Scene analysis using Tensorflow & YOLO algorithms on Raspberry pi 4

Abstract: Objektdetektion är en av de viktigaste mjukvarukomponenterna i nästa generation trafikövervakning. Deep learnings-algoritmer för objektdetektion, exempelvis YOLO (You Only Look Once), är snabba och noggranna algoritmer i realtid. Realtidsdetektion och igenkänning av objekt är viktiga uppgifter för bildbehandling.  I denna studie presenteras ett inbäddat system för detektion och igenkänning av objekt i normal videohastighet (realtid). Indata är följaktligen en videoström som härstammar från en trafikmiljö i Halmstad. Hårdvaran  är Raspberry pi 4 i vilken programvarupaketen Tensorflow, YOLO  samt  träningskonceptet ”Transfer learning” har implementerats. Resultaten presenteras i form av kvantifiering av realtidskörning på FPS (frames per second), detektion  noggrannhet, CPU-temperatur och CPU-frekvens i olika experiment. En slutsats är att Raspberry pi 4 kan utföra objektklassificering och detektion med hög noggrannhet i en del scenarier för trafikövervakning med YOLO-algoritmer. Ett scenario för att klassificera objekt med långsam hastighet till exempel gående, skulle det vara genomförbar med att klassificera och detektera med en högnoggrannhet. För objekt med höghastighet som bilar och cyklister så har Raspberry pi 4 svårt att detektera och klassificera objekter.