# TrafficSignDetection

**Repository Path**: ai_wei_zhi_tu/TrafficSignDetection

## Basic Information

- **Project Name**: TrafficSignDetection
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-04-29
- **Last Updated**: 2025-04-29

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于 AIWay Edge 开源硬件实现交通路标检测

## 1 模型下载

### 1.1 下载预训练模型

```bash
cd /path/to/TrafficSignDetection
wget https://gitee.com/ai_wei_zhi_tu/TrafficSignDetection/releases/download/v0.0.0/best_model.zip
unzip best_model.zip
```

### 1.2 自行训练模型

在代码仓库中我们已经提交了我们训练好的模型，如果你需要自行训练模型，请前往 [百度飞桨星河社区《基于 AIWay Edge 开源硬件实现交通路标检测》](https://aistudio.baidu.com/project/edit/9077903) 按照流程执行训练并将 **best_model.zip** 压缩包下载到本地。然后执行以下代码:

```bash
cd /path/to/TrafficSignDetection
unzip best_model.zip
```


## 2 模型部署

```python
# 导入必要的库
import swift_deploy  # 用于模型部署和推理的自定义库
import cv2  # OpenCV库，用于图像处理

# 主程序入口
if __name__ == "__main__":
    # 初始化目标检测模型（支持两种后端）
    # 如果使用 NCNN 后端（当前被注释）
    det_model = swift_deploy.PaddleDet(
        "./best_model/best_model.ncnn.bin", "./best_model/best_model.ncnn.param"
    )

    # 当前使用的 RKNN 后端（瑞芯微芯片专用格式）
    # det_model = swift_deploy.PaddleDet("./best_model/best_model.rknn")

    # 初始化模型（必须在使用前调用）
    bgr2rgb = True  # 用 OpenCV 读取图像的时候，需要将 BGR 转换为 RGB; 如果使用 FFMPEG 读取，则 bgr2rgb = False 
    det_model.set_resize(416, 416, bgr2rgb)  # For picodet_shufflenetv2_1x_416_coco
    det_model.initialize()

    # 待测试的图片路径列表
    image_path_list = [
        "./images/road0.png",  # 测试图0
        "./images/road10.png",  # 测试图1
        "./images/road1.png",  # 测试图2
        "./images/road100.png",  # 测试图3
    ]
    label_list = ["speedlimit", "crosswalk", "trafficlight", "stop"]

    # 遍历所有测试图片
    for image_path in image_path_list:
        # 使用OpenCV读取图片
        image = cv2.imread(image_path)

        if image is None:
            print(f"Failed to read {image_path}")
            continue

        # 使用模型进行预测
        results = det_model.predict(image)

        # 打印预测结果（格式：图片路径: 预测标签, 置信度分数）
        for result in results:
            print(f"{image_path}: {result.box} {label_list[result.label_id]}, {result.score}")
        
        out_image = swift_deploy.visualize_detection(image, results)
        cv2.imwrite(f"result_image.png", out_image)
```

## 3 代码运行结果

```text
[INFO] SwiftDeploy Version: 0.1.5
./images/road10.png: [132 x 234 from (107, 22)] trafficlight, 0.50830078125
./images/road1.png: [129 x 239 from (138, 57)] trafficlight, 0.6689453125
./images/road100.png: [293 x 315 from (42, 16)] speedlimit, 0.69921875
./images/road100.png: [124 x 138 from (204, 92)] speedlimit, 0.55810546875
```