基于YOLOv5的离岸流（RipCurrent ）识别

项目来源：
https://arxiv.org/abs/2102.02902
需求：

1. 实现基本的海岸图片离岸流识别 。
2. 在图片识别的基础上，做到海岸视频的检测识别。
3. 识别速度一定要快，后期可能会应用到监控摄像头，做到实时识别。

   模型

   论文使用模型为FasterRCNN，基于前期船舶识别和人流检测项目的知识积累，FasterRCNN这种两段式的模型肯定无法在速度上达到需求。第一步生成候选框就要耗费非常长的时间。
   所以这项工作，直接选择YOLO模型构建。

   数据

   这篇论文提供了图片，但是他的标注格式不能够被YOLO模型识别，所以人工对其重新打了标签（大约1800张）。
   
   打好标签的数据集缩略图：
   

   训练

   使用Pytorch构建YOLOv5模型，对数据集进行训练，考虑到数据集的好坏情况，观察到1100张往后的数据图片场景比较杂乱，这里只用了1100张图片进行训练和测试。
   
   从TensorBoard来看，训练了将近800次，P和R已接近平稳，R有下降的趋势，所以停止训练。但是从纵坐标来看P并不高，最高可能也就70%左右。
   奇怪的是论文并没有这些目标检测常用指标的验证，这样就没有直接对比了。
   不过按经验来说,FasterRCNN的精准度要高于YOLO，但是其速度实在太慢了，不利于工业应用。

   结果

   检测结果：
   图片结果，图中数字代表置信度。
   
   视频结果：

视频检测非常快，每帧检测时间在0.009s-0.01s之间。

web应用

最后构建出了供用户直接访问的浏览器接口，能够实现上传图片实时监测。

上传图片，在五秒内基本能出结果。主要时间都耗费在了加载模型，调起GPU设备的过程中，真正检测的时间很短很短。