- 综合排序
- 最热优先
- 最新优先
- 来自专栏LMC的摸鱼博客
基于Keare的交通标志识别
保存方法：Windows 系统点击 ctrl+s，Mac OS 点击 command+s 保存
79220编辑于 2022-08-09 - 来自专栏决策智能与机器学习
算法集锦（20） | 自动驾驶 | 交通标志识别算法
交通标志是道路基础设施的重要组成部分，它们为司机提供关于路况的信息和合理的建议，同时也反过来促使司机调整驾驶行为，以确保他们遵守现行的任何道路法规。 对于自动驾驶汽车，必须可以识别和理解交通标志，从而确保其遵守道路法规。 在过去，通常使用经典的计算机视觉方法来检测和分类交通标志，但需要大量和费时的手工工作，来识标识作图像中的重要特征。 本算法将深度学习技术应用到该问题上，我们创建了一个可靠地分类交通标志的模型，使汽车可以自主的识别出关键的交通标识。 我们标识了269个模型无法识别的图像，下面随机选择了10个，来判断模型无法准确识别的原因。 ? 10个模型预测错误的图像 可以看到，一些图像非常模糊，采用直方图均衡化仍难以得到清晰的结果。 新图像验证 我们决定在新的图像上测试我们的模型，以确保它确实被推广到更多的交通标志识别上。因此，我们下载了5张新图片，并将它们提交给我们的模型进行预测。 ?
3.8K20发布于 2020-08-04 - 来自专栏相约机器人
自动驾驶汽车的交通标志识别
为了成为5级自动驾驶汽车，这些汽车必须正确识别交通标志并遵守交通规则。在识别出这些交通标志之后，它还应该能够适当地做出正确的决定。 了解数据集： 德国交通标志基准测试是在2011年国际神经网络联合会议（IJCNN）上举行的多类单图像分类挑战。请在此处下载数据集。 数据集中的图像 ConvNets背后的直觉 由于卷积神经网络能够检测和识别图像中的各种对象，因此在计算机视觉应用中非常流行。 ?
1.8K10发布于 2020-02-21 - 来自专栏灯火不休时的博客专栏
基于CNN深度学习网络的交通标志识别
基于CNN深度学习的交通标志识别系统，采用TensorFlow/Keras构建卷积神经网络模型，实现高达95%的识别准确率。 项目使用Python开发，配备tkinter图形界面，支持图片上传与实时识别。包含完整训练数据集处理、模型训练与评估流程，代码开源，适用于深度学习入门与计算机视觉实践。 38 次点击 37 分钟阅读 本项目实现了一个基于CNN深度学习的交通标志识别系统，使用Keras构建卷积神经网络，训练准确率高达95%。 系统采用Python开发，配备友好的tkinter图形界面，支持用户上传图片并自动识别交通标志类型。项目包含完整的数据预处理、模型训练、评估与部署流程，代码开源，适合深度学习与计算机视觉的学习与实践。 再打开的程序页面中选择上传图片 在上传图片对话框中选择一张交通标志图片，点击打开 如片上传完成后会在页面中显示，然后点击右边的识别按钮，识别结果会显示在页面中，如下图所示 用自己训练的模型进行识别
28110编辑于 2025-11-05 - 来自专栏成套网站
基于深度学习的交通标志识别系统
在此背景下，基于深度学习的交通标志识别系统应运而生，其旨在利用先进的深度学习算法，实现对交通标志的高效、准确、实时识别，为智能交通系统的发展提供关键技术支撑，助力提升道路交通安全水平与交通管理效率。 2、研究意义在交通领域不断智能化发展的当下，基于深度学习的交通标志识别系统具有多方面至关重要的研究意义。从交通安全层面来看，交通标志是引导车辆安全行驶、规范交通秩序的关键指引。 准确且及时的交通标志识别能帮助驾驶员提前了解路况信息，如限速、禁止通行、前方施工等，从而做出正确的驾驶决策，有效避免因忽视交通标志而引发的超速、违规变道、闯入危险区域等危险行为，大大降低交通事故的发生概率 自动驾驶汽车依靠它准确识别交通标志，以实现自动调整车速、规划行驶路线等操作；智能导航系统结合其识别结果，能为用户提供更精准、贴合实际路况的导航指引，提升出行效率与体验，推动智能交通系统向更高水平发展。 从技术发展角度而言，研究基于深度学习的交通标志识别系统，有助于推动深度学习技术在交通领域的创新应用与拓展。
29910编辑于 2025-12-30 - 来自专栏Python项目
交通标志识别Python+TensorFlow（QT界面+WEB界面）
介绍 交通标志识别系统，采用Python+TensorFlow构建神经网络，通过对数据集图像的训练，得到模型，然后采用QT构建桌面端可视化操作软件，Django构建网页端WEB可视化操作平台。 可识别50多种常见的交通标志。
1.3K50编辑于 2022-10-04 - 来自专栏小程序和CloudLite的笔记
CloudLite认证笔记 AI应用之基于Keras的交通标志识别
认证链接 腾讯云CloudLite认证 AI应用之基于Keras的交通标志识别 目录 在线学习 基于Keras的交通标志识别 动手实践 基于Keras的交通标志识别 证书展示 [cl-ai-keras.png
1K20发布于 2021-11-02 - 来自专栏深度学习和计算机视觉
手把手教你使用CNN进行交通标志识别（已开源）
在本文中，使用Python编程语言和库Keras和OpenCV建立CNN模型，成功地对交通标志分类器进行分类，准确率达96%。 开发了一款交通标志识别应用程序，该应用程序具有图片识别和网络摄像头实时识别两种工作方式。 本文介绍了利用机器学习算法进行计算机视觉在交通标志识别中的应用。路标是一种外形固定的扁平人造物体。道路标志识别算法应用于两个实际问题。第一个任务是控制自动驾驶汽车。 无人驾驶车辆控制系统的一个关键组成部分是物体识别。识别的对象主要是行人、其他车辆、交通灯和路标。第二个使用交通标志识别的任务是基于安装在汽车上的DVRs的数据自动绘制地图。 接下来将详细介绍如果搭建能够识别交通标志的CNN网络。
3.9K23编辑于 2022-12-28 - 来自专栏CDA数据分析师
教你如何使用深度学习识别交通标志，准确度高达93%
自动驾驶车在行驶时，需要正确识别路上的交通标志。在这篇文章中，我们将教你如何使用深度学习，来训练汽车对交通信号进行分类，准确度高达 93% 。 数据集 用于练习的数据集由德国道路上常见的 43 种不同的交通标志组成。交通标志图像是从实际道路图像中裁剪出来的，因此处于不同的照明条件下，如下图所示。 ? 共有 5 万张图片。 此外，一些交通标志并不位于图像中心。 ? 数据预处理 在将图像输入到神经网络之前，我将图像规范化，使像素值处于 0 和 0.5 之间。为此，我将所有像素值下降了 255 。 与此相对，对于特征图中不含交通标志的天空图像。大多数的过滤器是黑色的，这意味着神经网络在该图像中没有识别出值得注意的标志。 ? ? 这不是超级有趣！ 附录： 德国交通标志数据集： http : //benchmark.ini.rub.de/?
4.4K50发布于 2018-02-26 - 来自专栏计算机视觉战队
YOLO领域模型：适用于复杂场景下的中国交通标志识别算法
识别交通标志是智能驾驶系统环境感知技术的重要组成部分。在现实应用中，交通标志识别很容易受到光照强度、极端天气和距离等变量的影响，这增加了智能车辆的安全风险。 因此，该方法可以提高复杂场景下交通标志识别的准确性，满足智能车辆对交通标志识别任务的实时性要求。 02 背景&动机 交通标志识别是智能汽车驾驶系统的重要组成部分，也是计算机视觉中最重要的研究领域之一。 交通标志识别任务通常在自然场景中执行；然而，极端天气条件（如雨、雪或雾）会使交通标志信息模糊不清，过度暴露和光线昏暗通常会降低交通标志的能见度。 为了加快基于深度卷积神经网络的交通标志检测方法的检测时间，现在使用基于轻量级卷积神经网络目标检测架构来识别交通标志。 如果交通标志信息是在道路环境中捕获的，则会显示在HUD平板显示器上。交通标志检测系统的职责是检测驾驶环境中是否存在交通标志。它是识别交通标志系统的一个关键组成部分。
1.9K30编辑于 2023-09-26 - 来自专栏IT派
干货｜如何做准确率达98%的交通标志识别系统？
摘要： 我们可以创建一个能够对交通标志进行分类的模型，并且让模型自己学习识别这些交通标志中最关键的特征。 在这篇文章中，我将演示如何创建一个深度学习架构，这个架构在交通标志测试集上的识别准确率达到了98％。 当然，自动驾驶车辆也必须遵守交通法规，因此需要_识别_和_理解_交通标志。 我们可以创建一个能够对交通标志进行分类的模型，并且让模型自己学习识别这些交通标志中最关键的特征。在这篇文章中，我将演示如何创建一个深度学习架构，这个架构在交通标志测试集上的识别准确率达到了98％。 四、模型的架构 交通标志分类器架构的灵感来自于Yann Le Cun的这篇论文。
2.5K71发布于 2018-03-29 - 来自专栏Python项目
交通标志识别系统Python+TensorFlow+Django网页平台+深度学习模型+安装【完整代码】
并通过对数据集进行训练，最后得到一个识别精度较高的模型。并基于Django，开发网页端操作平台，实现用户上传一张图片识别其名称。 开发者可以利用这些工具和库，快速构建和训练各种类型的机器学习模型，包括图像识别、自然语言处理和推荐系统等。TensorFlow还支持分布式计算，允许将计算任务分布到多个设备或计算节点上进行并行处理。
59220编辑于 2023-07-08 - 来自专栏ATYUN订阅号
使用Apache MXNet分类交通标志图像
在这篇博文中，我们将解决一个计算机视觉问题:使用卷积神经网络对德国交通标志进行分类。该网络将包含交通标志图像的彩色照片作为输入，并试图识别交通标志的类型。 我们将使用的数据集是德国交通标志识别基准(j . Stallkamp,m . Schlipsing,j . Salmen和c . Igel)。德国交通标志识别基准:多级分类竞赛。 该数据集包含39,209个训练样本和12630个测试样本，代表43个不同的交通标志如停止标志，速度限制，各种警告标志，等等)。 limit (70km/h)',5:'Speed limit (80km/h)',6:'End of speed limit (80km/h)',7:'Speed limit (100km/h)',8: 建立神经网络在历史上是一种黑人艺术;虽然你可能会尝试解决特定的问题，但对于像图像识别这样经过充分研究的问题，应尽力实现已经发布的体系结构，并证明其性能。
1.8K60发布于 2018-03-02 - 来自专栏机器学习AI算法工程
旷视AI复杂场景的交通标志检测
提高上述场景下交通标志检测准确度，将有助于降低十字路口交通事故发生的概率。 提供真实场景的道路图片，部分图片给出了交通标志的标注结果，所有交通标志共计 5 个类别，分别为红灯、直行标志、向左转弯标志、禁止驶入和禁止临时停车。 框架 megengine 算法方案 网络框架 atss + resnext101_32x8d 训练阶段 mosaic增强 随机选择四张图片，对图片进行随机平移10%，尺度缩放(0.5,2.0)，shear CNN-RNN-CTC 实现手写汉字识别 yolo3 检测出图像中的不规则汉字 同样是机器学习算法工程师，你的面试为什么过不了？ 前海征信大数据算法：风险概率预测 【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类 VGG16迁移学习，实现医学图像识别分类工程项目 特征工程(一) 特征工程
95840编辑于 2022-08-29 - 来自专栏IT派
PyTorch实例：用ResNet进行交通标志分类
来源：专知 【导读】本文是机器学习工程师Pavel Surmenok撰写的一篇技术博客，用Pytorch实现ResNet网络，并用德国交通标志识别基准数据集进行实验。 ResNet for Traffic Sign Classification With PyTorch 德国交通标志识别基准数据集：可能是自动驾驶汽车领域最受欢迎的图像分类数据集。 就好像一个人想分类一个物体，然后他们从不同的角度看它，改变一点点光线，把它移近眼睛，直到它们能找到最有利于最有把握地识别物体的视点。 99.46％ • 基于颜色斑点的COSFIRE过滤器，用于由Baris Gecer进行物体识别，98.97％ 如果我的模型参加了比赛，那将是第二名。 总的来说，这几天的工作不错。 ▌参考链接： ---- ---- 德国交通标志识别基准数据集： benchmark.ini.rub.de/?
6.4K11发布于 2018-07-30 推进自动驾驶车辆智能：基于深度学习和多模态LLM的交通标志识别与鲁棒车道检测
研究评估了ResNet-50、YOLOv8、RT-DETR在交通标志识别上的优异表现（最高99.8%准确率）。针对车道检测，提出基于CNN分割并辅以多项式拟合的方法，在良好条件下精度高。 RT-DETR在多样化场景中的交通标志识别性能。 希望通过以下贡献推动自动驾驶车辆研究：交通标志识别模型的系统比较：全面评估了ResNet-50、YOLOv8和RT-DETR架构在交通标志检测中的表现，分析了它们在分类准确性、实时性能和应对环境挑战方面的权衡 YOLOv8检测器：对于全帧交通标志检测，使用了YOLOv8，这是一种端到端训练的单阶段目标检测器，输出边界框和类别标签。 结论本研究通过深度学习模型（ResNet-50/YOLOv8/RT-DETR）实现 高精度交通标志识别（最高 99.8%），并创新性引入 轻量级 MLLM 框架，以极小训练成本显著提升车道检测在恶劣环境下的鲁棒性
61310编辑于 2025-06-30- 来自专栏机器学习技术分享
8.HanLP实现--命名实体识别
笔记转载于GitHub项目：https://github.com/NLP-LOVE/Introduction-NLP 8. 命名实体识别 8.1 概述 命名实体 文本中有一些描述实体的词汇。 有一些地名本身就是机构名，比如“国家博物馆” 命名实体识别 识别出句子中命名实体的边界与类别的任务称为命名实体识别。由于上述难点，命名实体识别也是一个统计为主、规则为辅的任务。 命名实体识别也可以转化为一个序列标注问题。具体做法是将命名实体识别附着到{B,M,E,S}标签，比如， 构成地名的单词标注为“B/ME/S- 地名”，以此类推。 8.5 命名实体识别标准化评测 各个命名实体识别模块的准确率如何，并非只能通过几个句子主观感受。任何监督学习任务都有一套标准化评测方案，对于命名实体识别，按照惯例引入P、R 和 F1 评测指标。 章：新手上路 第 2 章：词典分词 第 3 章：二元语法与中文分词 第 4 章：隐马尔可夫模型与序列标注 第 5 章：感知机分类与序列标注 第 6 章：条件随机场与序列标注 第 7 章：词性标注 第 8
3.1K21发布于 2020-02-21 - 来自专栏专知
【干货】PyTorch实例：用ResNet进行交通标志分类
【导读】本文是机器学习工程师Pavel Surmenok撰写的一篇技术博客，用Pytorch实现ResNet网络，并用德国交通标志识别基准数据集进行实验。 ResNet for Traffic Sign Classification With PyTorch 德国交通标志识别基准数据集：可能是自动驾驶汽车领域最受欢迎的图像分类数据集。 就好像一个人想分类一个物体，然后他们从不同的角度看它，改变一点点光线，把它移近眼睛，直到它们能找到最有利于最有把握地识别物体的视点。 99.46％ • 基于颜色斑点的COSFIRE过滤器，用于由Baris Gecer进行物体识别，98.97％ 如果我的模型参加了比赛，那将是第二名。 总的来说，这几天的工作不错。 ▌参考链接： ---- 德国交通标志识别基准数据集： benchmark.ini.rub.de/?
3.4K91发布于 2018-04-08 YOLO v8 目标检测识别翻栏
例如，通过算法识别技术，可以实时监测和预警潜在的跨越围栏行为，从而减少事故的发生。 2、围栏摄像识别介绍 2.1 摄像头结构：围栏监控摄像头通常由镜头、传感器、图像处理器、存储器等组成。 三、业务逻辑分析及算法实现 越界识别的功能实现，主要包括行人目标检测、行人追踪及越界识别判断三部分 1） 行人目标检测 这一部分主要利用YOLOv8算法实现。 首先基于YOLOv8目标检测算法训练一个检测行人（person）的权重person.pt。 参考之前代码： Ctrl CV：YOLOV8血细胞检测 2 ）行人目标追踪 目标追踪的实现主要是在实现目标检测的前提下，补充目标追踪功能，即通过追踪并绘制每个目标的track_id信息实现。 Ctrl CV：YOLOv8目标跟踪 Ctrl CV：YOLOv8_VisDrone2019目标跟踪、模型部署 3） 越界识别判断 （1）越界监测区域绘制 实现越界识别，即检测某个感兴趣区域，是否有人违规进入
23810编辑于 2025-12-16yolov8-onnx在winform部署手势识别模型
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 YOLOv8 是一个 SOTA 模型，它建立在以前 YOLO 版本的成功基础上 不过 ultralytics 并没有直接将开源库命名为 YOLOv8，而是直接使用 ultralytics 这个词，原因是 ultralytics 将这个库定位为算法框架，而非某一个特定算法，一个主要特点是可扩展性 可以看出 YOLOv8 相比 YOLOv5 精度提升非常多，但是 N/S/M 模型相应的参数量和 FLOPs 都增加了不少，从上图也可以看出相比 YOLOV5 大部分模型推理速度变慢了。 模型 YOLOv5 params(M) FLOPs@640 (B) YOLOv8 params(M) FLOPs@640 (B) n 28.0(300e) 1.9 4.5 37.3 (500e) 3.2 ym = new Yolov8Manager(); public Form1() { InitializeComponent();
32410编辑于 2025-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号