Github地址AVM_PSD1、最终检测效果2、标签说明H_cpl_empty车位类型_完整性_占用状态车位类型V垂直车位vertical parking slotsH水平车位horizontal parking slots, S斜角车位slant parking slots完整性cpl完整可见completelyincpl不完整可见incompletely占用状态empty空车位emptyoccp被占occupy3、使用方法训练基于YOLO进行因此调用时需用到ultralytics库训练时采用的图像大小为1024*1024# import pathlib # pathlib.PosixPath pathlib.WindowsPath #windows need from ultralytics import YOLO model YOLO(result/weights/best.pt) results model.predict(sourceyour img path, saveTrue)4、训练过程当前使用了1.8w张训练集0.2w验证集进行训练共计训练了80epoch其中水平车位样本偏少斜列车位样本最少这也是当前样本存在的问题对于长度不足300像素的垂直和斜列车位默认给定长度300像素对于宽度不足150像素的水平车位默认给定宽度150像素5、val_batch_pred6、尚存问题目前数据集还存在诸多问题主要问题一些图片漏标一些车位类型错误一些车位被占状态错误一些角点坐标不准确需要微调某些车位只标注了3个角点要完成全部数据的修正需要大量精力和时间本人空余时间有限仅凭个人尚未完成全部的数据清洗。此外数据集中水平车位和斜列车位的样本较少当前斜列车位的检测效果如下因此实际部署时斜列车位还需借助角点检测或者其他方案以矫正斜列车位的角点坐标。另外目前数据集中缺乏I形、U形等其他类型的车位。
Github地址AVM_PSD1、最终检测效果2、标签说明H_cpl_empty车位类型_完整性_占用状态车位类型V垂直车位vertical parking slotsH水平车位horizontal parking slots, S斜角车位slant parking slots完整性cpl完整可见completelyincpl不完整可见incompletely占用状态empty空车位emptyoccp被占occupy3、使用方法训练基于YOLO进行因此调用时需用到ultralytics库训练时采用的图像大小为1024*1024# import pathlib # pathlib.PosixPath pathlib.WindowsPath #windows need from ultralytics import YOLO model YOLO(result/weights/best.pt) results model.predict(sourceyour img path, saveTrue)4、训练过程当前使用了1.8w张训练集0.2w验证集进行训练共计训练了80epoch其中水平车位样本偏少斜列车位样本最少这也是当前样本存在的问题对于长度不足300像素的垂直和斜列车位默认给定长度300像素对于宽度不足150像素的水平车位默认给定宽度150像素5、val_batch_pred6、尚存问题目前数据集还存在诸多问题主要问题一些图片漏标一些车位类型错误一些车位被占状态错误一些角点坐标不准确需要微调某些车位只标注了3个角点要完成全部数据的修正需要大量精力和时间本人空余时间有限仅凭个人尚未完成全部的数据清洗。此外数据集中水平车位和斜列车位的样本较少当前斜列车位的检测效果如下因此实际部署时斜列车位还需借助角点检测或者其他方案以矫正斜列车位的角点坐标。另外目前数据集中缺乏I形、U形等其他类型的车位。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
