Glow Patch

概述

在机器学习和计算机视觉领域,解决夜间道路坑洼检测问题一直是推进AI驱动车辆交通安全的关键一步。为了解决这个问题,我们提出了一个基于YOLOv11的基线目标检测器,并在夜间坑洼数据集(NPD)上进行了微调。在超过50个训练周期后,该模型实现了0.93245的mAP@0.5分数,相比Ling等人论文中的结果提升了1.6%。

我们使用Fiftyone来简化COCO数据集的清理和清洗过程。使用Ultralytics库进行训练,并通过Flask、FastAPI、Docker和AWS部署我们的模型。

请在Glow Patch使用我们的解决方案

本项目是在不列颠哥伦比亚大学Voxel51 AI黑客马拉松期间开发的,我们在之后通过部署应用程序扩展了其功能。

📊 数据清洗

使用Fiftyone库和GUI,我们计算了图像嵌入,将图像分离为多个类别并进行过滤,以确保数据集的平衡性。

📈 训练

在50个训练周期中,我们看到精确度分数呈收敛性增长

🌟 结果

我们的训练取得了良好的结果,如下面验证集上的预测所示:

项目工作流程

1. 数据清洗 → 基于计算嵌入过滤图像,以确保平衡的数据集。
2. 训练与验证 → 在NVIDIA 4060笔记本显卡上对NPD数据集上的预训练模型进行微调,在小规模数据集上进行验证。
3. 部署 → Docker化推理服务并部署在AWS ECS上,配备集成前端。

技术栈

使用与安装

网站

我们的服务已上线并托管在Glow Patch,快来体验吧!

安装前提条件

您必须安装Python 3.9和Docker,以及/requirements.txt和api/requirements.txt中所需的包。

1️⃣ 克隆仓库

git clone https://github.com/asalee01/Glow-patch.git

2️⃣ 安装依赖

pip install -r requirements.txt
cd api
pip install -r requirements.txt

3️⃣ 构建Docker镜像

docker build -t glow-patch .

4️⃣ 运行程序

docker run -d --name container -p 80:80 glow-patch

现在应用程序应该在本地的80端口上运行。

未来改进

✅ 网页应用上的视频支持,用于实时目标检测。

✅ 基于实时视频输入的实时目标检测。

✅ 将网页应用移植到iOS、Android,并兼容特斯拉。

贡献

欢迎所有贡献,开放提交拉取请求和建议。

📩 联系方式: ahusseinse@yahoo.com | 🌐 LinkedIn: Ali Osman

📩 联系方式: asalee01@student.ubc.ca | 🌐 LinkedIn: Athif Saleem

📩 联系方式: zxia0101@student.ubc.ca | 🌐 LinkedIn: Kaseya Xia

许可证

本项目采用MIT许可证。详情请参阅LICENSE。