Professional Documents
Culture Documents
Xây dựng hệ thống tự động nhận diện biển báo giao thông trong điều kiện khó ứng dụng hỗ trợ cho xe tự lái
Xây dựng hệ thống tự động nhận diện biển báo giao thông trong điều kiện khó ứng dụng hỗ trợ cho xe tự lái
3. Kết quả
4. Kết luận
2
1. Tổng quan về đề tài (1)
3
1. Tổng quan về đề tài (2)
Độ chính xác cao Mạnh mẽ đối với môi Thời gian phản hồi nhanh
trường thực tế thử thách
4
2. Phương pháp thực hiện (2)
4500 hình ảnh Tập huấn luyện : 3600 ảnh
Kích thước biển Tập kiểm tra: 900 ảnh Cấm Giới Cấm Cấm rẽ
báo < 10x10 pixel ngược hạn tốc dừng
chiều độ và đỗ
5
2. Phương pháp thực hiện (3)
6
2. Phương pháp thực hiện (4)
Bounding box
Regression
Loss
RETINAFACE
NETWORK
Classification
Loss Σ Multi_Loss
Landmark
Regression
Loss
Bounding box
RETINAFACE Regression
NETWORK Loss
7
2. Phương pháp thực hiện (4)
8
3. Kết quả (1)
9
3. Kết quả (2)
Huấn luyện mô hình 100 epoch.
Độ chính xác của mô hình phân loại biển báo trên tập test đạt 94,83%.
10
3. Kết quả (3)
Đánh giá :
• mAP50 là 63,45%
11
3. Kết quả (4)
Model RetinaFace +
MobileNetV1-SSD
Hiệu quả tính toán của mô hình cuối trên bộ
công cụ phát triển phần cứng Jetson Nano Batch size 1
của NVIDIA :
Mode FP16
12
3. Kết quả (5)
Model Yolov5s
Batch size 1
Mode FP16
Image dimension 640x640
Computing time 2.5s
mAP@50 53,60%
RAM usage 1.7GB
13
4. Kết luận
• Cần phải nhấn mạnh rằng dữ liệu thử nghiệm từ bộ dữ liệu Zalo rất khó
khăn trong đó các dấu hiệu rất xa máy ảnh và do đó có kích thước rất nhỏ.
Tuy nhiên hệ thống nhận diện biển báo giao thông đã đạt được độ chính
xác và hiệu quả tính toán trên máy tính nhúng rất tốt
• Sự kết hợp của RetinaFace để phát hiện các biển báo trong hình ảnh và
Mobilenetv1-SSD để phân loại có tiềm năng rất cao trong việc ứng dụng trong
xe tự lái
• Hướng phát triển :
o Cải thiện mô hình nhận diện biển báo để có thể đạt hiệu suất tốt hơn nữa trên các
vật thể bé.
o Phát triển thêm các bài toán nhận diện biển báo giao thông trong các điều kiện
thách thức khác.
14
THANK YOU !