今日光電 ? ? ? 有人說，20世紀(jì)是電的世紀(jì)，21世紀(jì)是光的世紀(jì)；知光解電，再小的個(gè)體都可以被賦能。追光逐電，光引未來...歡迎來到今日光電！
----追光逐電 光引未來----
本文探討了頭盔檢測在交通安全中的應(yīng)用，比較了YOLOv8、YOLOnu和YOLOv11模型的性能，并提出了一種改進(jìn)的混合YOLO模型（h-YOLO）。通過多項(xiàng)標(biāo)準(zhǔn)檢測指標(biāo)，結(jié)果表明h-YOLO在頭盔檢測中優(yōu)于傳統(tǒng)YOLO模型，同時(shí)具有更好的實(shí)時(shí)檢測能力。
頭盔檢測對(duì)于提升公共道路交通中的安全保護(hù)水平至關(guān)重要。這個(gè)問題陳述可以轉(zhuǎn)化為一個(gè)目標(biāo)檢測任務(wù)。 因此，本文在頭盔檢測的背景下，比較了近期的一些YOLO模型，從可靠性和計(jì)算負(fù)載的角度進(jìn)行了分析。 具體來說，使用了YOLOv8、YOLOnu和最新發(fā)布的YOLOvll。此外，本文還提出了一種改進(jìn)的架構(gòu)流程，該流程顯著提升了整體性能。 這種混合YOLO模型（h-YOLO）與獨(dú)立模型進(jìn)行了對(duì)比分析，證明在頭盔檢測方面，h-YOLO比普通YOLO模型更優(yōu)。 模型測試采用了多種標(biāo)準(zhǔn)目標(biāo)檢測指標(biāo)，如召回率、精確率和mAP（平均精度均值）。同時(shí)，記錄了訓(xùn)練和測試時(shí)間，以提供模型在實(shí)時(shí)檢測場景中的整體范圍。 論文鏈接：https://arxiv.org/pdf/2412.19467 引言
在許多國家，涉及摩托車和電動(dòng)滑板的交通事故是傷害和死亡的主要原因之一。頭盔被廣泛認(rèn)為是預(yù)防致命或嚴(yán)重 Head 傷害最有效的方法之一。頭盔檢測是一個(gè)目標(biāo)檢測挑戰(zhàn)，模型必須準(zhǔn)確判斷騎手是否佩戴頭盔，這通常在實(shí)時(shí)情況下進(jìn)行。雖然傳統(tǒng)的計(jì)算機(jī)視覺技術(shù)有其優(yōu)點(diǎn)，但也面臨著處理速度、準(zhǔn)確性和適應(yīng)各種環(huán)境等方面的局限性。基于深度學(xué)習(xí)的目標(biāo)檢測算法的出現(xiàn)，尤其是YOLO系列模型的引入，已經(jīng)改變了這一領(lǐng)域。 YOLO（You Only Look Once）在快速、實(shí)時(shí)目標(biāo)檢測方面的能力使其特別適合頭盔檢測應(yīng)用。本文分析了YOLOv8、YOLOv9和YOLOv11及其混合版本在識(shí)別自行車和摩托車騎行者頭盔方面的性能。 YOLO模型系列因其平衡速度與準(zhǔn)確性的高效性，被廣泛應(yīng)用于各種目標(biāo)檢測任務(wù)。最初由Redmon等人[1]提出，YOLO將目標(biāo)檢測任務(wù)框架化為一個(gè)單一的回歸問題，與早期方法如循環(huán)卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）或單次檢測器（SSD）相比，顯著減少了檢測時(shí)間。隨著YOLO每個(gè)后續(xù)版本的推出，David C. Wyld等人（編者）：DSML、ARIA、NLP、CSEN、BIBC、EDTECH - 2024，第83-93頁，2024。CS & IT - CSCP 2024 DOI：10.5121/csit.2024.142406 建筑師們?cè)黾恿烁倪M(jìn)措施，這些措施在準(zhǔn)確性、降低延遲或降低計(jì)算負(fù)載等方面帶來了益處。 確實(shí)，本研究重點(diǎn)關(guān)注的最關(guān)鍵的兩個(gè)想法如下：頭盔檢測是提高道路安全的重要舉措之一，尤其是頭盔檢測系統(tǒng)的自動(dòng)化，尤其是在交通監(jiān)控系統(tǒng)中的應(yīng)用。根據(jù)國家安全委員會(huì)的數(shù)據(jù)，僅摩托車駕駛員佩戴頭盔就能使預(yù)防致命傷害的效果提高37%。在這方面，這里提出的模型可以成為執(zhí)法機(jī)構(gòu)發(fā)現(xiàn)未佩戴頭盔的騎行者的優(yōu)秀工具。這樣的系統(tǒng)可以減少自行車和摩托車事故的傷亡人數(shù)。 文獻(xiàn)綜述
YOLO模型自誕生以來已發(fā)生了顯著演變。該領(lǐng)域的一項(xiàng)關(guān)鍵工作是全面回顧YOLO架構(gòu)，追溯其從YOLOv1到Y(jié)OLOv8的發(fā)展歷程。這項(xiàng)研究突出了模型的單階段方法，即同時(shí)進(jìn)行目標(biāo)定位和分類，使其在自動(dòng)駕駛汽車和視頻監(jiān)控等實(shí)時(shí)應(yīng)用中效率極高[2]。另一項(xiàng)引人注目的研究提出了Complexer-YOLO，它將3D目標(biāo)檢測集成到Y(jié)OLO框架中，利用語義點(diǎn)云進(jìn)行擴(kuò)展。這一擴(kuò)展提高了模型在復(fù)雜環(huán)境中的檢測準(zhǔn)確性，從而增強(qiáng)了其在自動(dòng)駕駛等現(xiàn)實(shí)任務(wù)中的性能[3]。此外，還有一項(xiàng)研究強(qiáng)調(diào)了將YOLO與滑動(dòng)創(chuàng)新濾波器結(jié)合用于動(dòng)態(tài)環(huán)境中的目標(biāo)跟蹤，解決了遮擋和干擾等挑戰(zhàn)，并展示了YOLO在靜態(tài)圖像檢測之外的適應(yīng)性[4]。 在YOLO模型在速度上表現(xiàn)出色之際，其他方法則在準(zhǔn)確性和計(jì)算復(fù)雜度之間提供了不同的權(quán)衡。例如，F(xiàn)aster R-CNN是一種兩階段目標(biāo)檢測器，它首先通過生成區(qū)域 Proposal 來顯著提高精度，然后使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)這些 Proposal 進(jìn)行細(xì)化。盡管速度較慢，但在對(duì)準(zhǔn)確性要求極高的任務(wù)中，如醫(yī)學(xué)成像和精確定位，它仍然是一個(gè)優(yōu)選方案。與YOLO類似，SSD（單階段多框檢測器）采用單階段方法，但更注重在速度與比YOLO更簡單版本提高的準(zhǔn)確性之間取得平衡[7]。另一個(gè)重要的發(fā)展是RetinaNet，它引入了Focal Loss函數(shù)來解決類別不平衡問題，從而在檢測小物體方面提高了準(zhǔn)確性，這是現(xiàn)實(shí)應(yīng)用中常見的問題[8]。Nkabulo等人首先將輸入傳遞給YOLO模型，然后使用Faster R-CNN對(duì)輸出進(jìn)行細(xì)化，從而對(duì)Faster R-CNN和YOLO進(jìn)行了集成。最后，Mask R-CNN將Faster R-CNN擴(kuò)展到不僅檢測物體，還能執(zhí)行實(shí)例分割，使其在需要像素級(jí)精度的任務(wù)中非常有效，如機(jī)器人和自主系統(tǒng)[10]。 上述調(diào)查在表1中呈現(xiàn)，列出了此前對(duì)該研究具有高度啟發(fā)意義的、與目標(biāo)檢測相關(guān)的重要工作。因此，表突出了現(xiàn)有方法與本文提出的方法之間的關(guān)鍵差異。
盡管獨(dú)立目標(biāo)檢測系統(tǒng)的文獻(xiàn)數(shù)量占主導(dǎo)地位，但進(jìn)一步深入研究組合架構(gòu)仍有必要。因此，這項(xiàng)工作通過操縱YOLO流程，包括一個(gè)輕量級(jí)的定制（CNN）向YOLO模型提供特征以增強(qiáng)目標(biāo)檢測，比較了一系列最近的YOLO模型。關(guān)于整體流程設(shè)計(jì)如何實(shí)現(xiàn)的更多細(xì)節(jié)將在下一節(jié)中進(jìn)行討論。 頭盔檢測系統(tǒng)的開發(fā)遵循一套旨在確保高精度和魯棒性的系統(tǒng)方法。這種方法分為幾個(gè)關(guān)鍵階段，包括數(shù)據(jù)集收集、預(yù)處理、圖像增強(qiáng)、模型訓(xùn)練、超參數(shù)調(diào)整和模型測試，如圖1所示。
3.1. 數(shù)據(jù)集收集
該過程始于收集展示個(gè)人是否佩戴頭盔的圖像。數(shù)據(jù)集主要來源于兩個(gè)渠道：一個(gè)在線數(shù)據(jù)庫[11]和用手機(jī)攝像頭捕獲的定制圖像。這種多樣性確保了圖像中包含了來自不同視角和不同光照條件下的個(gè)人，這對(duì)于構(gòu)建在實(shí)際場景中表現(xiàn)可靠的模型至關(guān)重要。圖像總數(shù)超過3500張。 收集完數(shù)據(jù)集后，進(jìn)行預(yù)處理以標(biāo)準(zhǔn)化圖像并為其模型訓(xùn)練做準(zhǔn)備。這包括將所有圖像轉(zhuǎn)換為RGB格式以保持一致性，并調(diào)整它們的分辨率以實(shí)現(xiàn)統(tǒng)一。同時(shí)，對(duì)像素值進(jìn)行歸一化處理，以縮放像素值，通過確保所有輸入數(shù)據(jù)處于同一尺度，從而提高模型訓(xùn)練過程的效率。 為了進(jìn)一步提升模型的魯棒性，采用了圖像增強(qiáng)技術(shù)。通過在數(shù)據(jù)集中引入旋轉(zhuǎn)、翻轉(zhuǎn)、縮放以及調(diào)整亮度和對(duì)比度的變化，模型得以接觸到更廣泛的可能圖像場景，同時(shí)消除了對(duì)大量訓(xùn)練圖像的需求[12]。這有助于防止過擬合，因?yàn)槟Ｐ湍軌蚋玫剡m應(yīng)現(xiàn)實(shí)世界中的變化，如光照和角度的變化。 在將數(shù)據(jù)分為訓(xùn)練集和測試集之后，進(jìn)入訓(xùn)練階段。此階段涉及特定的訓(xùn)練流程，該流程使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）將特征輸入到獨(dú)立的YOLO模型中。具體來說，按照?qǐng)D1所示，連續(xù)使用了三個(gè)CNN模型。第一個(gè)CNN層如圖2所示供參考，后續(xù)的CNN層與第一個(gè)層類似，只是在濾波器數(shù)量、尺寸和填充方面有所不同。從圖2可以看出，在應(yīng)用核之后，執(zhí)行了批量歸一化，隨后是激活操作。
規(guī)范化是構(gòu)建魯棒模型的關(guān)鍵部分，因?yàn)樗试S不同類型的數(shù)據(jù)被納入到共同的尺度中進(jìn)行進(jìn)一步處理。因此，它是一個(gè)非常流行的預(yù)處理工具。在卷積神經(jīng)網(wǎng)絡(luò)（CNN）的情況下，隱藏層的輸出可以進(jìn)行規(guī)范化，以加速訓(xùn)練過程。來自另一層的輸入規(guī)范化被稱為 BatchNorm 。這一過程也已證明可以增強(qiáng)CNN訓(xùn)練的穩(wěn)定性。 3.4 超參數(shù)調(diào)優(yōu) 超參數(shù)調(diào)優(yōu)是機(jī)器學(xué)習(xí)模型訓(xùn)練過程中一個(gè)重要的步驟，它涉及到調(diào)整模型中的一些非學(xué)習(xí)參數(shù)，這些參數(shù)對(duì)模型的表現(xiàn)有顯著影響，但并不直接從數(shù)據(jù)中學(xué)習(xí)。在深度學(xué)習(xí)中，常見的超參數(shù)包括學(xué)習(xí)率、批處理大小、隱藏層大小、激活函數(shù)類型等。有效的超參數(shù)調(diào)優(yōu)能夠顯著提高模型的性能和泛化能力。 在實(shí)際操作中，超參數(shù)調(diào)優(yōu)通常采用以下幾種方法：網(wǎng)格搜索、隨機(jī)搜索、貝葉斯優(yōu)化等。網(wǎng)格搜索通過遍歷所有可能的超參數(shù)組合來尋找最佳設(shè)置，但這種方法在超參數(shù)數(shù)量較多時(shí)效率較低。隨機(jī)搜索則通過隨機(jī)選擇參數(shù)組合來減少搜索空間，提高效率。貝葉斯優(yōu)化則結(jié)合了概率模型和優(yōu)化算法，能夠在有限的資源下找到更優(yōu)的超參數(shù)配置。 近年來，隨著人工智能技術(shù)的發(fā)展，一些自動(dòng)化超參數(shù)調(diào)優(yōu)方法也應(yīng)運(yùn)而生，如自動(dòng)機(jī)器學(xué)習(xí)（AutoML）和強(qiáng)化學(xué)習(xí)（Reinforcement Learning）在超參數(shù)調(diào)優(yōu)中的應(yīng)用，進(jìn)一步提高了調(diào)優(yōu)過程的效率和準(zhǔn)確性。 微調(diào)超參數(shù)是優(yōu)化模型性能的關(guān)鍵步驟。重要的參數(shù)，如訓(xùn)練輪數(shù)、批量大小、學(xué)習(xí)率以及優(yōu)化器的選擇，都需要進(jìn)行調(diào)整，以在訓(xùn)練效率和準(zhǔn)確度之間取得平衡。選擇Adam優(yōu)化器是因?yàn)槠渥赃m應(yīng)的學(xué)習(xí)率可以加快收斂速度。學(xué)習(xí)率被精心調(diào)整以確保有效學(xué)習(xí)，同時(shí)不會(huì)跳過重要的最小值。同樣，批量大小和訓(xùn)練輪數(shù)也被調(diào)整以提升模型的訓(xùn)練速度和準(zhǔn)確度。 一旦訓(xùn)練完成，該模型將接受全面測試以驗(yàn)證其性能。采用如圖像融合等技術(shù)，通過結(jié)合不同圖像的輸出以提高檢測精度，并使用數(shù)據(jù)增強(qiáng)方法來克服高噪聲帶來的不足[15]。評(píng)價(jià)標(biāo)準(zhǔn)，如精確度和召回率，為分類性能提供了洞察。此外，還使用平均精度均值（mAP）分?jǐn)?shù)，將交并比（IoU）設(shè)置為50%的置信閾值，以評(píng)估預(yù)測的邊界框與圖像中實(shí)際頭盔區(qū)域的一致性。 總的來說，共使用了六種YOLO模型——h-YOLOv8、h-YOLOv9、h-YOLOv11及其對(duì)應(yīng)的獨(dú)立版本。 獨(dú)立YOLO模型已被廣泛研究，正如本論文的文獻(xiàn)綜述所證明。盡管獨(dú)立模型能夠提供令人滿意，甚至在某些情況下出色的結(jié)果，但追求盡可能高的可靠性而不過度擬合模型至關(guān)重要。 獨(dú)立YOLO模型與混合系統(tǒng)具有不同的架構(gòu)。該架構(gòu)與h-YOLO的步驟相同，但如圖1所示，不包含混合化模塊。從數(shù)據(jù)預(yù)處理到數(shù)據(jù)測試的所有其他步驟都保持不變。這種設(shè)置確保了獨(dú)立版和混合版之間的比較是合理的，因?yàn)榛旌匣K將是唯一變化的參數(shù)。以下小節(jié)將給出獨(dú)立YOLO模型的詳細(xì)分析。 YOLOv8在提升多目標(biāo)檢測精度以及改善在雜亂場景中對(duì)小目標(biāo)的處理方面給予了高度重視[16]。此外，該模型已針對(duì)邊緣設(shè)備進(jìn)行優(yōu)化，這意味著它能夠在不消耗大量計(jì)算資源的情況下提供高精度檢測。 YOLOv8的關(guān)鍵創(chuàng)新在于將注意力機(jī)制整合到網(wǎng)絡(luò)中。這些機(jī)制使得模型能夠?qū)Ｗ⒂趫D像中的關(guān)鍵區(qū)域，從而在復(fù)雜場景中實(shí)現(xiàn)更優(yōu)的檢測效果。 在YOLO（You Only Look Once）系列目標(biāo)檢測算法中，YOLOv9是最新一代的算法。它通過引入多種創(chuàng)新技術(shù)和優(yōu)化策略，顯著提升了檢測速度和準(zhǔn)確性。YOLOv9在模型架構(gòu)、數(shù)據(jù)增強(qiáng)、損失函數(shù)等方面進(jìn)行了改進(jìn)，實(shí)現(xiàn)了在多個(gè)基準(zhǔn)數(shù)據(jù)集上的高性能表現(xiàn)。 該模型在全局上下文感知方面取得了顯著進(jìn)步，這對(duì)于視頻中的目標(biāo)檢測或空間依賴性重要的復(fù)雜場景等任務(wù)至關(guān)重要。YOLOv9是該系列中首次采用混合CNN-Transformer Backbone 網(wǎng)絡(luò)的模型，這增強(qiáng)了其捕捉物體局部和全局特征的能力。引入GELAN（廣義高效層聚合網(wǎng)絡(luò)）和PGI（可編程梯度信息）等進(jìn)步顯著提升了特征提取和梯度 Stream 能力。[17] YOLOv9還引入了一種新的損失函數(shù)，能夠更好地處理類別不平衡問題，從而提高了其在具有偏斜目標(biāo)分布的數(shù)據(jù)集上的準(zhǔn)確性。該模型還從數(shù)據(jù)增強(qiáng)技術(shù)和自適應(yīng)學(xué)習(xí)率的進(jìn)一步改進(jìn)中受益，使其更能抵御數(shù)據(jù)質(zhì)量和規(guī)模的變化。正如將在結(jié)果與討論部分所述，這一模型在所使用的數(shù)據(jù)中證明了具有最高的mAP分?jǐn)?shù)，然而實(shí)現(xiàn)這些結(jié)果的時(shí)間有所延遲。 YOLOv11是YOLO（You Only Look Once）目標(biāo)檢測算法的更新版本，它在YOLOv10的基礎(chǔ)上進(jìn)行了多項(xiàng)改進(jìn)。這些改進(jìn)旨在提高檢測速度、準(zhǔn)確性和魯棒性。YOLOv11引入了新的數(shù)據(jù)增強(qiáng)技術(shù)，優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)，并采用了更高效的訓(xùn)練策略。 YOLOv11是YOLO模型系列的最新版本。由于改進(jìn)了主干和 Neck 架構(gòu)，它本身在特征提取能力上得到了提升[18]。本版本引入了增強(qiáng)的部署能力，支持云平臺(tái)以及搭載NVIDIA GPU的系統(tǒng)。 盡管這些YOLO模型在各自的前身基礎(chǔ)上都有所改進(jìn)，但本研究采用了結(jié)合了預(yù)CNN優(yōu)勢的混合方法。由于CNN的輕量級(jí)特性，即它不包含成千上萬的神經(jīng)元構(gòu)成的龐大互聯(lián)網(wǎng)絡(luò)，而是使用幾十到幾百個(gè)神經(jīng)元[19]。這保證了雖然特征被提前輸入到Y(jié)OLO模型中，但預(yù)CNN并沒有顯著增加所需時(shí)間。然而，由CNN提供的特征導(dǎo)致了更高的召回率和mAP分?jǐn)?shù)。因此，為了模型分?jǐn)?shù)的顯著提升，犧牲一點(diǎn)時(shí)間成本是合理的。 本研究的模型有效性通過文獻(xiàn)中用于目標(biāo)檢測的一些標(biāo)準(zhǔn)指標(biāo)進(jìn)行評(píng)估。具體而言，本研究采用了精確率、召回率和mAP 在此，TP代表真陽性，F(xiàn)P代表假陽性，F(xiàn)N代表假陰性。在調(diào)整模型超參數(shù)，如置信度閾值，以實(shí)現(xiàn)不同的精確度和召回率時(shí)，觀察到通常存在精確度和召回率之間的權(quán)衡。 精確率和召回率具有不同的目的。例如，當(dāng)需要嚴(yán)格控制誤判為負(fù)數(shù)時(shí)，應(yīng)追求更高的精確率；而在需要盡可能多地識(shí)別特定類別且可接受一定程度的誤判為負(fù)數(shù)時(shí)，則應(yīng)追求更高的召回率。然而，在大多數(shù)現(xiàn)實(shí)場景中，同時(shí)優(yōu)化這兩個(gè)指標(biāo)至關(guān)重要，這時(shí)結(jié)合了召回率和精確率的F1分?jǐn)?shù)就發(fā)揮了作用，它為分析者提供了對(duì)模型性能的全面視角。如下面的公式所示。
另一個(gè)用于評(píng)估模型的重要標(biāo)準(zhǔn)是平均平均精度（mAP）得分。 這一標(biāo)準(zhǔn)建立在平均精度（AP）值之上，AP值實(shí)際上是跨一系列召回值和特定置信度閾值下精度得分的平均值。 當(dāng)這一平均值用于計(jì)算一系列置信度閾值下的精度-召回值時(shí)，就被稱為平均平均精度的平均值，即mAP。 在本篇論文中，考慮了在特定交并比（IoU）值下的mAP使用，即50%，因此記作 。 然而，為了便于詳細(xì)分析以及更好地體現(xiàn)整體性能； 本文更傾向于使用mAP而非F1。 相反，由于AUROC（接收者操作特征曲線下的面積）依賴于真實(shí)的負(fù)例（TN），因此它不能被認(rèn)為是一個(gè)適用于目標(biāo)檢測任務(wù)的合理指標(biāo)。 這是因?yàn)槟繕?biāo)檢測中的真實(shí)負(fù)例指的是所有不包含目標(biāo)的邊界框，在本例中是指頭盔，因此TN實(shí)際上是無界的。 通過對(duì)先前章節(jié)中提到的評(píng)分標(biāo)準(zhǔn)進(jìn)行評(píng)估，對(duì)各種模型進(jìn)行了評(píng)估。從表1可以看出，與普通YOLO模型相比，h-YOLO模型在精確度、召回率和mAP方面具有明顯的優(yōu)勢。至于訓(xùn)練和測試時(shí)間，如表2所示，普通YOLO模型所需時(shí)間少于h-YOLO模型。
在處理安全執(zhí)法任務(wù)時(shí)，正如本文所述，作者應(yīng)優(yōu)先考慮更高的評(píng)分而非更快的處理時(shí)間，盡管這種優(yōu)先級(jí)并非絕對(duì)，而是根據(jù)具體問題而變化。這意味著，只有在對(duì)比模型之間的準(zhǔn)確率差異顯著時(shí)，才應(yīng)優(yōu)先選擇準(zhǔn)確率更高的模型。因此，在準(zhǔn)確率差異為2.31%的情況下，h-YOLO模型優(yōu)于獨(dú)立的YOLO模型，考慮到項(xiàng)目的目標(biāo)可能涉及民用生活，這一差異是顯著的。 隨著非混合模型與混合模型的比較已經(jīng)排序完成；自然而然，作者需要進(jìn)行對(duì)比，以找出混合系統(tǒng)中的最佳者。 通過分析表1和表2的結(jié)果可以得出這一結(jié)論。h-YOLOv9模型在精確度、β召回率、β和mAP h-YOLOv11模型的運(yùn)行時(shí)間較短可以通過分析其底層YOLOv11模型的屬性來解釋。根據(jù)YOLOv11模型的官方文檔，指出該模型已經(jīng)經(jīng)歷了訓(xùn)練和推理 Pipeline 的增強(qiáng)。這種增強(qiáng)有助于提升系統(tǒng)的整體速度。此外，YOLOv11模型的參數(shù)數(shù)量比v8和v9版本更少。 因此，可以理解h-YOLOv11模型在檢測能力和推理速度之間提供了可靠的平衡，使其成為實(shí)時(shí)檢測任務(wù)的理想選擇。 結(jié)論
概括來說，從公共安全以及自動(dòng)化系統(tǒng)技術(shù)進(jìn)步的角度來看，頭盔檢測是一項(xiàng)重要任務(wù)。YOLO 系列模型在實(shí)時(shí)目標(biāo)檢測領(lǐng)域占據(jù)了領(lǐng)先地位。本文著重對(duì) YOLOv8、YOLOv9、最新的 YOLOv11 及其混合模型進(jìn)行對(duì)比分析，從而在頭盔檢測應(yīng)用場景下，就速度、準(zhǔn)確性和計(jì)算負(fù)載之間的權(quán)衡開辟新的思路。 檢測頭盔或其他任何安全裝備（比如后視鏡或騎行鞋）的任務(wù)，在執(zhí)行道路安全法規(guī)方面有眾多應(yīng)用。具體而言，利用機(jī)器學(xué)習(xí)算法和框架進(jìn)行的此類自動(dòng)檢測，能讓相關(guān)部門在必要時(shí)采取行動(dòng)。 雖然本文不涉及開發(fā)可檢測違規(guī)者的技術(shù)，但上一節(jié)的結(jié)果表明，已切實(shí)實(shí)現(xiàn)了以實(shí)用可靠的方式檢測頭盔這第一步。 因此，本文證實(shí)了以下幾點(diǎn)：使用機(jī)器學(xué)習(xí)框架的整體可靠性；混合 YOLO（h - YOLO）相較于獨(dú)立的 YOLO，平均精度均值（mAP）得分高出 2 - 3%，具有優(yōu)越性； 尤其是 h - YOLOv11 平衡速度與性能的能力。未來的研究可以利用 h - YOLO 不僅檢測頭盔，還識(shí)別車輛牌照。這將使相關(guān)部門能夠采取必要行動(dòng)，加強(qiáng)道路安全管理。 參考 [1]. OPTIMIZING HELMET DETECTION WITH HYBRIDYOLOPIPELINES:ADETAILED A NALYSIS
申明： 感謝原創(chuàng)作者的辛勤付出。本號(hào)轉(zhuǎn)載的文章均會(huì)在文中注明，若遇到版權(quán)問題請(qǐng)聯(lián)系我們處理。
?
----與智者為伍?為創(chuàng)新賦能----
【說明】歡迎企業(yè)和個(gè)人洽談合作，投稿發(fā)文。歡迎聯(lián)系我們 誠招運(yùn)營合伙人 ，對(duì)新媒體感興趣，對(duì)光電產(chǎn)業(yè)和行業(yè)感興趣。非常有意者通過以下方式聯(lián)我們！條件待遇面談 聯(lián)系郵箱：uestcwxd@126.com
QQ：493826566
