经验总结

1.概况

这是一个利用yolo算法实现车流识别的系统。
硬件基础是cpui7-7700HQ，显卡英伟达1050TI。
基于win10，python3。
python的安装库要求深度学习框架tensflow，keras和一些常用机器学习库。
是否选择gpu加速看个人情况，这里使用cuda8.0，cudnn6.0。

2.yolo简述

YOLO ("you only look once")是一种流行的算法，因为它实现了高精度的同时还能够在实时运行。

1.目标的表示。

我们所熟知一般的卷积神经网络，经过若干次池化和卷积，在全连接层后利用softmax分类或者sigmoid判断物体是否存在。而对于yolo，它将一个图片分成19×19的网格，在每个网格里寻找物体。物体的表现形式为 (pc,bx,by,bh,bw,c)，pc代表物体存在与否，x,y代表方框中心，h高度，w宽度，都是相对于整体1的数字，c代表类别。c为（c1，c2......）每个cn都是1或0。而针对一个19×19方格出现多个物体，用anchor boxes解决。假如有80类要探测，且每个方格至多可能出现5个个体。如图所示。

2.目标的确定。

对于每个anchor box我们找出其最可能的种类。

如果我们不画出pc为0（无探测物体的的anchor box）。可能得到这样的图片

出现统一物体被多次画框。这时我们要用 IoU和Non-max suppression。就是所谓的交并比和非极大值抑制。iou如图

一般阈值设置为0.5，小于0.5的两个方框为不是一个物体；大于0.5的将被视为两个方框为一个物体，这时就利用非极大值抑制，比较score，得分高者被保留而得分低者去除。

3.模型的训练

训练需要大量标识探测物体的图片集。所以使用已经训练好的yolo.h5。

3.立即使用

可以直接对于图片预测车辆yolo_picture.py，参数为输入图片地址和输出图片地址

此外对于视频的车辆预测yolo_video.py,参数如下

VIDEO_PATH
源视频地址

EXTRACT_FOLDER
生成视频存放的位置

EXTRACT_FREQUENCY
帧提取频率，每几帧提取一张分析

FPS
形成视频的每秒帧数

SIZE
输出视频大小