行人车辆检测与计数系统(Python+YOLOv5深度学习模型+清新界面)

本文涉及的产品
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
模型训练 PAI-DLC,100CU*H 3个月
交互式建模 PAI-DSW,每月250计算时 3个月
简介: 行人车辆检测与计数系统(Python+YOLOv5深度学习模型+清新界面)

前言


       行人车辆检测是近年来计算机视觉领域的研究热点,同时也是目标检测领域中的难点。其目的是识别和定位图像中存在的行人,在许多领域中都有广泛的应用。交通安全方面,无人驾驶汽车通过提前检测到行人及时避让来避免交通事故的发生;安防保护方面,通过行人检测来防止可疑人员进入;公共场所管理方面,通过行人和车辆检测统计人流量、车流量数据,优化人力物力等资源的分配。

       考虑对交通路口行人车辆的检测很多,前面博主也发布过实时车辆行人多目标检测与跟踪系统-上篇(UI界面清新版,Python代码)基于深度学习的车辆检测系统(MATLAB代码,含GUI界面)等博文。近期我想到可以将模型识别到的行人、小汽车、卡车、自行车、公交、摩托车等进行计数统计,观测画面中各种类型车辆的数目。系统对于图片、视频和摄像头捕获的实时画面,检测画面中的行人及车辆并统计数目,系统支持结果记录、展示和保存,每次检测的结果记录在表格中,另外采用登录注册进行用户管理。对此这里给出博主设计的新款界面,以前都是浅色系背景,这回弄了个深色背景,功能也可以满足图片、视频和摄像头的识别检测,希望大家可以喜欢,初始界面如下图:



       检测类别时的界面截图(点击图片可放大)如下图,可识别画面中存在的多个类别并计数,也可开启摄像头或视频检测:



        详细的功能演示效果参见博主的B站视频或下一节的动图演示,觉得不错的朋友敬请点赞、关注加收藏!系统UI界面的设计工作量较大,界面美化更需仔细雕琢,大家有任何建议或意见和可在下方评论交流。


1. 效果演示


       系统界面设计上采用了许多美化技巧,首先我们还是通过动图看一下系统的效果,主要实现的功能是对图片、视频和摄像头画面中的行人车辆进行识别,识别的结果可视化显示在界面和图像中,另外提供多个行人车辆的显示选择功能,演示效果如下。

(一)系统介绍

       行人车辆检测与计数系统主要用于日常道路行人及车辆等目标的智能监测,对路口常见的目标包括行人、小汽车、卡车、公交、自行车、摩托车等目标进行计数,以方便对交通情况分析;系统提供登录注册功能,可进行用户管理;能够有效识别图片、视频等文件形式,检测目标位置、类别并统计各类别计数结果;可开启摄像头实时检测和统计路口行人车辆数目,支持结果记录、展示和保存。

(二)主要特点

        (1)YOLO v5算法实现,模型一键切换更新;

        (2)检测图片、视频等图像中的各目标数目;

        (3)摄像头监控实时检测,便携展示、记录和保存;

        (4)支持用户登录、注册,检测结果可视化功能;

        (5)提供数据集和训练代码可重新训练;

(三)用户注册登录界面

       这里设计了一个登录界面,可以注册账号和密码,然后进行登录。这里的登录比较简单,提供一个从登录到主界面的跳转功能,并没有涉及数据库等操作。



(四)选择图片识别

       系统主界面可以选择图片文件进行识别,点击图片选择按钮图标选择图片后,显示所有识别的结果,可通过下拉选框查看单个结果,以便单独显示某一特定目标。本功能的界面展示如下图所示:



(五)视频识别效果展示

       若需识别一段视频中的行人及车辆,这里可以点击视频按钮可选择待检测的视频,系统会自动解析视频逐帧识别交通道路,并将人流量、车流量的结果记录在下方表格中,效果如下图所示:



(六)摄像头检测效果展示

       在真实场景中,我们往往利用道路的摄像头获取实时画面,同时需要对画面中的行人及车辆进行识别,因此本文考虑到此项功能。如下图所示,点击摄像头按钮后系统进入准备状态,系统显示实时画面并开始检测画面中的行人及车辆,识别结果展示如下图:




2. 算法原理与数据集


(一)YOLOv5算法

       从最终效果来看YOLOv5已经相当优秀,是发展的比较完备、使用比较广泛的一个版本;而更重要的是YOLOv5的调用、训练和预测都十分方便。YOLOv5的另一个特点就是它为不同的设备需求和不同的应用场景提供了大小和参数数量不同的网络。



       (1)主干部分:使用了Focus网络结构,具体操作是在一张图片中每隔一个像素拿到一个值,这个时候获得了四个独立的特征层,然后将四个独立的特征层进行堆叠,此时宽高信息就集中到了通道信息,输入通道扩充了四倍。该结构在YoloV5第5版之前有所应用,最新版本中未使用。

       (2)数据增强:Mosaic数据增强、Mosaic利用了四张图片进行拼接实现数据中增强,根据论文所说其拥有一个巨大的优点是丰富检测物体的背景!且在BN计算的时候一下子会计算四张图片的数据!

       (3)多正样本匹配:在之前的Yolo系列里面,在训练时每一个真实框对应一个正样本,即在训练时,每一个真实框仅由一个先验框负责预测。YoloV5中为了加快模型的训练效率,增加了正样本的数量,在训练时,每一个真实框可以由多个先验框负责预测。

       下图是YoloV5经过非极大值抑制在COCO数据集上的人、车图片测试结果。



(二)行人车辆数据集

       这里我们使用的行人车辆数据集,是从COCO和VOC数据集中抽取的包含行人、小汽车、卡车、公交、自行车、摩托车等类别的图像数据,每张图片除包括类别标签外,还有一个标注的物体边框(Bounding Box)。组成的训练数据集包含2856张图片,验证集1343张图片,共计4199张图片。

python
Chinese_name = {'person': "行人", 'bicycle': '自行车', 'car': '小汽车', 'motorcycle': '摩托车',
                'bus': '公交车', 'truck': '卡车', 'train': '火车'}



       每张图像均提供了图像类标记信息,图像中行人及车辆的bounding box,行人及车辆的关键part信息,以及行人及车辆的属性信息,数据集并解压后得到如下的图片。



3. 行人车辆检测与计数系统


(一)训练过程

       数据集准备好,接下来可执行训练程序,首先要安装本系统所需的依赖库,配置一个Python3.8然后按照requirements.txt里面的依赖装环境就可以运行了。

python
#请按照给定的python版本配置环境,否则可能会因依赖不兼容而出错
conda create -n env_rec python=3.8
#激活环境
activate env_rec
#使用pip安装所需的以来,可通过requirements.txt
pip install -r requirements.txt
        YOLOv5是通过yaml格式的配置文件来找到对应的训练测试数据,因此在训练前需要对该文件进行简单配置。这里我们为此数据集配置好的yaml文件如下所示:
python
train: ./PersonCar/images/train
val: ./PersonCar/images/val
nc: 7
names: ['person', 'bicycle', 'car', 'motorcycle', 'bus', 'truck', 'train']
        我们可以在终端输入如下命令进行训练,当然也可以直接点击train.py运行。
python
python train.py --batch 32 --epochs 300


(二)行人车辆预测

       在训练完成后得到最佳模型,接下来我们将帧图像输入到这个网络进行预测,从而得到预测结果,预测方法(predict.py)部分的代码如下所示。

python
"""运行本项目需要python3.8及以下依赖库(完整库见requirements.txt):
 opencv-python==4.5.5.64
    tensorflow==2.9.1
    PyQt5==5.15.6
    scikit-image==0.19.3
    torch==1.8.0
    keras==2.9.0
    Pillow==9.0.1
    scipy==1.8.0
点击运行主程序runMain.py,程序所在文件夹路径中请勿出现中文
"""
def predict(img):
    img = torch.from_numpy(img).to(device)
    img = img.half() if half else img.float()
    img /= 255.0
    if img.ndimension() == 3:
        img = img.unsqueeze(0)
    t1 = time_synchronized()
    pred = model(img, augment=False)[0]
    pred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classes=opt.classes,
                               agnostic=opt.agnostic_nms)
    t2 = time_synchronized()
    InferNms = round((t2 - t1), 2)
    return pred, InferNms
pred, useTime = predict(img)
det = pred[0]
p, s, im0 = None, '', img0
if det is not None and len(det):  # 如果有检测信息则进入
     det[:, :4] = scale_coords(img.shape[1:], det[:, :4], im0.shape).round()  # 把图像缩放至im0的尺寸
     number_i = 0  # 类别预编号
     detInfo = []
     for *xyxy, conf, cls in reversed(det):  # 遍历检测信息
          c1, c2 = (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))
          # 将检测信息添加到字典中
          detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], '%.2f' % conf])
          number_i += 1  # 编号数+1
          label = '%s %.2f' % (names[int(cls)], conf)
          # 画出检测到的目标物
          plot_one_box(image, xyxy, label=label, color=colors[int(cls)])
    # 实时显示检测画面
    cv2.imshow('Stream', image)
    image = cv2.resize(image, (vw, vh))


       得到预测结果我们便可以将帧图像中的行人车辆框出,然后在图片上用opencv绘图操作,输出行人车辆的的类别及行人车辆的预测分数。以下是读取一个行人车辆图片并进行检测的脚本,首先将图片数据进行预处理后送predict进行检测,然后计算标记框的位置并在图中标注出来。



       跑通了这个预测程序,我们可以将其封装到界面中,利用PyQt5设计一个UI界面,在运行图片、视频检测时调用这个方法。博主对整个系统进行了详细测试,最终开发出一版流畅得到清新界面,就是博文演示部分的展示,完整的UI界面、测试图片视频、代码文件,以及Python离线依赖包(方便安装运行,也可自行配置环境),均已打包上传,感兴趣的朋友可以通过参考文章里面给出的下载链接或B站视频简介处的下载链接获取。




下载链接


   若您想获得博文中涉及的实现完整全部程序文件(包括测试图片、视频,py, UI文件等,如下图),这里已打包上传至博主的面包多平台,见可参考博客与视频,已将所有涉及的文件同时打包到里面,点击即可运行,完整文件截图如下:



   在文件夹下的资源显示如下,下面的链接中也给出了Python的离线依赖包,读者可在正确安装Anaconda和Pycharm软件后,复制离线依赖包至项目目录下进行安装,离线依赖的使用详细演示也可见本人B站视频:win11从头安装软件和配置环境运行深度学习项目Win10中使用pycharm和anaconda进行python环境配置教程



注意:该代码采用Pycharm+Python3.8开发,经过测试能成功运行,运行界面的主程序为runMain.py和LoginUI.py,测试图片脚本可运行testPicture.py,测试视频脚本可运行testVideo.py。为确保程序顺利运行,请按照requirements.txt配置Python依赖包的版本。Python版本:3.8,请勿使用其他版本,详见requirements.txt文件;

完整资源中包含数据集及训练代码,环境配置与界面中文字、图片、logo等的修改方法请见视频,项目完整文件下载请见参考博客文章里面,或参考视频的简介处给出:➷➷➷


完整代码下载:https://mbd.pub/o/bread/ZJaXlJ5w

参考视频演示:https://www.bilibili.com/video/BV1mT411r7hq/

离线依赖库下载https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwd=oy4n (提取码:oy4n )


界面中文字、图标和背景图修改方法:


       在Qt Designer中可以彻底修改界面的各个控件及设置,然后将ui文件转换为py文件即可调用和显示界面。如果只需要修改界面中的文字、图标和背景图的,可以直接在ConfigUI.config文件中修改,步骤如下:


       (1)打开UI_rec/tools/ConfigUI.config文件,若乱码请选择GBK编码打开。

       (2)如需修改界面文字,只要选中要改的字符替换成自己的就好。

       (3)如需修改背景、图标等,只需修改图片的路径。例如,原文件中的背景图设置如下:

powershell
mainWindow = :/images/icons/back-image.png


       可修改为自己的名为background2.png图片(位置在UI_rec/icons/文件夹中),可将该项设置如下即可修改背景图:


powershell
mainWindow = ./icons/background2.png
相关文章
|
3月前
|
机器学习/深度学习 算法 TensorFlow
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
交通标志识别系统。本系统使用Python作为主要编程语言,在交通标志图像识别功能实现中,基于TensorFlow搭建卷积神经网络算法模型,通过对收集到的58种常见的交通标志图像作为数据集,进行迭代训练最后得到一个识别精度较高的模型文件,然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面,实现用户上传一张交通标志图片,识别其名称。
127 6
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
|
3月前
|
前端开发 搜索推荐 算法
中草药管理与推荐系统Python+Django网页界面+推荐算法+计算机课设系统+网站开发
中草药管理与推荐系统。本系统使用Python作为主要开发语言,前端使用HTML,CSS,BootStrap等技术和框架搭建前端界面,后端使用Django框架处理应用请求,使用Ajax等技术实现前后端的数据通信。实现了一个综合性的中草药管理与推荐平台。具体功能如下: - 系统分为普通用户和管理员两个角色 - 普通用户可以登录,注册、查看物品信息、收藏物品、发布评论、编辑个人信息、柱状图饼状图可视化物品信息、并依据用户注册时选择的标签进行推荐 和 根据用户对物品的评分 使用协同过滤推荐算法进行推荐 - 管理员可以在后台对用户和物品信息进行管理编辑
94 12
中草药管理与推荐系统Python+Django网页界面+推荐算法+计算机课设系统+网站开发
|
2月前
|
数据可视化 测试技术 Linux
基于Python后端构建多种不同的系统终端界面研究
【10月更文挑战第10天】本研究探讨了利用 Python 后端技术构建多样化系统终端界面的方法,涵盖命令行界面(CLI)、图形用户界面(GUI)及 Web 界面。通过分析各种界面的特点、适用场景及关键技术,展示了如何使用 Python 标准库和第三方库(如 `argparse`、`click`、`Tkinter` 和 `PyQt`)实现高效、灵活的界面设计。旨在提升用户体验并满足不同应用场景的需求。
|
20天前
|
人工智能 数据可视化 数据挖掘
探索Python编程:从基础到高级
在这篇文章中,我们将一起深入探索Python编程的世界。无论你是初学者还是有经验的程序员,都可以从中获得新的知识和技能。我们将从Python的基础语法开始,然后逐步过渡到更复杂的主题,如面向对象编程、异常处理和模块使用。最后,我们将通过一些实际的代码示例,来展示如何应用这些知识解决实际问题。让我们一起开启Python编程的旅程吧!
|
19天前
|
存储 数据采集 人工智能
Python编程入门:从零基础到实战应用
本文是一篇面向初学者的Python编程教程,旨在帮助读者从零开始学习Python编程语言。文章首先介绍了Python的基本概念和特点,然后通过一个简单的例子展示了如何编写Python代码。接下来,文章详细介绍了Python的数据类型、变量、运算符、控制结构、函数等基本语法知识。最后,文章通过一个实战项目——制作一个简单的计算器程序,帮助读者巩固所学知识并提高编程技能。
|
7天前
|
Unix Linux 程序员
[oeasy]python053_学编程为什么从hello_world_开始
视频介绍了“Hello World”程序的由来及其在编程中的重要性。从贝尔实验室诞生的Unix系统和C语言说起,讲述了“Hello World”作为经典示例的起源和流传过程。文章还探讨了C语言对其他编程语言的影响,以及它在系统编程中的地位。最后总结了“Hello World”、print、小括号和双引号等编程概念的来源。
98 80
|
25天前
|
存储 索引 Python
Python编程数据结构的深入理解
深入理解 Python 中的数据结构是提高编程能力的重要途径。通过合理选择和使用数据结构,可以提高程序的效率和质量
134 59
|
5天前
|
分布式计算 大数据 数据处理
技术评测:MaxCompute MaxFrame——阿里云自研分布式计算框架的Python编程接口
随着大数据和人工智能技术的发展,数据处理的需求日益增长。阿里云推出的MaxCompute MaxFrame(简称“MaxFrame”)是一个专为Python开发者设计的分布式计算框架,它不仅支持Python编程接口,还能直接利用MaxCompute的云原生大数据计算资源和服务。本文将通过一系列最佳实践测评,探讨MaxFrame在分布式Pandas处理以及大语言模型数据处理场景中的表现,并分析其在实际工作中的应用潜力。
27 2
|
19天前
|
小程序 开发者 Python
探索Python编程:从基础到实战
本文将引导你走进Python编程的世界,从基础语法开始,逐步深入到实战项目。我们将一起探讨如何在编程中发挥创意,解决问题,并分享一些实用的技巧和心得。无论你是编程新手还是有一定经验的开发者,这篇文章都将为你提供有价值的参考。让我们一起开启Python编程的探索之旅吧!
41 10
|
22天前
|
机器学习/深度学习 人工智能 Java
Python 语言:强大、灵活与高效的编程之选
本文全面介绍了 Python 编程语言,涵盖其历史、特点、应用领域及核心概念。从 1989 年由 Guido van Rossum 创立至今,Python 凭借简洁的语法和强大的功能,成为数据科学、AI、Web 开发等领域的首选语言。文章还详细探讨了 Python 的语法基础、数据结构、面向对象编程等内容,旨在帮助读者深入了解并有效利用 Python 进行编程。

热门文章

最新文章