[发明专利]交通标志识别模型训练方法及系统

说明书

本发明提供了一种交通标志识别模型训练方法及系统，包括如下步骤：获取交通标志图像以及每一交通标志图像对应的标签，将所述交通标志图像分为训练集和测试集；获取基于YOLOV5的网络模型，对所述网络模型进行加载和设置；根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；采用混合精度训练对所述网络模型先进行热身训练，计算三种损失之和并反向传播进行梯度放大；对热身训练后的网络模型进行学习率衰减，然后通过对测试集网络模型进行测试后保存所述网络模型及权重生成交通标志图像模型。本发明能够有效的对交通标志进行实时检测及分类。

技术领域

本发明涉及交通标志识别，具体地，涉及一种交通标志识别模型训练方法及系统。

背景技术

据统计，在我国机动车驾驶人违法驾驶导致交通事故的比例达到90％以上，部分原因是由于驾驶人无法及时处理视觉信息中道路交通标志牌的指示，由此可以看出交通标志识别的实时性对于改善辅助驾驶系统非常重要，然而传统的交通标志识别速度慢，检测效果不理想，很难用于实际场景。

随着卷积神经网络、目标检测算法被广泛用于处理图像识别和分类问题以及汽车产业对于安全性能的愈发重视，深度学习被广泛应用于该方面的研究。陈名松等人采用基于改进CapsNet的交通标志分类模型，充分保留了图像的空间特征；龙曼仪等人提出了基于轻量型卷积神经网络来加快网络速度和降低对硬件的需求；总体来说，主流的交通标志识别方法分为单阶段和两阶段两种。

道路交通安全是指在交通活动过程中，能将人身伤亡或财产损失控制在可接受水平的状态。传统的交通标志识别方法易受光线、遮挡、以及目标过小等影响，难以快速且精确的检测交通标志，存在安全隐患，需要一种有效的方法来进行实时检测及分类。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种交通标志识别模型训练方法及系统。

根据本发明提供的交通标志识别模型训练方法，包括如下步骤：

步骤S1：获取交通标志图像以及每一交通标志图像对应的标签，将所述交通标志图像分为训练集和测试集；

步骤S2：获取基于YOLOV5的网络模型，对所述网络模型的参数进行加载和设置；所述网络模型的主干网络采用CSPDarkNet53模块，设置空间金字塔池化模块，将PANet网络作为路径聚合网络；

步骤S3：根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；

步骤S4：采用混合精度训练对所述网络模型先进行热身训练，计算分类损失、回归损失以及置信度损失之和并反向传播进行梯度放大；

步骤S5：对热身训练后的网络模型进行学习率衰减，然后通过测试集对网络模型进行测试后保存所述网络模型及训练产生的权重生成交通标志图像模型。

优选地，步骤S1中先将获取的TT100K数据集的格式转化为VOC数据集格式，再将VOC数据集格式的标签转化为YOLO格式的标签集，以获取所述交通标志图像以及每一交通标志图像对应的标签划。

优选地，初次训练时，在步骤S2中检查所述网络模型的配置信息，获取所述网络模型的参数，确定所述训练集和测试集的图片路径，对所述网络模型设置冻结模型层、SGD优化器和学习率衰减方式。

优选地，所述网络模型的参数包括保存权重的路径，轮次，批次，总批次，权重和结果的保存权重。

优选地，在步骤S3包括如下步骤：

步骤S301：获取网络模型的总步长和交通标志图像的分辨率，判断所述总步长和分辨率之间能否整除，当不能整除时调整所述总步长，能够整除时触发步骤S302；

步骤S302：根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；