Road sign detector

Описание задачи

Задача

Создание приложения для распознавания дорожных знаков РФ

Кем и когда может быть использовано:

• Приложение может быть использовано службами по контролю безопасности дорожного движения для анализа ДТП
• Приложение может быть использовано для помощи слабовидящим водителям
• Приложение может быть использовано для беспилотного движения
• Приложение может быть использовано для снижекния количества ДТП

Ограничения:

• на данном этапе планируется демонстрация работы в качестве веб-сервиса, поэтому невозможна работа в режиме реального времени
• не все знаки могут быть качественно распознаны из-за малой представленности некоторых знаков в обучающих данных
• распознаются только знаки РФ
• погодные условия и условия освещенности (в меньшей мере, т. к. в обучающем датасете были представлены изображения при разных погодных условиях, в разное время года и суток)

Ход работы:

1. Выбор датасета - https://www.kaggle.com/datasets/watchman/rtsd-dataset/data
2. Конвертация аннотаций COCO в аннотации YOLO.
3. Анализ датасета.
4. Отбор классов, достаточно представленных в датасете.
5. Проведение экспериментов.
6. Обучение модели.
7. Создание приложения для получения предсказаний модели на видео.

Было обученно две модели:

1. 8 классов по типам дорожных знаков - Демонстрация
2. 29 классов для детекции 29 различных дорожных знаков - Демонстрация Выбор 29 классов обусловлен представленностью классов в датасете для обучения модели. Классы, которые представлены слишком малым количеством изображений (< 700) были отфильтрованы. Эксперимент без удаления низкочастотных классов привел к снижению целевых метрик

Линтер: black

Эксперименты:

Модель	Датасет	Параметры	Метрики
yolov8s	Russian traffic sign images (20k train,4k valid)	imgsz=1280, epochs=25, batch=4	mAP50=0.46, mAP50-95=0.35
yolov8s	Traffic Signs Dataset in YOLO format (4 classes)	imgsz=1280, epochs=25, batch=4	mAP50=0.99, mAP50-95=0.87
yolov8s	Russian traffic sign images (179k,40 top classes)	imgsz=640, epochs=20, batch=64	mAP50=0.66, mAP50-95=0.47
yolov8m	Russian traffic sign images (179k,40 top classes)	imgsz=640, epochs=5, batch=32	mAP50=0.67, mAP50-95=0.49
yolov8s	Russian traffic sign images (179k,8 classes)	imgsz=640, epochs=5, batch=8, optimizer='AdamW'	mAP50=0.74, mAP50-95=0.52
yolov8s	Russian traffic sign images (179k,8 classes)	imgsz=640, epochs=20, batch=8, optimizer='AdamW' + albumentations	mAP50=0.89, mAP50-95=0.65
yolov8s	Russian traffic sign images (179k,8 classes)	imgsz=640, epochs=20, batch=8, optimizer='AdamW' + albumentations	mAP50=0.92, mAP50-95=0.68
yolov8s	Russian traffic sign images (179k,8 classes)	imgsz=640, epochs=50, batch=8, optimizer='AdamW' + augmentations	mAP50=0.922, mAP50-95=0.686
yolov8s	Russian traffic sign images (179k,29 classes)	imgsz=640, epochs=100, batch=8, optimizer='AdamW' + albumentations	mAP50=0.672, mAP50-95=0.62
yolov8n	Russian traffic sign images (179k,29 classes)	imgsz=640, epochs=100, batch=8, optimizer='AdamW' + albumentations	mAP50=0.872, mAP50-95=0.614

Трекинг экспериментов:

Для трекинга экспериментов использовался ClearML. Результаты обучения лучшей модели

Аугментации:

SafeRotate, RandomBrightness, Blur, RandomCrop

Выбор модели:

Выбор модели обуславливался невысокой вычислительной сложностью модели и скоростью инференса модели, так как основные устройства для запуска помощника - портативные устройства (мобильный телефон, видеорегистратор) Для выбора модели мы протестировали скорость инференса двух моделей с наивысшими метриками для 29 классов.

Название модели	Скорость инференса (onnx) одного кадра, мс
yolov8s	0,77
yolov8n	0,31

В качестве скорости инференса используется среднее значение времени обнаружения знаков на изображении в разрешении 1280х720 на CPU. Скорость двух моделей позволяет получать предсказания даже на высокой скорости (на производительных портативных устройствах). Наиболее высокая метрика mAP50-95 у решения - Yolov8s

Основная метрика для выбора модели - mAP50-95 - так как она учитвает точность, пересечение по области (Iou),а диапазон 50-95 обеспечивает высокую точность детекции, что особенно важно при использовании модели в различных погодных и световых условиях.

Выбрали модель yolov8n, т. к. ее время инференса в 2 раза меньше, чем у yolov8s, но значение mAP50-95 всего на 0.06 меньше, чем у yolov8s. Также исползование менее требовательной к вычислительным ресурсам модели, позволяет значительно расширить список поддерживаемых устройств.

Оценка решения:

Решение верно детектирует знаки дорожного движения, скорость работы подходит для реализации приложений на портативных устройствах. Возможно улучшение решения путем увеличения количества эпох обучения и выбора модели большего размера.

График обучения лучшей модели:

Датасеты:

• https://www.kaggle.com/datasets/watchman/rtsd-dataset/data
• https://www.kaggle.com/datasets/valentynsichkar/traffic-signs-dataset-in-yolo-format/data

Установка зависимостей

1. conda env create -n RoadSignDetector -f environment.yml
2. conda activte RoadSignDetector

Веса моделей

1. загрузите веса модели
2. положите загруженный файл в директорию models

Запуск

1. cd server && python main.py
2. cd ..\app && python -m streamlit run .\app.py
3. Сервис доступен по адресу http://localhost:8501

Демо