训练集中每种品类的汽车都有不同的视角、颜色、背景的图片，看来识别车型的影响因素还挺多的。但是数据的主体都拍照的比较清楚，处于画面正中位置，所以应该可以实现不同视角下汽车的分类功能。

1. 发现的问题：训练集里面还是有一些错误的图片的，比如好几次把现代车放进其他车型的标签下的情况，而且是同一张图片放入多次，但是鉴于这样的错误比例不高，所以训练的时候暂时不做处理。先放进网络中训练试试。

1. 选择Yolo作为检测网络

首先，Yolo是回归检测的开山之作，检测效果不错mAP~0.58，而且运行速度非常快能够达到45-150帧每秒。另外一个是因为我们团队的黎同学之前研究过这个模型，所以弄起来比较有把握。

1. 在只有分类的数据集的情况下，我们不能直接使用YOLO模型去进行端到端的训练，因为我们人力有限，为了节约时间成本，我们在网上把开源的YOLO模型拿下来，调用YOLO模型在VOC训练集上训练所得到的预训练参数，写出一个检测程序。

然后我们测试了一下检测的能力：

图3-4 YOLO检测汽车测试

图3-5 YOLO检测更多辆汽车测试

可以看到，YOLO能够出色的完成多辆汽车检测的任务，框选出来的位置很准确。只是会把汽车分成truck、car、bus等分类，这个只需要后期做一下处理都当成汽车就行了。

1. 使用Inception_v4进行分类网络的训练

下一步就是要进行分类网络的训练，项目要求使用Inception_v4模型。于是我们就读了一下Inception_v4的论文，然后研究了一下slim分类训练里面的代码。

1. Inception_v4论文

论文中介绍了Inception_v4的网络结构还同时介绍了另外一种加了residual的Inception_v4的结构。 同时还把Inception_v3以及带residual的inception_v3做了对比，得出了一些结论：

Inception_v4在Inception_v3的网络结构上进行了一些结构上的微调，最终的实验结果是

图3-6 四种模型的训练结果

Inception_v4系列比Inception_v3系列相比，准确率方面是更优秀的，Top-5 error减少了1.多，另外加了residual的V3或者V4都比不加的模型训练更快的收敛，但是准确率方面倒没有什么更多的贡献。

1. 训练Inception_v4，实现分类功能

训练的思路是，先从slim的github上下载预训练的模型

图3-7 Inception_v4

然后对这个模型进行Finetune。过程是这样的：

图3-8 Inception_v4进行finetune

这里指定了train_dir 和dataset_dir，model_name是incption_v4, checkpoint_path是我们下载的checkpoint。然后重要的一点是指定checkpoint_exclude_scopes参数，这里把InceptionV4/Logits,InceptionV4/AuxLogits这两个层排除了，这在slim中会判断没有这两层的话，会根据dataset.py中提供的_NUM_CLASSES参数，从新配置分类的层。而前面的层目前还是保持不变的。尤其注意的是，这里不需要额外指定trainable_scopes参数就行了，否则训练只会训练这里指定的层。我们这里需要将全部的层都参加训练。这样前面特征提取的层在训练中会进行微调，而后面的分类层会着重进行反向传播调整。

训练过程中打开tensorboard，查看过程如下：

可以看到total_loss稳步下降，最终稳定在1.多左右

模型的稀疏度也一直在调整，下降，代表模型的拟合能力在提升。

学习率开始的时候设置的是0.001， 然后中间停止训练改成decay模式，继续训练，可以看到后面学习率在下降一段时间后，保持在我们设置的最小值上。最小值能防止模型失去反向传播的动量，而随着训练的进行减小学习率能够减小模型的震荡，让模型尽快调整到最优点。

Slim训练中有对数据进行预处理的功能，可以将图片进行裁切、反转等操作，增广训练数据，让模型的拟合能力更强。

可以看到各个层的参数都在随着训练进行调整

训练的差不多了，进行一次验证：

验证集上准确率达到了88.7% ，top-5 达到了94.59%，达到了预定的要求。

1. 代码整合

代码整合是把两个模型的检测程序连接起来，通过YOLO网络检测出Car，Bus，Truck类的坐标，然后根据坐标将原图裁剪，将裁剪后的数据送入inceptionV4分类网络中，得到类别，最后通过得到的类别，坐标信息在原图上标记并显示原图。

1. 模型导出，与功能的对接

• 将检测出的标定框裁切（标定为Truck，Car,Bus 类别的）
• 将切出来的图片送入分类网络
• 在图片上标出目标以及分类结果

单个目标的识别结果很好

单个目标的结果1

单目标检测结果2

多个目标的情况会受图片质量，以及车辆遮挡的影响

多个目标的情况，前面的车结果正确，后面两个车明显不对

这种情况就更不行了

原因：

1. 图片质量差，即使是人也看不准车型
2. 车辆被遮挡，导致截图后送入分类网络中不同种车的特征混合到一起了
3. 训练还不够，训练数据量少

• 遇到的问题与解决

1. 读取tfrecord时，开始导出的图片是花的，后来发现是图片的col和row分别对应的是width，height，因此在生成图片的时候数据获取不对。这点修正以后就好了。

图4-1 图片的宽高对应col和row问题

1. Inception_v4模型训练的时候，要指定checkpoint_exclude_scopes参数，把InceptionV4/Logits,InceptionV4/AuxLogits这两个层排除，这在slim中会判断没有这两层的话，会根据dataset.py中提供的_NUM_CLASSES参数，从新配置分类的层。而前面的层目前还是保持不变的。尤其注意的是，这里不需要额外指定trainable_scopes参数就行了，否则训练只会训练这里指定的层。开始的时候，我指定了：

trainable_scopes=InceptionV4/Logits,InceptionV4/AuxLogits

这样，模型训练的时候，将只训练最后这分类的两层。导致我们出现了如下问题：

在6-8小时训练过后也没有在验证集上达到top1 80% 准确率；

训练了53万步依然在4和5之间摇摆

Tensorboard上相关数据：

可以看到我们的正则项损失趋向平缓，说明模型参数好像没有继续拟合了。

学习率在finetune的过程中我修改过几次，好像对模型影响效果不明显。

在tensorboard中这两个参数一直没有改变，看demo的话好像是把这两个节点是给排除的。

经过分析之后，感觉是训练出现了问题，于是寻找答案，发现slim上给出的finetune模式是这样的：

即第一步是只训练线性分类那两层，第二步是把所有参数一起训练，即就是修改这API中这两个参数。 我这里最终是在之前自己训练的基础上，继续把所有参数加入进去进行了训练，得到了上一节中达到的效果。

1. 关于识别到车辆信息后，将识别到的汽车数据截取出来送进分类网络进行识别。有时会出现汽车的位置重叠，或者同一辆车得到了两个检测识别框。有两种方案：

1. 直接选择置信度最高的框显示和识别。
2. 通过IOU计算，将不同重叠情况的框进行合并处理

合并处理方案

• 还可以改进的地方

1. 训练集中有许多错误的图片，应该进行数据筛选，提升识别的准确率。条件允许的情况下，增加训练集，进行更多的训练。
2. 优化模型运行速度，将参数提取读取出来，在传入图片之后，直接进入计算步骤。现在车辆识别的步骤是经过多个session的，可以通过合并成一个session来增加程序运行的速度。
3. 还想尝试同时分类和检测数据集一起训练的模式，不知道结果会怎样。
4. 猜想：能不能把两个网络连接成一个网络，两个网络中应该有一些参数可以是共享的，有没有可能把这些参数实现共享。实现共享后可以减少重复参数，增加网络检测速度。
5. 批量识别的功能可以通过添加batch实现一次检测多幅图片。
6. 也可以增加视频检测功能。

完整代码下载地址：Pyhon基于YOLOV实现的车辆品牌及型号检测项目