Object detection for street-level objects can be applied to various use cases, from car and traffic detection to the self-driving car system. Therefore, finding the best object detection algorithm is essential to apply it effectively. Many object detection algorithms have been released, and many have compared object detection algorithms, but few have compared the latest algorithms, such as YOLOv5, primarily which focus on street-level objects. This paper compares various one-stage detector algorithms; SSD MobileNetv2 FPN-lite 320x320, YOLOv3, YOLOv4, YOLOv5l, and YOLOv5s for street-level object detection within real-time images. The experiment utilizes a modified Udacity Self Driving Car Dataset with 3,169 images. Dataset is split into train, validation, and test; Then, it is preprocessed and augmented using rescaling, hue shifting, and noise. Each algorithm is then trained and evaluated. Based on the experiments, the algorithms have produced decent results according to the inference time and the values of their precision, recall, F1-Score, and Mean Average Precision (mAP). The results also shows that YOLOv5l outperforms the other algorithms in terms of accuracy with a mAP@.5 of 0.593, MobileNetv2 FPN-lite has the fastest inference time among the others with only 3.20ms inference time. It is also found that YOLOv5s is the most efficient, with it having a YOLOv5l accuracy and a speed almost as quick as the MobileNetv2 FPN-lite. This shows that various algorithm are suitable for street-level object detection and viable enough to be used in self-driving car.
翻译:用于街头物体的街道物体检测可适用于各种使用案例, 从汽车和交通检测到自驾驶车系统。 因此, 找到最佳物体检测算法对于有效应用它至关重要 。 许多物体检测算法已经发布, 许多人已经比较了物体检测算法, 但很少有人比较了最新的算法, 如YOLOv5, 主要侧重于街道物体。 本文比较了各种单阶段检测算法; SSD MobNetv2 FPN- 利特 320x320, YOLOv3, YOLOv4, YOLOv5l, 和 YOLOv5s, 用于实时图像中街头物体检测。 实验使用了修改后的 Udality Odrivices 和3 169 图像。 数据集被分割成火车、 校验校验、 校验、 校验、 校验、 校验、 校验、 校验、 校验、 校验、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 校、 、 校、 校、 校、 校、 都、 都、 都、 、 、 、 、 、 、 、 、 、 、 、 、 、 、 、 等, 校、 校、 、 、 、 、 校、 、 等、 、 、 、 等、 、 、 、 、 、 、 、 、 、 、 、 等、 、 、 、 校、 、 、 、 、 、 、 、 、 、 、 、 、 、 校、 校、 校、 校、 校、 、 、 、 校、 校、 校、 校、