单目相机测距-车辆检测
2.车辆检测
使用单目相机对车辆进行测距流程主要流程如下图所示
实现基于单目相机的距离检测系统，通过拍摄视频或照片，对场景中的车辆进行检测，并计算其与相机的距离。系统流程包括相机标定、车辆检测、数据预处理、模型训练、图像处理和距离检测等环节。
车辆检测：使用YoLo检测算法对图像中的车辆进行检测。通过训练模型，提高检测的准确性和鲁棒性。
1.yolo检测原理
YOLO 是一种使用全卷积神经网络的实时目标检测算法，它是 You Only Look Once的缩写。 与其他目标检测的算法相比，YOLO在一个网络模型中完成对图像中所有对象边界框和类别预测，避免了花费大量时间生成候选区域。它的强项是检测速度和识别能力，而不是完美地定位对象。
与目标识别算法不同，目标检测算法不仅需要预测目标的类标签，而且需要提供检测目标的位置。YOLO 算法对整个图像使用全卷积神经网络，将图像划分为多个网格区域，并预测每个区域目标的边界框和概率，而目标预测的概率则会随即用来对边界框的精确度加权，从而获得准确的边界框位置和尺寸。
现实生活中存在大量如封面街道图中的场景，无人驾驶汽车必须实时检测到周围所有对象的位置，才能让系统做出正确的决策和控制。 YOLO 算法能够快速定位并分类不同的对象，并且让每个对象周围都有一个边界框和相应的分类标签。
- 目标检测原理: 图像网格化(Grid cell)，生成对象边界框(Bounding box)，删除重叠边界框，交并比 IoU (Intersection over Union)，非最大值抑制(non-maximum suppression)，预测重叠对象(overlapping object)，先验框(anchor box)
- 全卷积网络结构: 特征提取器Darknet-53，多尺度目标分类器，边界框回归(Regression)，上采样(up-sampling)，残差块(Resnet block)，残差连接(skip connections)。
- 代码实现：载入预训练模型，执行目标检测
其算法流程为：
1.将图片resize到448*448大小。
2.将图片放到网络里面进行处理。
3.进行非极大值抑制处理得到结果。
由于算法原理复杂，详细可看：
图解目标检测 之 YOLO 算法 最全原理详解_yolo算法原理-CSDN博客
目标检测|YOLO原理与实现 - 知乎 (zhihu.com)
2.检测参数
（1）车辆检测数据集
目前收集了约10W+的车辆检测数据集：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集:
关于车辆检测数据集使用说明和下载，详见另一篇博客说明：《UA-DETRAC BITVehicle车辆检测数据集(含下载地址)_ua-detrac数据集-CSDN博客》
（2）自定义数据集
如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：
- 采集图片，建议不少于200张图片
- 使用Labelme等标注工具，对目标进行拉框标注：labelme工具：项目首页 - labelme - GitCode
- 将标注格式转换为VOC数据格式，参考工具：labelme/examples/bbox_detection/labelme2voc.py at main · labelmeai/labelme · GitHub
- 生成训练集train.txt和验证集val.txt文件列表
- 修改engine/configs/voc_local.yaml的train和val的数据路径
- 重新开始训练
本项目使用yolov5,使用参数权重为yolov5n，如果有需要，可以在官方网址下载不同的权重文件，进行更改。需要说明，不同权重文件的准确和精度不同，因此训练时间相差很大，可按照需求使用。安装环境不做过多介绍，可以通过作者提供的requirements.txt 文件进行快速安装。
参考博客：
手把手带你调参YOLOv5 (v5.0-v7.0)（推理）_yolov5调参-CSDN博客
