1，YOLOv3模型簡介
YOLO能實現圖像或視頻中物體的快速識別。在相同的識別類別范圍和識別准確率條件下，YOLO識別速度最快。
官網：https://pjreddie.com/darknet/yolo/
知乎：https://zhuanlan.zhihu.com/p/25236464
YOLO有多種模型，包括V1，V2，V3，其中V3識別准確率最高，但對硬件要求也高。還有tiny模型。也可針對特定識別物體類別進行訓練，獲得應用需要的專用模型。
本次測試采用V3模型。對實際車場圖片進行批量檢測，對檢測結果進行分析，重點是車位中的車輛能否得到正確識別，以探討YOLO V3模型應用於車場車位狀態檢測中的可行性。
2，測試環境
| 操作系統 |
Windows7 64位 |
|
| Cpu |
 |
|
| Gpu |
0 |
|
| 內存 |
4GB |
|
| 輸入圖片的數量和規格 |
2019張，960*1280 |
|
| 運行時間 |
2018-05-23 18:03~~2018-05-24 05:01 |
|
| 執行文件 |
|
|
| 檢測模型 |
YOLO v3 |
|
| 物體檢測閾值 |
置信度 > 0.25 |
|
| 物體分類模型 |
80種，與車位車輛相關的4種（car, motorbike, truck, bus）。詳見coco.names |
|
3，測試數據和結果
| 運行總時間 |
11小時 |
|
| 平均每張圖片的分析時間 |
20秒 |
|
| 分析后輸出的圖片包 |
YOLO對車位圖片的檢測結果.rar |
|
| 分析輸出文字信息 |
|
|
| 車位圖片輸出結果分析 |
|
識別錯誤類別統計：
| 錯誤類別編號 |
錯誤類別 |
數量 |
比例 |
備注 |
| 1 |
識別到周圍停有車輛，因而判斷有車 |
118 |
|
此問題與YOLO算法無關 |
| 2 |
未識別出相機識別車位上的車輛 |
74 |
3.66% |
2類錯誤的文件已打包在文件2類錯誤.rar |
| 3 |
鏡頭范圍過小，車輛無法體現特征 |
1 |
|
此問題與YOLO算法無關 |
| 4 |
圖像變形 |
1 |
|
此問題與YOLO算法無關 |
| 5 |
在無車位置上錯誤標注 |
6 |
0.3% |
5類錯誤的文件已打包在文件5類錯誤.rar |
綜上所述，本次測試錯誤率為3.96%。效果還是令人基本滿意的。
4，測試分析
4.1 YOLOv3靜態車位圖片檢測優勢
總體來說，識別車輛准確，適應強。具體表現如下：
² 對於多車不會漏檢
² 面向鏡頭的無論是車頭、車尾還是車身都能檢測到。
² 特種車輛也能識別。
² 只出現一部分的車身也能檢測到。但也要看是否能體現車輛特征
² 光線強弱對檢測影響不大。
² 強大的物體檢測能力，不僅限於車輛檢測。
以下具體示例略。
4.2 YOLOv3靜態車位圖片檢測存在的問題
測試中發現的問題可以歸納為以下幾類：
² 存在漏檢。某些明顯的車輛未能檢測到
² 在全域范圍內能檢測到的車輛，區域裁剪后可能導致檢測不到
² 同一物體可能檢測出多種類別或多台車檢測成1台
² 車輛錯誤識別為其它種類
² 空車位錯誤識別為車輛
以下具體示例略。
5，后續計划
對於車位車輛的識別，如果速度和准確度達到實用程度，那么可用於簡易停車場的車位調度。
如果結合人臉識別或車牌識別，也能做到反向尋車。
也可應用於路邊停車，可將車輛進入停車區和離開停車區的信息及時上報。
目前關鍵還是將車輛識別做到又好又快。以下為思路：
略。