YOLOv3模型识别车位图片的测试报告（节选）

1，YOLOv3模型简介

YOLO能实现图像或视频中物体的快速识别。在相同的识别类别范围和识别准确率条件下，YOLO识别速度最快。

官网：https://pjreddie.com/darknet/yolo/

知乎：https://zhuanlan.zhihu.com/p/25236464

YOLO有多种模型，包括V1，V2，V3，其中V3识别准确率最高，但对硬件要求也高。还有tiny模型。也可针对特定识别物体类别进行训练，获得应用需要的专用模型。

本次测试采用V3模型。对实际车场图片进行批量检测，对检测结果进行分析，重点是车位中的车辆能否得到正确识别，以探讨YOLO V3模型应用于车场车位状态检测中的可行性。

2，测试环境

操作系统	Windows7 64位
Cpu
Gpu	0
内存	4GB
输入图片的数量和规格	2019张，960*1280
运行时间	2018-05-23 18:03~~2018-05-24 05:01
执行文件	darknet.py
检测模型	YOLO v3
物体检测阈值	置信度 > 0.25
物体分类模型	80种，与车位车辆相关的4种（car, motorbike, truck, bus）。详见coco.names

3，测试数据和结果

运行总时间	11小时
平均每张图片的分析时间	20秒
分析后输出的图片包	YOLO对车位图片的检测结果.rar
分析输出文字信息	out.txt
车位图片输出结果分析	车位图片输出结果分析.xls

识别错误类别统计：

错误类别编号	错误类别	数量	比例	备注
1	识别到周围停有车辆，因而判断有车	118		此问题与YOLO算法无关
2	未识别出相机识别车位上的车辆	74	3.66%	2类错误的文件已打包在文件2类错误.rar
3	镜头范围过小，车辆无法体现特征	1		此问题与YOLO算法无关
4	图像变形	1		此问题与YOLO算法无关
5	在无车位置上错误标注	6	0.3%	5类错误的文件已打包在文件5类错误.rar

综上所述，本次测试错误率为3.96%。效果还是令人基本满意的。

4，测试分析

4.1 YOLOv3静态车位图片检测优势

总体来说，识别车辆准确，适应强。具体表现如下：

²            对于多车不会漏检

²            面向镜头的无论是车头、车尾还是车身都能检测到。

²            特种车辆也能识别。

²            只出现一部分的车身也能检测到。但也要看是否能体现车辆特征

²            光线强弱对检测影响不大。

²            强大的物体检测能力，不仅限于车辆检测。

以下具体示例略。

4.2 YOLOv3静态车位图片检测存在的问题

测试中发现的问题可以归纳为以下几类：

²            存在漏检。某些明显的车辆未能检测到

²            在全域范围内能检测到的车辆，区域裁剪后可能导致检测不到

²            同一物体可能检测出多种类别或多台车检测成1台

²            车辆错误识别为其它种类

²            空车位错误识别为车辆

以下具体示例略。

5，后续计划

对于车位车辆的识别，如果速度和准确度达到实用程度，那么可用于简易停车场的车位调度。

如果结合人脸识别或车牌识别，也能做到反向寻车。

也可应用于路边停车，可将车辆进入停车区和离开停车区的信息及时上报。

目前关键还是将车辆识别做到又好又快。以下为思路：

略。