基于鱼眼相机的计算机视觉目标检测项目

Fisheye目标检测

该项目是一个基于鱼眼相机的计算机视觉目标检测项目，主要围绕YOLOv11x模型展开，适用于多种交通相关场景。

模型基本信息

• 模型名称：YOLOv11x 鱼眼相机目标检测模型
• 训练与评估数据集：FishEye8K 数据集（包含多种鱼眼相机拍摄的城市交通场景）
• 检测对象：公交车、自行车、汽车、行人、卡车5种交通目标
  

模型性能

总体指标

• mAP@50：0.512（51.2%）
• mAP@50-95：0.306（30.6%）
• 精确率：0.640（64.0%）
• 召回率：0.437（43.7%）
  

类别性能（mAP@50）

类别	数值
汽车	0.704
公交车	0.592
自行车	0.582
卡车	0.427
行人	0.256

速度性能

• 预处理：每张图像0.4毫秒
• 推理：每张图像58.3毫秒
• 后处理：每张图像1.2毫秒
• 总计：每张图像约60毫秒
• 图像读取：1589.4±672.9 MB/s

技术规格

• 输入要求：图像尺寸为640x640像素
• 检测能力：可对5种交通目标进行检测和分类，分别是公交车（公共交通工具）、自行车（自行车和摩托车）、汽车（私人交通工具）、行人（正在行走的人）、卡车（商用车）

验证结果

• 测试图像：20张
• 检测成功率：100%（20/20）
• 平均置信度：0.731（73.1%）
• 演示中的总检测数：170个

样本检测结果（以camera29_N_35.png为例）

• 检测到的对象：4辆自行车、5辆汽车、1个行人
• 处理时间：74.2毫秒
• 主要检测结果：汽车（88.4%置信度）、汽车（86.4%置信度）、自行车（74.5%置信度）、汽车（66.0%置信度）、自行车（62.7%置信度）

使用方法

快速开始

# Load and run inference
from ultralytics import YOLO
model = YOLO('path/to/your/model.pt')
results = model('path/to/image.jpg')
# Process results
for result in results:
    boxes = result.boxes
    for box in boxes:
        print(f"Class: {box.cls}, Confidence: {box.conf}")

批量处理

# Process multiple images
results = model(['image1.jpg', 'image2.jpg', 'image3.jpg'])

模型优势

• 高速推理（每张图像约60毫秒）
• 出色的汽车检测（70.4% mAP）
• 稳健的自行车检测（58.2% mAP）
• 快速的图像处理（1.5+ GB/s读取速度）
• 具备交通监控的实时处理能力
  

待改进方面

• 行人检测（当前mAP为25.6%，需加强）
• 整体召回率（从当前43.7%提升）
• 小目标检测（对远处物体的检测性能需提高）

应用场景

• 交通监控系统
• 智慧城市应用
• 自动驾驶感知
• 安全与监控
• 交通流量分析

项目结构

├── runs/detect/val7/          # 验证结果
├── dataset/images/            # 测试图像
├── model.pt                   # 训练好的模型权重
└── README.md                  # 本文件

成就

• 在1000+测试图像上成功验证
• 实现实时推理速度
• 在各种交通场景中展示出稳定的检测能力
• 针对生产部署进行了优化