Computer VisionDeep LearningMachine LearningProject

Entwicklung eines selbstfahrenden Autos – Tag #9 & #10


Heute haben wir das finale Coding abgeschlossen und unsere bis hier her entstandene Software einmal auf die Wildnis losgelassen (zumindest auf Bilder aus der Wildnis!). Die Performance ist gut und auch mit den Erkennungsraten kann man zufrieden sein. Auch wenn weiße/graue Schilder immer noch schwer zu erkennen sind, werden sie einigermaßen oft gefunden und und richtig eingeordnet. Es gibt also noch viel Platz für Verbesserungen, besonders ein größeres Trainingsset wäre echt vorteilhaft. Das Annotieren der Bilder ist aber leider sehr zeitaufwendig. Im Moment ist das Projekt also in der ersten Phase abgeschlossen. In späteren Phasen werden wir noch einen Spurhalte-Assistenten und eine Abstandsmessung basierend auf Kameras bauen. Die nächsten Schritte für morgen bestehen vor allem darin den Code zum Teilen zu vorzubereiten und eventuell ein kurzes Video während das System im Einsatz ist.

Insgesamt haben wir jetzt noch 3000 Bilder übrig zu annotieren/auszusortieren. Das werde ich die nächsten Wochen angehen, anschließend die Bilder zensieren und dann das Datenset hochladen.

Das System, welches wir für unsere Tests benutzt haben, war dabei mein “Trainings-PC”, welcher aus folgenden Komponenten besteht:

RAM: 2x 4GB Kingston ValueRAM DDR4-2133 DIMM CL15-15-15 Single
Mainboard: ASRock H110M-ITX Intel H110 So.1151 Dual Channel DDR4 Mini-ITX
Harddrive: SSD 128GB Intenso Top III SATA 6Gb/s MLC
CPU: Intel Pentium G4400 2x 3.30GHz So.1151
GPU: 6GB Palit GeForce GTX 1060 DUAL

Software auf der CPU:

Software auf der GPU:

Man sieht sehr schön, dass wir auf der CPU 1-5 FPS haben, je nach Anzahl gefundener Regionen. Auf der GPU läuft unser Ansatz mit 10-15 FPS. Wenn wir den Region-Proposal-Code noch etwas optimieren würden, multithreading einsetzen würden und eine bessere GPU verwneden würden, kämen wir wohl auf rund 20 FPS. Damit stünde dem Erkennen von Schildern und Ampeln in Echtzeit nichts mehr im Weg.

Anschließend möchten wir noch ein paar Ergebnisse (vom Testset) mit euch teilen, die sowohl die Stärken als auch die Schwächen des System zeigen:

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.