導(dǎo)讀

在社會(huì)智能化的發(fā)展趨勢(shì)之下，越來(lái)越多的傳統(tǒng)行業(yè)開(kāi)始向著數(shù)字化的方向轉(zhuǎn)型，而建筑行業(yè)也正經(jīng)歷著通過(guò)人工智能技術(shù)實(shí)現(xiàn)的改革。

鋼筋是建筑業(yè)的重要材料，龐大的數(shù)量、工地現(xiàn)場(chǎng)環(huán)境復(fù)雜以及人工點(diǎn)驗(yàn)錯(cuò)漏等現(xiàn)實(shí)因素為鋼筋點(diǎn)驗(yàn)工作制造了難度，那么如何才能快速且準(zhǔn)確地完成對(duì)于整個(gè)建筑施工過(guò)程極為重要的鋼筋點(diǎn)驗(yàn)工作環(huán)節(jié)呢？今天就帶大家了解一下“AI數(shù)鋼筋”——通過(guò)人工智能技術(shù)實(shí)現(xiàn)鋼筋數(shù)量統(tǒng)計(jì)。

1 問(wèn)題背景

鋼筋數(shù)量統(tǒng)計(jì)是鋼材生產(chǎn)、銷售過(guò)程及建筑施工過(guò)程中的重要環(huán)節(jié)。目前，工地現(xiàn)場(chǎng)是采用人工計(jì)數(shù)的方式對(duì)進(jìn)場(chǎng)的車輛裝載的鋼筋進(jìn)行計(jì)數(shù)，驗(yàn)收人員需要對(duì)車上的鋼筋進(jìn)行現(xiàn)場(chǎng)人工點(diǎn)根，在對(duì)鋼筋進(jìn)行打捆后，通過(guò)不同顏色的標(biāo)記來(lái)區(qū)分鋼筋是否計(jì)數(shù)，在確認(rèn)數(shù)量后鋼筋車才能完成進(jìn)場(chǎng)卸貨，如圖中所示：

這種人工計(jì)數(shù)的方式不僅浪費(fèi)大量的時(shí)間和精力、效率低下，并且工人長(zhǎng)時(shí)間高強(qiáng)度的工作使其視覺(jué)和大腦很容易出現(xiàn)疲勞，導(dǎo)致計(jì)數(shù)誤差大大增加，人工計(jì)數(shù)已經(jīng)不能滿足鋼筋生產(chǎn)廠家自動(dòng)化生產(chǎn)和工地現(xiàn)場(chǎng)物料盤(pán)點(diǎn)精準(zhǔn)性的需求，這種現(xiàn)狀促使鋼筋數(shù)量統(tǒng)計(jì)向著智能化方向發(fā)展。

所謂“AI數(shù)鋼筋”就是，通過(guò)多目標(biāo)檢測(cè)機(jī)器視覺(jué)方法以實(shí)現(xiàn)鋼筋數(shù)量智能統(tǒng)計(jì)，達(dá)到提高勞動(dòng)效率和鋼筋數(shù)量統(tǒng)計(jì)精確性的效果。目標(biāo)檢測(cè)算法通過(guò)與攝像頭結(jié)合，可以實(shí)現(xiàn)自動(dòng)鋼筋計(jì)數(shù)，再結(jié)合人工修改少量誤檢的方式，可以智能、高效地完成鋼筋計(jì)數(shù)任務(wù)。

2 算法介紹

2.1 目標(biāo)檢測(cè)介紹

首先，讓我們一起了解一下什么是“目標(biāo)檢測(cè)”。

目標(biāo)檢測(cè)是對(duì)圖像分類任務(wù)的進(jìn)一步加深，目標(biāo)檢測(cè)不僅要識(shí)別出圖片中各種類別的目標(biāo)，還要將目標(biāo)的位置找出來(lái)用矩形框框住。

目標(biāo)檢測(cè)結(jié)果如上圖所示，將需要檢測(cè)的目標(biāo)檢測(cè)出來(lái)并用邊界框框出來(lái)，同時(shí)在框子上面顯示出該目標(biāo)屬于該分類的一個(gè)得分情況。

2.2 目標(biāo)檢測(cè)算法的基本流程

目標(biāo)檢測(cè)實(shí)際上是要同時(shí)解決定位和識(shí)別兩個(gè)問(wèn)題。傳統(tǒng)目標(biāo)檢測(cè)算法的基本流程是，首先給定待檢測(cè)圖片，對(duì)其進(jìn)行候選框提取，候選框的提取是通過(guò)滑動(dòng)窗口的方式進(jìn)行的；再對(duì)每個(gè)窗口的局部信息進(jìn)行特征提��；然后對(duì)候選區(qū)域提取出的特征進(jìn)行分類判定，判斷當(dāng)前窗口中的對(duì)象是目標(biāo)還是背景；最后采用非極大值抑制（Non-Maximum Suppression，NMS）方法進(jìn)行篩選，去除重復(fù)窗口，找出最佳目標(biāo)檢測(cè)位置。

2.3 算法選擇

本次鋼筋計(jì)數(shù)任務(wù)，將選擇單階段目標(biāo)檢測(cè)YOLO系列算法來(lái)完成。YOLO系列算法是目前使用最多的目標(biāo)檢測(cè)算法，它最大的特點(diǎn)就是檢測(cè)速度快，并且現(xiàn)在檢測(cè)精度（即mAP）也逐步提高，因而成為時(shí)下最熱門(mén)的目標(biāo)檢測(cè)算法之一。YOLO系列算法一共有5個(gè)版本，其中YOLO v1到v3是由同一個(gè)作者Joseph設(shè)計(jì)的，YOLO v4到v5則由其他作者設(shè)計(jì)，目前YOLO v1到Y(jié)OLO v4已有相關(guān)論文和算法結(jié)構(gòu)設(shè)計(jì)，而YOLO v5僅有算法結(jié)構(gòu)設(shè)計(jì)，尚無(wú)論文發(fā)表，為此我們選擇這一較新的YOLO v5算法作為本次鋼筋計(jì)數(shù)算法研究的對(duì)象。

YOLO算法是將目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為回歸問(wèn)題，使用回歸的思想，對(duì)給定輸入圖像，直接在圖像的多個(gè)位置上回歸出這個(gè)位置的目標(biāo)邊框以及目標(biāo)類別。給定一個(gè)輸入圖像，將其劃分為S*S的網(wǎng)格，如果某目標(biāo)的中心落于網(wǎng)格中，則該網(wǎng)格負(fù)責(zé)預(yù)測(cè)該目標(biāo)，對(duì)于每一個(gè)網(wǎng)格，預(yù)測(cè)B個(gè)邊界框及邊界框的置信度，包含邊界框含有目標(biāo)的可能性大小和邊界框的準(zhǔn)確性，此外對(duì)于每個(gè)網(wǎng)格還需預(yù)測(cè)在多個(gè)類別上的概率。在完成目標(biāo)窗口的預(yù)測(cè)之后，根據(jù)閾值去除可能性比較低的目標(biāo)窗口，最后NMS去除冗余窗口即可，整個(gè)過(guò)程非常簡(jiǎn)單，不需要中間的候選框生成網(wǎng)絡(luò)，直接回歸便完成了位置和類別的判定。下圖是YOLO v5算法基本框架：

由上圖可知，YOLO v5主要由輸入端、Backbone、Neck以及Prediction四部分組成。其中各部分含義分別為：

Backbone：在不同圖像細(xì)粒度上聚合并形成圖像特征的卷積神經(jīng)網(wǎng)絡(luò)。

Neck：一系列混合和組合圖像特征的網(wǎng)絡(luò)層，并將圖像特征傳遞到預(yù)測(cè)層。

Prediction(輸出端)：對(duì)圖像特征進(jìn)行預(yù)測(cè)，生成邊界框和并預(yù)測(cè)類別。

YOLO v5各組成部分包括的基礎(chǔ)組件有：

CBL：由Conv+BN+Leaky_relu激活函數(shù)組成

Res unit：借鑒ResNet網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，用來(lái)構(gòu)建深層網(wǎng)絡(luò)

CSP1_X：借鑒CSPNet網(wǎng)絡(luò)結(jié)構(gòu)，該模塊由CBL模塊、Res unint模塊以及卷積層、Concate組成

CSP2_X：借鑒CSPNet網(wǎng)絡(luò)結(jié)構(gòu)，該模塊由卷積層和X個(gè)Res unint模塊Concate組成而成

Focus：首先將多個(gè)slice結(jié)果Concat起來(lái)，然后將其送入CBL模塊中

SPP：采用1×1、5×5、9×9和13×13的最大池化方式，進(jìn)行多尺度特征融合

YOLO v5各組成部分詳細(xì)介紹

(1) 輸入端

YOLO v5使用Mosaic數(shù)據(jù)增強(qiáng)操作提升模型的訓(xùn)練速度和網(wǎng)絡(luò)的精度；并提出了一種自適應(yīng)錨框計(jì)算與自適應(yīng)圖片縮放方法。

Mosaic數(shù)據(jù)增強(qiáng)

Mosaic數(shù)據(jù)增強(qiáng)利用四張圖片，并且按照隨機(jī)縮放、隨機(jī)裁剪和隨機(jī)排布的方式對(duì)四張圖片進(jìn)行拼接，每一張圖片都有其對(duì)應(yīng)的框，將四張圖片拼接之后就獲得一張新的圖片，同時(shí)也獲得這張圖片對(duì)應(yīng)的框，然后我們將這樣一張新的圖片傳入到神經(jīng)網(wǎng)絡(luò)當(dāng)中去學(xué)習(xí)，相當(dāng)于一下子傳入四張圖片進(jìn)行學(xué)習(xí)了。該方法極大地豐富了檢測(cè)物體的背景，且在標(biāo)準(zhǔn)化BN計(jì)算的時(shí)候一下子計(jì)算四張圖片的數(shù)據(jù)，所以本身對(duì)batch size不是很依賴。

自適應(yīng)錨框計(jì)算

在YOLO系列算法中，針對(duì)不同的數(shù)據(jù)集，都需要設(shè)定特定長(zhǎng)寬的錨點(diǎn)框。在網(wǎng)絡(luò)訓(xùn)練階段，模型在初始階段，模型在初始錨點(diǎn)框的基礎(chǔ)上輸出對(duì)應(yīng)的預(yù)測(cè)框，計(jì)算其與GT框之間的差距，并執(zhí)行反向更新操作，從而更新整個(gè)網(wǎng)絡(luò)的參數(shù)，因此設(shè)定初始錨點(diǎn)框是比較關(guān)鍵的一環(huán)。在YOLO v3和YOLO v4中，訓(xùn)練不同的數(shù)據(jù)集，都是通過(guò)單獨(dú)的程序運(yùn)行來(lái)獲得初始錨點(diǎn)框。而在YOLO v5中將此功能嵌入到代碼中，每次訓(xùn)練時(shí)，根據(jù)數(shù)據(jù)集的名稱自適應(yīng)的計(jì)算出最佳的錨點(diǎn)框，用戶可以根據(jù)自己的需求將功能關(guān)閉或者打開(kāi)，指令為：

自適應(yīng)圖片縮放

在目標(biāo)檢測(cè)算法中，不同的圖片長(zhǎng)寬都不相同，因此常用的方式是將原始圖片統(tǒng)一縮放到一個(gè)標(biāo)準(zhǔn)尺寸，再送入檢測(cè)網(wǎng)絡(luò)中。而原始的縮放方法存在著一些問(wèn)題，由于在實(shí)際的使用中的很多圖片的長(zhǎng)寬比不同，因此縮放填充之后，兩端的黑邊大小都不相同，然而如果填充的過(guò)多，則會(huì)存在大量的信息冗余，從而影響整個(gè)算法的推理速度。為了進(jìn)一步提升YOLO v5的推理速度，該算法提出一種方法能夠自適應(yīng)的添加最少的黑邊到縮放之后的圖片中。具體的實(shí)現(xiàn)步驟如下所述：

① 根據(jù)原始圖片大小以及輸入到網(wǎng)絡(luò)的圖片大小計(jì)算縮放比例

②根據(jù)原始圖片大小與縮放比例計(jì)算縮放后的圖片大小

③計(jì)算黑邊填充數(shù)值

其中，416表示YOLO v5網(wǎng)絡(luò)所要求的圖片寬度，312表示縮放后圖片的寬度。首先執(zhí)行相減操作來(lái)獲得需要填充的黑邊長(zhǎng)度104；然后對(duì)該數(shù)值執(zhí)行取余操作，即104%32=8，使用32是因?yàn)檎麄�(gè)YOLOv5網(wǎng)絡(luò)執(zhí)行了5次下采樣操作。最后對(duì)該數(shù)值除以2，也就是將填充的區(qū)域分散到兩邊。這樣將416*416大小的圖片縮小到416*320大小，因而極大地提升了算法的推理速度。

(2) Backone 網(wǎng)絡(luò)

Focus結(jié)構(gòu)

Focus對(duì)圖片進(jìn)行切片操作，具體操作是在一張圖片中每隔一個(gè)像素拿到一個(gè)值，類似于鄰近下采樣，這樣就拿到了四張圖片，四張圖片互補(bǔ)，長(zhǎng)的差不多，但是沒(méi)有信息丟失，因此將W、H信息就集中到通道空間，輸入通道擴(kuò)充了4倍，即拼接起來(lái)的圖片相對(duì)于原先的RGB三通道模式變成了12個(gè)通道，最后將得到的新圖片再經(jīng)過(guò)卷積操作，最終得到了沒(méi)有信息丟失情況下的二倍下采樣特征圖。如下圖所示，原始輸入圖片大小為608*608*3，經(jīng)過(guò)Slice與Concat操作之后輸出一個(gè)304*304*12的特征映射；接著經(jīng)過(guò)一個(gè)通道個(gè)數(shù)為32的Conv層，輸出一個(gè)304*304*32大小的特征映射。

CSP結(jié)構(gòu)

CSPNet主要是將feature map拆成兩個(gè)部分，一部分進(jìn)行卷積操作，另一部分和上一部分卷積操作的結(jié)果進(jìn)行concate。在分類問(wèn)題中，使用CSPNet可以降低計(jì)算量，但是準(zhǔn)確率提升很小；在目標(biāo)檢測(cè)問(wèn)題中，使用CSPNet作為Backbone帶來(lái)的提升比較大，可以有效增強(qiáng)CNN的學(xué)習(xí)能力，同時(shí)也降低了計(jì)算量。YOLO v5設(shè)計(jì)了兩種CSP結(jié)構(gòu)，CSP1_X結(jié)構(gòu)應(yīng)用于Backbone網(wǎng)絡(luò)中，CSP2_X結(jié)構(gòu)應(yīng)用于Neck網(wǎng)絡(luò)中。

(3) Neck網(wǎng)絡(luò)

在YOLO v4中開(kāi)始使用FPN-PAN。其結(jié)構(gòu)如下圖所示，F(xiàn)PN層自頂向下傳達(dá)強(qiáng)語(yǔ)義特征，而PAN塔自底向上傳達(dá)定位特征。

YOLO v5的Neck仍采用了FPN+PAN結(jié)構(gòu)，但是在它的基礎(chǔ)上做了一些改進(jìn)操作，YOLO v4的Neck結(jié)構(gòu)中，采用的都是普通的卷積操作，而YOLO v5的Neck中，采用CSPNet設(shè)計(jì)的CSP2結(jié)構(gòu)，從而加強(qiáng)了網(wǎng)絡(luò)特征融合能力。

(4) 輸出端

YOLO v5采用CIOU_LOSS 作為bounding box 的損失函數(shù)，分類分支采用的loss是BCE，conf分支也是BCE。

YOLO v5中最有亮點(diǎn)的改變是對(duì)正樣本的定義。在YOLO v3中，其正樣本區(qū)域也就是anchor匹配策略非常粗暴：保證每個(gè)gt bbox一定有一個(gè)唯一的anchor進(jìn)行對(duì)應(yīng)，匹配規(guī)則就是IOU最大，并且某個(gè)gt一定不可能在三個(gè)預(yù)測(cè)層的某幾層上同時(shí)進(jìn)行匹配。然而，我們從FCOS等論文中了解到，增加高質(zhì)量的正樣本anchor能夠加速模型收斂并提高召回。因此，YOLO v5對(duì)此做出了改進(jìn)，提出匹配規(guī)則：

采用shape匹配規(guī)則，分別將ground truth的寬高與anchor的寬高求比值，如果寬高比例小于設(shè)定閾值，則說(shuō)明該GT和anchor匹配，將該anchor認(rèn)定為正樣本。否則，該anchor被濾掉，不參與bbox與分類計(jì)算。

將GT的中心最鄰近網(wǎng)格也作為正樣本anchor的參考點(diǎn)。因此，bbox的xy回歸分支的取值范圍不再是0-1，而是-0.5-1.5(0.5是網(wǎng)格中心偏移)，因?yàn)榭缇W(wǎng)格預(yù)測(cè)了

YOLO v5算法目前根據(jù)網(wǎng)絡(luò)大小分為5n、5s、5m、5l、5x，具體參數(shù)量大小、單幀、檢測(cè)速度和mAP如下圖所示。

3 訓(xùn)練模型

3.1 數(shù)據(jù)集選擇

我們選擇公開(kāi)鋼筋計(jì)數(shù)數(shù)據(jù)集進(jìn)行模型訓(xùn)練，可以從以下網(wǎng)址中獲取數(shù)據(jù)集進(jìn)行測(cè)試。

在上述數(shù)據(jù)集中，鋼筋數(shù)據(jù)來(lái)自現(xiàn)場(chǎng)手機(jī)采集。鋼筋車輛進(jìn)庫(kù)時(shí)，使用手機(jī)拍攝成捆鋼筋的截面（一般保證較小傾角，盡量垂直于鋼筋截面拍攝）。數(shù)據(jù)會(huì)包含直徑從12mm-32mm等不同規(guī)格的鋼筋圖片。數(shù)據(jù)集中用于訓(xùn)練的圖像集合共250張，用于測(cè)試的圖像集合共200張。

由于選擇的數(shù)據(jù)集規(guī)模較小且僅有一類檢測(cè)目標(biāo)（鋼筋），為降低模型訓(xùn)練難度，防止模型出現(xiàn)過(guò)擬合，所以算法模型選擇較小的yolov5s模型。如果選擇不同的數(shù)據(jù)集，也可根據(jù)所選數(shù)據(jù)集的實(shí)際情況來(lái)選擇算法模型。

3.2 模型訓(xùn)練

首先在以下網(wǎng)址獲取YOLO v5算法的源碼：

其中所包含的項(xiàng)目文件有：

data：主要是存放一些超參數(shù)的配置文件以及官方提供測(cè)試的圖片。

models：里面主要是一些網(wǎng)絡(luò)構(gòu)建的配置文件和函數(shù)，其中包含了該項(xiàng)目的五個(gè)不同的版本，分別為是5n、5s、5m、5l、5x。

utils：存放的是工具類的函數(shù)，里面有l(wèi)oss函數(shù)，metrics函數(shù)，plots函數(shù)等等。

weights：放置訓(xùn)練好的權(quán)重參數(shù)。

detect.py：利用訓(xùn)練好的權(quán)重參數(shù)進(jìn)行目標(biāo)檢測(cè)，可以進(jìn)行圖像、視頻和攝像頭的檢測(cè)。

train.py：訓(xùn)練自己的數(shù)據(jù)集的函數(shù)。

test.py：測(cè)試訓(xùn)練的結(jié)果的函數(shù)。

requirements.txt：yolov5項(xiàng)目的環(huán)境依賴包

YOLO v5各組成部分詳細(xì)介紹

接下來(lái)就要進(jìn)行模型訓(xùn)練的具體操作，訓(xùn)練主要包括環(huán)境搭建、數(shù)據(jù)集準(zhǔn)備及修改數(shù)據(jù)集配置、修改模型配置參數(shù)、下載預(yù)訓(xùn)練模型、開(kāi)始訓(xùn)練以及模型測(cè)試這幾個(gè)步驟。接下來(lái)依次對(duì)上述步驟展開(kāi)介紹。

(1) 環(huán)境搭建

我們需要?jiǎng)?chuàng)建一個(gè)虛擬環(huán)境，打開(kāi)conda powershell prompt創(chuàng)建一個(gè)用于訓(xùn)練的虛擬環(huán)境：

conda create -n yolov5 python==3.8

然后激活虛擬環(huán)境安裝所需模塊（注意安裝之前需要切換工作路徑至yolov5文件夾）

python -m pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host=pypi.douban.com/simple

如果沒(méi)有安裝cuda默認(rèn)安裝pytorch-cpu版，如果有g(shù)pu可以安裝pytorch-gpu版。

(2) 數(shù)據(jù)集準(zhǔn)備及修改數(shù)據(jù)集配置

首先將下載好的數(shù)據(jù)集分類并按如下方式存儲(chǔ)：

然后對(duì)數(shù)據(jù)集配置進(jìn)行修改，修改data目錄下的相應(yīng)的yaml文件。找到目錄下的coco.yaml文件，將該文件復(fù)制一份，將復(fù)制的文件重命名。

打開(kāi)這個(gè)文件夾修改其中的參數(shù)，修改結(jié)果如下圖所示：

其中第一個(gè)框的位置填寫(xiě)訓(xùn)練集測(cè)試集和驗(yàn)證集的目錄地址，第二個(gè)框的位置填寫(xiě)檢測(cè)目標(biāo)類別數(shù)，第三個(gè)框填寫(xiě)待檢測(cè)類別。

(3) 修改模型配置參數(shù)

由于我們最后選擇yolov5s這個(gè)模型訓(xùn)練，并且使用官方y(tǒng)olov5s.pt預(yù)訓(xùn)練權(quán)重參數(shù)進(jìn)行訓(xùn)練，所以需要修改模型配置文件。和上述修改data目錄下的yaml文件一樣，最好將yolov5s.yaml文件復(fù)制一份，然后將其重命名。

然后對(duì)重命名文件進(jìn)行修改，修改第一行檢測(cè)目標(biāo)類別數(shù)。

(4) 下載預(yù)訓(xùn)練模型

我們需要在官網(wǎng)下載所需預(yù)訓(xùn)練模型，即在預(yù)訓(xùn)練模型地址中選擇所需要的模型下載即可，這里我們選擇下載yolov5s.pt。

模型下載完成后，將模型文件xx.pt復(fù)制到y(tǒng)olov5文件夾下。

(5) 開(kāi)始訓(xùn)練

在Yolov5文件夾下打開(kāi)終端輸入以下命令：

Python train.py --weights yolov5s.pt --data data/gangjin.yaml --workers 1 --batch-size 8

至此，模型訓(xùn)練正式開(kāi)始。

(6) 模型測(cè)試

在模型訓(xùn)練完成后，將runs/exp/weights下的模型（best.pt）復(fù)制到y(tǒng)olov5文件夾下。

然后開(kāi)始進(jìn)行模型測(cè)試：

python detect.py --weights best.pt --source ../datasets/gangjin/images/val --save-txt

其中，--weights best.pt是訓(xùn)練好的模型路徑,--source:是測(cè)試的數(shù)據(jù)路徑。測(cè)試結(jié)果保存在runs/detect/exp文件夾下。

4 測(cè)試結(jié)果及問(wèn)題分析

4.1 測(cè)試結(jié)果

本算法的輸入為較為清晰的成捆鋼筋圖片，例如輸入以下圖片：

算法的輸出結(jié)果為result.txt文件與預(yù)測(cè)結(jié)果圖，其中result.txt文件中會(huì)顯示圖片中每個(gè)檢測(cè)框的位置、類別及置信度，并給出檢測(cè)框的總個(gè)數(shù)，從而實(shí)現(xiàn)了鋼筋自動(dòng)計(jì)數(shù)。預(yù)測(cè)結(jié)果圖如下：

從以上測(cè)試結(jié)果可以看出，YOLO v5算法對(duì)于該場(chǎng)景中的鋼筋計(jì)數(shù)具有很好的準(zhǔn)確性，并且有較大的置信度。

對(duì)更多的圖片場(chǎng)景進(jìn)行鋼筋計(jì)數(shù)，并將輸入的實(shí)際位置與識(shí)別出的效果圖進(jìn)行對(duì)比，觀察YOLO v5算法對(duì)于該場(chǎng)景的計(jì)數(shù)效果。

上圖中，左圖為輸入成捆鋼筋，右圖為數(shù)識(shí)別出的效果圖，方框上數(shù)字為置信度。從以上測(cè)試結(jié)果可以看出，YOLO v5算法對(duì)于該場(chǎng)景中的鋼筋計(jì)數(shù)同樣具有很好的準(zhǔn)確性以及較大的置信度。

4.2 問(wèn)題分析

當(dāng)然YOLO v5算法并非十全十美，它在鋼筋檢測(cè)中也存在一定的問(wèn)題：

算法存在誤判，將其他物體誤判為鋼筋頭：

重復(fù)檢測(cè)，一個(gè)鋼筋頭被多個(gè)檢測(cè)框標(biāo)注：

5 總結(jié)

以上就是對(duì)于數(shù)鋼筋問(wèn)題的介紹，主要從問(wèn)題背景、算法介紹和訓(xùn)練模型三部分展開(kāi)。首先簡(jiǎn)述了數(shù)鋼筋問(wèn)題的基本背景，然后介紹了目標(biāo)檢測(cè)算法的算法流程和選取的YOLO v5算法的基本知識(shí)，最后介紹了模型訓(xùn)練步驟，并選取一定的數(shù)據(jù)集，采用YOLO v5算法對(duì)輸入的圖像進(jìn)行目標(biāo)檢測(cè)及計(jì)數(shù)。