CDNet-yolov5

《CDNet：一个基于YOLOv5的在Jetson Nano上实时、鲁棒的斑马线检测网络》论文的原生（ultralytics）yolov5训练、推理baseline仓库，CDNet (Crosswalk Detection Network) 是车载摄像头视野下检测斑马线（人行横道）和分析车辆过线行为的具体实现。

在这里我们不考虑边缘端的部署优化，在高端设备训练推理。即该仓库只是在最新的yolov5下训练了原作者的已有的数据集并且提供了训练好的模型。我们十分感谢原作者的贡献，并感谢他们的创造！

• 原始CDNet论文Paper：https://rdcu.be/cHuc8
• 原始CDNet论文Code：https://github.com/zhangzhengde0225/CDNet
• 原始CDNet演示Video：https://www.bilibili.com/video/BV1qf4y1B7BA
• 原始CDNet中文文档：https://github.com/zhangzhengde0225/CDNet/blob/master/docs/README_zh_cn.md

版本Version

当前使用的Yolov5版本：V6.1

数据集Datasets

• 训练集及验证集：3880 下载(passwd: hul6)
• 测试集：1770 下载(passwd: vj6b)
• 类别：crosswalk, guide_arrows

more

安装Installation

Clone repo and install requirements.txt in a Python>=3.7.0 environment, including PyTorch>=1.7.

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install

训练Train

python train.py --data datasets/data.yaml --cfg models/yolov5n.yaml --weights weights/yolov5n.pt --batch-size 128 --img 640 --epochs 100
                                                       yolov5s                        yolov5s.pt              64                     150
                                                       yolov5m                        yolov5m.pt              40                     300
                                                       yolov5l                        yolov5l.pt              24
                                                       yolov5x                        yolov5x.pt              16

权重Weights

Model	Size	mAP(val)@.5:.95	params	GFLOPs	Download
yolov5n	640	0.792	3.65	4.2	exp1/weights
yolov5s	640	0.816	13.6	15.8	exp2/weights
yolov5m	640	0.830	40.2	48.0	exp3/weights

Epochs：100 Batch-Size：32 VGPU

推理Inference

# 【x】是第几次训练的权重
python detect.py --data datasets/data.yaml --weights runs/train/exp【x】/weights/best.pt --device 0 --source 0  # 摄像头
                                                                                                  cpu   img.jpg  # 图片
                                                                                                        vid.mp4  # 视频
                                                                                                        path/  # directory
                                                                                                        path/*.jpg  # glob
                                                                                                        'https://youtu.be/Zgi9g1ksQHc'  # YouTube
                                                                                                        'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream

导出Export

TFLite, ONNX, CoreML, TensorRT Export

比较Compare

推断方式	是否使用GPU	单张图片推断时间
pytorch	✅	0.010s
pytorch		0.083s
onnx	-	-
tensorRT	-	-