YOLOV3网络模型训练方法及密集道路目标检测方法技术

本发明专利技术公开了一种YOLOV3网络模型训练方法及密集道路目标检测方法，涉及道路目标检测技术领域，首先获取标准数据集，从标准数据集中抽取密集道路图像并重新标注作为密集道路子数据集；对于YOLOV3基础网络模型，用标准数据集进行预训练；修改模型中的目标类型，train、valid、names、backup的位置，Batch函数、LEARN

【技术实现步骤摘要】
YOLOV3网络模型训练方法及密集道路目标检测方法


[0001]本专利技术涉及道路目标检测
，更具体的说是涉及一种YOLOV3网络模型训练方法及密集道路目标检测方法。

技术介绍

[0002]密集道路场景的车辆、行人等目标检测面临目标重叠或遮挡、目标分布不均匀以及边缘目标检测困难的问题。传统的目标检测模型可以分为两类：基于候选区域的R
‑
CNN(Region
‑
Convolutional NeuralNetwork)，如R
‑
CNN，Fast R
‑
CNN,Faster R
‑
CNN等二阶段网络；以及基于回归的单阶段网络，如YOLO、SSD(Single ShotMultiBox Detector)。R
‑
CNN类算法需要提取候选区域的特征，并将其输入到预训练CNN模型中提取特征，由于候选区域有大量的重叠，导致提取特征时会重复计算重叠区域的特征，因此这类算法的实时性能较差；与其相比，YOLO模型对若干个独立的候选区域，只需要一个CNN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于密集道路目标检测的YOLOV3网络模型训练方法，其特征在于，包括以下步骤：数据获取步骤：获取包含若干种道路图像的标准数据集，从所述标准数据集中抽取若干张密集道路图像并重新标注作为密集道路子数据集；预训练步骤：对于YOLOV3基础网络模型，使用标准数据集进行预训练，得到YOLOV3预训练模型；二次训练步骤：对于YOLOV3预训练模型，使用密集道路子数据集进行二次训练，得到最终的YOLOV3网络模型。2.根据权利要求1所述的一种用于密集道路目标检测的YOLOV3网络模型训练方法，其特征在于，所述标准数据集包括Pascal VOC 2007数据集、Pascal VOC 2012数据集、COCO数据集。3.根据权利要求2所述的一种用于密集道路目标检测的YOLOV3网络模型训练方法，其特征在于，所述预训练步骤中，首先使用Pascal VOC 2007数据集和Pascal VOC 2012数据集对YOLOV3基础网络模型进行预训练，再使用COCO数据集进行训练，得到YOLOV3预训练模型。4.根据权利要求2所述的一种用于密集道路目标检测的YOLOV3网络模型训练方法，其特征在于，所述密集道路子数据集为从Pascal VOC 2007数据集中抽取的若干张密集道路图像，并重新标注。5.根据权利要求1所述的一种用于密集道路目标检测的YOLOV3网络模型训练方法，其特征在于，在预训练步骤和二次训练步骤之间，还包括模型调整步骤：修改YOLOV3预训练模型的目标类型，train、valid、names、backup的位置，Batch函数、LEARN
‑
RATE函数、IOU函数的值。6.根据权利要求5所述的一种用于密集道路目标检测的YOLOV3网络模型训练方法，其特征在于，所述classes的目标类型与密集道路子数据集中的目标类型相对应；所述Batch函数设置为6，LEARN
‑
RA...

【专利技术属性】
技术研发人员：朱春华，梁家瑞，周飞，刘浩，郭歆莹，杨静，张庆辉，杨卫东，许德刚，张雪萍，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：