W celu uruchomienia detekcji konieczne jest rozpakowanie archiwum "wagi" i umieszczenie znajdującego się w nim pliku z rozszerzeniem .weights w głównym katalogu

Rozpoznawanie znaków drogowych w czasie rzeczywistym na Rasbperry Pi z obrazu kamery internetowej

Przy projekcie wykorzystano:

• Raspberry Pi 4 Model B (4GB RAM)
• Kamera internetowa Logitech C920
• Tensorflow 2 + Keras API
• Google Colaboratory (do trenowania modeli)
• Darknet (DNN framework w C oraz CUDA)

• CNN.ipynb - notatnik zawierający trenowanie klasyfikatora CNN
• YOLOv4.ipynb - notatnik zawierający trenowanie sieci YOLOv4
• Detect.ipynb - notatnik służący do detekcji znaków drogowych
• webcam.py - skrypt umożliwiający detekcję oraz informujący głosowo o wykrytych znakach
• labels.csv - plik zawierający ID oraz odpowiadające im nazwy klas
• Folder "Test Dataset" - zawiera zdjęcia wykorzystane do oceny skuteczności
• Folder "Test Dataset after detection" - zawiera zdjęcia po uruchomieniu na nich detekcji

Pliki CNN.ipynb oraz YOLOv4.ipynb przeznaczone są do wgrania do platformy Google Colaboratory.

Pliki Detect.ipynb oraz webcam.py przeznaczone są do lokalnego uruchomienia na Raspberry Pi, jednak notatnik Detect.ipynb może być bezproblemowo uruchomiony również w środowisku Google Colaboratory. W tym celu oprócz wgrania go do Google Colaboratory, wymagane jest dodanie i uruchomienie na początku notatnika następujących dwóch instrukcji:

!git clone https://github.com/nexif/Road-Signs-Recognition.git darknet_for_colab
%cd darknet_for_colab