首页 > 其他分享 >智慧工地车辆未冲洗抓拍系统 YOLOv8

智慧工地车辆未冲洗抓拍系统 YOLOv8

时间:2024-07-29 08:56:06浏览次数:12  
标签:冲洗 抓拍 list YOLOv8 车辆 path 工地 name

智慧工地车辆未冲洗抓拍系统利用工地出入口监控摄像头可以对进出的工程车辆的冲洗情况实现智能识别。如果智慧工地车辆未冲洗抓拍系统发现要出工地的车辆没有清洗、冲洗不不干净或者清洗时间太短仍然判定是不合规的车辆,然后将这些不合规冲洗的车辆上报给本地的工地监管平台。通过科技手段提升监控效率,降低人工成本,监督出入的车辆要符合规定完成车辆冲洗,规避工程车渣土车将工地上面的泥沙带入城市道路,确保车辆离开工地前有效冲洗,规避给环境带来污染。

YOLOv8 算法的核心特性和改动可以归结为如下:

提供了一个全新的 SOTA 模型,包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样,基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型,用于满足不同场景需求

Backbone:
骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想,将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构,并对不同尺度模型调整了不同的通道数。

Head: Head部分较yolov5而言有两大改进:1)换成了目前主流的解耦头结构(Decoupled-Head),将分类和检测头分离 2)同时也从 Anchor-Based 换成了 Anchor-Free

Loss :1) YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式,而是使用了Task-Aligned Assigner正负样本匹配方式。2)并引入了 Distribution Focal Loss(DFL)

Train:训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作,可以有效地提升精度

随着人民生活水平的进步和科技的进步,大家对于环境和空气质量的要求也越来越高。各地也都在尝试使用AI科技手段来解决提升环境问题和空气质量。分布在全国各地的施工工地规模大、管理难度高,特别是工程车渣土车车辆将工地上的泥土带到城市道路上,导致城市环境二次灰尘污染。 在此大的环境背景下,智慧工地车辆未冲洗抓拍系统应运而生。

# From Mr. Dinosaur
 
import os
 
 
def listdir(path, list_name):  # 传入存储的list
    for file in os.listdir(path):
        file_path = os.path.join(path, file)
        if os.path.isdir(file_path):
            listdir(file_path, list_name)
        else:
            list_name.append(file_path)
 
 
list_name = []
path = 'D:/PythonProject/data/'  # 文件夹路径
listdir(path, list_name)
print(list_name)
 
with open('./list.txt', 'w') as f:  # 要存入的txt
    write = ''
    for i in list_name:
        write = write + str(i) + '\n'
    f.write(write)

智慧工地车辆未冲洗抓拍系统利用计算机视觉深度学习技术,对现场工地进出的工程车渣土车等实时监测分析,如果发现出去的车辆没有按要求进行清洗(未清洗、清洗时间不够、清洗不干净等)系统可以通过现场音柱等语音设备进行语音提示进出车辆依照指示要求完成冲洗,智慧工地车辆未冲洗抓拍系统并记录全部不按要求冲洗的车辆信息及未违规操作图片和视频,方便后期进行查询处理。

标签:冲洗,抓拍,list,YOLOv8,车辆,path,工地,name
From: https://blog.csdn.net/SuiJiAi/article/details/140761845

相关文章

  • Win11系统下Yolov8的C++编译环境实践
    Date:2024年1月24日概要说明yolo简介及背景    yolo(YouOnlyLookOnce)是目前一种普及性较高的人工智能目标检测方法,它将目标检测任务重新定义为单一的回归问题,从而实现了从图像像素到边界框坐标和类别概率的直接映射。在业界,Yolo的新应用层出不穷,其需求多样变化、源......
  • RuntimeError:给定 groups=1,预期权重在维度 0 处至少为 1,但在 YOLOv8 模型训练中得到的
    我正在尝试使用yolov8n-pose.pt预训练模型来训练YOLOv8模型,并在config.yaml中使用以下配置:#Datapath:C:\Users\Denis\OneDrive\Documents\Project\WorkoutAssistant\datatrain:images/train#trainimages(relativeto'path')val:images/val#valima......
  • 使用yolov8训练时如何解决“内核......似乎已经死亡”?
    我想用yolov8训练我的模型,但开始训练后出现此错误:ultralytics/datasets/lollipop/Untitled.ipynb的内核似乎已死亡。它将自动重新启动。我有GTX1650,内存为4GB,这是我的代码:importtorchfromultralyticsimportYOLO#Loadthemodelmodel=YOLO('yolov......
  • 【YOLOv8】实战二:手把手教你使用YOLOv8实现实时目标检测、实例分割、姿态估计、目标追
    简介UltralyticsYOLOv8是一种前沿的、最先进的(SOTA)模型,它在前代YOLO版本的成功基础上进行了进一步的创新,引入了全新的特性和改进,以进一步提升性能和灵活性。作为一个高速、精准且易于操作的设计,YOLOv8在广泛的领域中,包括目标检测与跟踪、实例分割、图像分类以及姿势估计等任......
  • YOLOv8-seg——基于自定义数据集训练图像分割模型
    目录一、制作分割数据集1标注2json文件转txt文件3数据集划分二、训练图像分割模型1环境搭建2训练网络3预测三、训练结果解读一.制作分割数据集1标注运用labelme软件进行手动标注,得到数据的json格式标注文件。*注意区别于labelimg软件,labelimg软件对每个......
  • 抓拍
    果然还是分类讨论有疏漏:未考虑到两段移动区间“迎头相撞”的情况,思维要更加缜密更简洁的做法是,考察周长关于时间的函数,通过三分法找极小值点abs和llabs都可以将longlong类型的数取绝对值,其区别在于,若令x=-2147483648,llabs可以正常得到2147483648的结果,而abs不能点击查看代......
  • 【YOLOv8改进- Backbone主干】BoTNet:基于Transformer,结合自注意力机制和卷积神经网络
    YOLOv8目标检测创新改进与实战案例专栏专栏目录:YOLOv8有效改进系列及项目实战目录包含卷积,主干注意力,检测头等创新机制以及各种目标检测分割项目实战案例专栏链接:YOLOv8基础解析+创新改进+实战案例介绍摘要我们提出了BoTNet,这是一种概念上简单但功能强大的骨干......
  • 【YOLOv8改进 - 注意力机制】Gather-Excite : 提高网络捕获长距离特征交互的能力
    YOLOv8目标检测创新改进与实战案例专栏专栏目录:YOLOv8有效改进系列及项目实战目录包含卷积,主干注意力,检测头等创新机制以及各种目标检测分割项目实战案例专栏链接:YOLOv8基础解析+创新改进+实战案例介绍摘要虽然卷积神经网络(CNNs)中使用自下而上的局部操作符与自......
  • 【YOLOv8改进 - 注意力机制】ContextAggregation : 上下文聚合模块,捕捉局部和全局上下
    YOLOv8目标检测创新改进与实战案例专栏专栏目录:YOLOv8有效改进系列及项目实战目录包含卷积,主干注意力,检测头等创新机制以及各种目标检测分割项目实战案例专栏链接:YOLOv8基础解析+创新改进+实战案例介绍摘要卷积神经网络(CNNs)在计算机视觉中无处不在,具有众多高效......
  • 【YOLOv8改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚
    YOLOv8目标检测创新改进与实战案例专栏专栏目录:YOLOv8有效改进系列及项目实战目录包含卷积,主干注意力,检测头等创新机制以及各种目标检测分割项目实战案例专栏链接:YOLOv8基础解析+创新改进+实战案例ContextAggregation介绍摘要卷积神经网络(CNNs)在计算机视觉中无......