红外摄像头人车车辆识别课题研究汇报PPT.pptx

红外摄像人车识别

01应用场景ApplicationScenarios

红外人车识别应用场景红外图片人车识别技术在许多领域都有广泛的应用，这项技术利用红外成像技术来检测和识别人和车辆，尤其在光线不足或视线受阻的环境中表现突出安全监控交通管理自动驾驶搜索救援

01安全监控在城市监控、边境安全、重要设施的保护等领域，红外人车识别技术可以帮助监控系统在夜间或恶劣天气条件下依然有效地进行监控和报警。应用场景ApplicationScenarios

02交通管理在道路交通监控、高速公路管理、交通事故分析等方面，红外技术可以帮助交通管理部门在夜间或视线不良的情况下识别和记录交通流量和违规行为。应用场景ApplicationScenarios

03自动驾驶红外成像可以增强自动驾驶系统在夜间或恶劣天气条件下的视觉能力，提高车辆对行人和其他车辆的识别精度，从而提升行车安全。应用场景ApplicationScenarios

04搜索救援在灾害发生后，如地震、火灾等，红外成像可以帮助救援团队在夜间或烟雾中快速定位受困的人员，提高救援效率。应用场景ApplicationScenarios

02数据预处理DataPreprocessing

数据描述DataDescription一级目录一级目录名称二级目录二级目录内容images_rgb_train可见光图像训练集data文件夹放置图片，**_thermal_**/data文件夹下还有一个analyticsData文件夹，放置原始热映像。coco.jsonMSCOCO格式的标注信息，是过滤版本，与BerkeleyDeepDrive数据集标签作了映射，并删除了冗余的标签。（官方建议使用此版本训练）coco_annotation_counts.tsv包含的标注框类别及其数量，tsv格式。coco_annotation_counts.txt包含的标注框类别及其数量，txt格式。index.json为TeledyneFLIR的专有数据集管理工具Conservator创建。类似于Microsoft的COCO注释文件格式，但允许具有帧级和注释级属性的更丰富的注释。（原始未过滤数据）images_thermal_train热成像训练集同上images_thermal_trainThermal/RGBCOCO.jsoncoco.json是包含了所有标注信息的文件

数据描述DataDescription一级目录一级目录名称图片数量标注图片数量标注类别images_rgb_train可见光图像训练集103191005314images_rgb_val可见光图像验证集1085106912images_thermal_train热成像训练集107421047816images_thermal_val热成像验证集1144112812video_rgb_test可见光图像测试集3749374910video_thermal_test热成像测试集3749349310合计307882997016注：并不是所有图像都有标注信息，需过滤出有标注信息的图像。

转换格式TransformFormatCOCOYOLO

03参数择优ParameterTuning

参数数值imgsz640/320batch128/64pretrainedFalse/TrueoptimizerAdam/SGDapmFalsemodelyolov8nepochs10subset_pct20%epoch数据集model.train(**param)10参数调优ParameterTuning20%

imgsz越大，损失越低，时间越长batch越小速度越快optimizer和pretrained无影响参数调优ParameterTuning

参数调优ParameterTuningdfl=defaultdfl

训练参数TrainingParameter32EPOCH通过小epoch小数据集确定超参640BATCH多机尝试不同方案yolov8-myolov8-x16cls

参数调优ParameterTuningyolov8-xtrainloss

参数调优ParameterTuningyolov8-xtrainval

参数调优ParameterTuningyolov8-xmetrics

参数调优ParameterTuningyolov8-xmetrics

参数调优ParameterTuning分