在道路上检测物体:基于NVIDIA-Jetson平台上的重新训练模型的车辆检测.
Sleiter Ramos-Sanchez1, Jinmi Lezama1, Ricardo Yauri1
1Grupo de Investigación en Circuitos y Sistemas Electrónicos de Alta Frecuencia, Universidad Nacional Tecnológica de Lima Sur, Villa El Salvador, Lima 15834, Peru.
Journal of imaging
|January 27, 2026
概括
对于拥挤的城市交通,MobileNetV1-SSD为嵌入式设备上的高级驾驶辅助系统 (ADAS) 提供了精度和计算效率的最佳平衡. 这种人工智能 (AI) 方法改善了车辆检测,即使对于摩托车等较小的类别.
科学领域:
- 计算机视觉和人工智能的人工智能
- 嵌入式系统工程 嵌入式系统工程
- 交通运输和交通管理
背景情况:
- 人工智能和深度学习 (DL) 越来越多地用于车辆分类和嵌入式设备上的检测.
- 嵌入式系统的部署约束包括计算成本和响应时间,特别是在拥挤的城市地区.
- 需要平衡模型准确性,嵌入式系统类型和城市交通分析数据集特征.
研究的目的:
- 评估模型准确性和用于在拥挤的城市环境中检测车辆的计算负载之间的权衡.
- 确定最佳的基于SSD的深度学习模型,用于ADAS嵌入式系统中的实现.
- 评估数据增强对检测少数车辆类的影响.
主要方法:
- 获取和手动标记来自秘鲁利马的城市交通视频.
- 在NVIDIA Jetson Orin NX平台上对三个基于单射击探测器 (SSD) 的模型 (MobileNetV1-SSD,MobileNetV2-SSD-Lite,VGG16-SSD) 进行训练.
- 使用了从CRISP-DM方法中调整的方法,包括通过对比度调整进行数据增强.
主要成果:
- VGG16-SSD实现了最高的平均精度 (mAP ≈90.7%),但需要更长的训练.
- 移动网络V1-SSD (512×512) 显示了可比性能 (mAP ≈90.4%) 与显著减少的训练时间.
- 数据增强提高了少数群体,如tuk-tuk和摩托车的检测率.
结论:
- 在拥挤的城市环境中,MobileNetV1-SSD (512×512) 为ADAS提供了准确性和计算效率之间的最佳妥协.
- 该研究强调了根据特定的部署约束和流量场景选择合适的AI模型的重要性.
- 对比度调整数据增强是有效的提高检测代表性不足的车辆类型.
