Projektaufbau und Umgebungseinrichtung – Verkehrsschildererkennung KI: Unterschied zwischen den Versionen
Die Seite wurde neu angelegt: „{| class="wikitable" |- | '''Autoren:''' || Fabian Babik, Adrian Klinspon |- | '''Art:''' || Projekt im Praxissemester |- | '''Dauer:''' || 29.09.2025 bis 01.01.2026 |- | '''Betreuer:''' || Prof. Dr.-Ing. Schneider |}“ |
Keine Bearbeitungszusammenfassung |
||
| Zeile 9: | Zeile 9: | ||
| '''Betreuer:''' || [[Benutzer:Ulrich_Schneider|Prof. Dr.-Ing. Schneider]] | | '''Betreuer:''' || [[Benutzer:Ulrich_Schneider|Prof. Dr.-Ing. Schneider]] | ||
|} | |} | ||
= Projektüberblick = | |||
Im Rahmen unseres Projekts wurden mehrere KIs zur Erkennung von Verkehrsschildern entwickelt. Die Trainingsdaten stammen teils aus unseren eigenen Aufnahmen in Lippstadt, Soest und Münster, teils aus externen Datensätzen (z. B. von der Ruhr-Universität Bochum). Je nach KI variiert daher die Bildbasis. Einige der externen Daten wurden bereits gelabelt, während unsere eigenen Bilder manuell annotiert wurden, um die KIs mit korrekten Trainingsdaten zu versorgen. | |||
<u>Für die Modelle wurden verschiedene Backbones eingesetzt:</u> CSPDarknet53, CSPDarknet53 vortrainiert auf COCO, Tiny-YOLOv4, Tiny-YOLOv4 vortrainiert auf COCO sowie ein von uns entwickeltes eigenes Backbone.<br> | |||
<u>Zur Klarstellung:</u> Backbone bezeichnet den Teil des Modells, der Bilder in Merkmalskarten (Feature Maps) umwandelt. YOLO oder genauer der „YOLO-Detektor“ ist das komplette Modell, bestehend aus Backbone plus den sogenannten „Detection Layers“, die die Bounding Boxes und Klassenzuordnungen erzeugen. | |||
Der gesamte Entwicklungs- und Trainingsprozess wurde in Matlab R2025b durchgeführt. | |||
= Einführung = | |||
= Links = | |||
J. Stallkamp, M. Schlipsing, J. Salmen, C. Igel, Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition, Neural Networks, Available online 20 February 2012, ISSN 0893-6080, 10.1016/j.neunet.2012.02.016. (http://www.sciencedirect.com/science/article/pii/S0893608012000457) Keywords: Traffic sign recognition; Machine learning; Convolutional neural networks; Benchmarking | |||
Version vom 5. November 2025, 14:22 Uhr
| Autoren: | Fabian Babik, Adrian Klinspon |
| Art: | Projekt im Praxissemester |
| Dauer: | 29.09.2025 bis 01.01.2026 |
| Betreuer: | Prof. Dr.-Ing. Schneider |
Projektüberblick
Im Rahmen unseres Projekts wurden mehrere KIs zur Erkennung von Verkehrsschildern entwickelt. Die Trainingsdaten stammen teils aus unseren eigenen Aufnahmen in Lippstadt, Soest und Münster, teils aus externen Datensätzen (z. B. von der Ruhr-Universität Bochum). Je nach KI variiert daher die Bildbasis. Einige der externen Daten wurden bereits gelabelt, während unsere eigenen Bilder manuell annotiert wurden, um die KIs mit korrekten Trainingsdaten zu versorgen.
Für die Modelle wurden verschiedene Backbones eingesetzt: CSPDarknet53, CSPDarknet53 vortrainiert auf COCO, Tiny-YOLOv4, Tiny-YOLOv4 vortrainiert auf COCO sowie ein von uns entwickeltes eigenes Backbone.
Zur Klarstellung: Backbone bezeichnet den Teil des Modells, der Bilder in Merkmalskarten (Feature Maps) umwandelt. YOLO oder genauer der „YOLO-Detektor“ ist das komplette Modell, bestehend aus Backbone plus den sogenannten „Detection Layers“, die die Bounding Boxes und Klassenzuordnungen erzeugen.
Der gesamte Entwicklungs- und Trainingsprozess wurde in Matlab R2025b durchgeführt.
Einführung
Links
J. Stallkamp, M. Schlipsing, J. Salmen, C. Igel, Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition, Neural Networks, Available online 20 February 2012, ISSN 0893-6080, 10.1016/j.neunet.2012.02.016. (http://www.sciencedirect.com/science/article/pii/S0893608012000457) Keywords: Traffic sign recognition; Machine learning; Convolutional neural networks; Benchmarking