2.0--变化如下： 每个模型都要采用TRT模型 2023.1.17 1.增加检测模型(countryRoad)--乡间道路检测---类别包括：违法种植 2.增加钓鱼游泳模型(AnglerSwimmer)--类别包括：钓鱼、游泳 3.更新车辆检测模型--增加网络公开卡口数据 4.更新高速路里的公路检测分割模型--增加乡间小路的数据 2023.1.29 1.增加模型对4080的TRT兼容 2023.1.31 1.增加forest2业务，单独模型，类别包括：”林斑”,“病死树”,“人”,“火焰”,“烟雾” 2023.1.20 1.高速公路模型，增加车辆、行人检测。命名highWay2,只检测路上的目标，非路上的目标排除 2023.3.07 1.把所有模型都增A10显卡版本一份 2023.4.02 1.增加高速事故的检测

2023.4.11 1.增加OCR en模型 2.修改把事故检测V2添加到highWay2

2023.4.22-23 1.更新事故检测模型，修复BUG。事故不能单独检测，一定要和车辆一起检测。 2.增加倾斜船只检测模型，ship2。 3.开放分割结果的轮廓画框接口。用户决定是否画道路、水轮廓。line169:‘segLineShow’:True,来控制。

2023.5.5 1.增加“chanelEmerency”河道落水人员检测 2.增加OCR2模型，换了新的CRNN识别模型。 2023.6.9 1.更新张建川新的河道分割模型，放在业务“river2” 2023.7.3 1.添加城管项目，纯检测“车辆”、“垃圾”,业务名称”cityMangement”

2023.7.10 1.demo.py中添加drowing，落水人员检测。 2.demo.py中添加noParking 1.0版本，不成熟，后面还要更新。 3.demo3.0.py中对’river’, ‘highWay2’,‘noParking’,‘drowning’,‘forest2’,‘vehicle’,‘pedestrian’,‘smogfire’ , ‘AnglerSwimmer’,‘channelEmergency’, ‘countryRoad’,‘cityMangement’，增加跟踪功能。

2023.7.17 1.demo.py,demo3.0.py 的cityMangement模型增加“流动商贩”类别，修改后的模型检测类别是：“车辆”、“垃圾”、“流动商贩”

2023.7.28 1.demo.py 增加了illParking，城市违停车辆检测，检测模型输入三类(车、T角点，L角点),后处理变成“违停”.综合起来，在检测模型中有四类输出（车、T角点，L角点，违停 ）

        但是最终输出只有“违停”,类别好"3",其它车辆等不会输出。

2023.08.07 1.调整输出DSP的数据格式，demo.py和demo3.0.py都变。 矩形框(cls,x0,y0,x1,y1,score)-->(x0,y0,x1,y1,score,cls),倾斜框变为 [ (x0,y0),(x1,y1),(x2,y2),(x3,y3),score,cls] 2.完成切斜目标的跟踪。

2023.08.09 1.更新highWay2代码，修改输入参数，增加vehicleFlag，distanceFlag ，二者都为False时检测和分割混合的后处理最快。

    实测2.png,检测和分割混合预处理时间如下：
    vehicleFlag  distanceFlag     time(ms)
    True        True               2.55
    True        False              2.09
    False       True               1.56
    False       False              1.09

2.更新了Noparking(高速路车辆检测，0-常规车辆，1-应急车道上的车),规范了代码编写。 2023.08.14 1.修复highway2 vehicleFlag，distanceFlag 都为false时的bug 2023.08.20 1.增加cityMangement2 模型，包括了替代原来的的cityMangement和illParking，实现“车辆”、“垃圾”、“流动商贩”、“违停”,四个类别。 2.修改架构，segmodel由原来的demo中加载，改为在demo加载segmodel类，实现trt，pth统一加载，用segmodel.eval()实现统一预测。

该类别不仅适用于分类，还适用于dmpr模型，方便后续适用其它类别模型。

2023.08.22 1.增加cityRoad模型，单一检测模型，”护栏”,“交通标志”,“非交通标志”,“锥桶”,“水马”，其中”施工“第4，第5类别合并都叫”锥桶”,“水马”，名称相同. 2.对cityMangement2中yolo和dmpr融合处理debug。 2023.08.23 1.优化highWay2.0中yolo和stdc融合处理，使得分割模型输入的(640,360)-->(1920,1080)时候，时间增长不明显约为4.0ms

同时优化stdc的预处理部分改为torch处理，取代原来的numpy处理,现在两种尺寸的时间如下：
              分割预处理    推理     分割检测融合处理     
640-360       2.0           1.9        1.29              
1920-1080     6.5            2.6       0.86      

2023.08.29 1.更新drowning中的分割模型。 2.highWay2中添加了1920X1080的分割trt模型 2023.09.07 1.更新了cityRoad的检测模型 2023.09.15 1.demo3.0.py中增加了illparking的跟踪模型。这个模型不怎么用，只检测“违停”，和cityManget2里的功能重叠。 2.cityMangement2中违停dmpr模型更新，换成了backbone为yolov5s的模型，且检测yolov5模型权重也更新了。 2023.09.21 1.增加分类别置信度过滤参数。分成两次过滤，第一采用原来的conf_threshold 对所有类别过滤。第二次采用score_byClass分类别过滤。

score_byClass={‘0’:0.1,'0':0.2}，是字典形式，“类别”:得分阈值

2023.10.16 1.更新cityRoad的模型权重
2023.10.20 1.增加crowdCounting模型，统计图片中的人群数量，返回的是人群的坐标。 2.增进trtUtils2 ，里面包括了动态onnx，trt模型推理使用方法。 2023.11.06 1.增加cityMangement3，和cityMangement2一样的检测目标。但用了三个模型。 2.所有的demo3.0.py采用模型列表的方式输入参数 3.从cityMangement3 没有更新A100的trt文件和权重,因为云端A100服务器不存在了 2023.11.17 1.修改stdc网络，增加了pth模式下，动态输入模型。Trt等其他方式不支持动态。 2.增加crackMeasure模型，返回值ret,timeInfos,其中ret为：[[ x0,y0,x1,y1,score,class,裂缝长度,平均宽度,最大宽度,最小宽度],[…],[…]。 3.Debug 跟踪模型中一条跟踪链上，历史框上有不同的类别, 修正为同一类别

2023.11.27 1.更新cityMangement3中的dmpr,stdc模型权重 2023.11.30 1.更新highWay2的yolov5权重，增加了类别“影子”,原来的事故调到最后一个。现在的顺序是：”行人”,“车辆”,“裂缝”,“裂缝”,“修补”,“裂缝”,“坑槽”,“裂缝”,“积水”，“影子”,“事故” 2023.12.02 1.更新更新cityMangement3中的dmpr,yolov5模型权重 2.DMPR模型阈值改为0.1d(mpr_thresh) 2023.12.13 1.添加单独的“坑槽”业务，名称”pothole”，只有一个检测模型， 2023.12.27 1.增加ocr2里面的中文单独的识别模型。 2.调整crackMeasure模型中增加两个参数。 3.增加channel2业务，采用检测模型识别”国旗”,“浮标”,“船名”,“船只”，并对”船名”调用ocr2。

除返回格式和过去一样，"船名"对应目标的list末尾加上了ocr结果(原始是[x0,y0,x1,y1,score,cls]--->[x0,y0,x1,y1,score,cls,ocr)

2024.1.26 1.增加“riverT”业务，和“river2”所有参数都相同，出去yolov5.pt是定制的。 2024.2.27 1.临时修改smogfire，改变了labelnames.json,及模型权重文件pt，trt文件。i 2024.03.14 1.channel2业务增加“未悬挂国旗船只类别”，序号为4，意为：检测到船只，但没有悬挂国旗。同时该船只不再被标为“船只”，其实现过程是通过channel2postUtils.py实现。 2.channel2在demo.py的样例里，增加了参数，注意对应修改。 3.channel2的检测权重也更新了。 2024.06.04 1.修改了城管模型“cityMangement3”中的yolov5检测模型，增加了对摊贩的识别 2024.06.25 1.修改了forest2模型的yolov5权重，增加了类别“人群”，现在的类别是 “林斑”, “病死树”, “行人”, “火焰”, “烟雾”,“人群” 2.在yolov5模型中增加了“云朵”类别，减少”烟雾“的误识别，但”云朵“并未输出，在后处理的时候就已经过滤了。 3.增加了后处理函数，在“行人”的基础上，判断他们之间的距离，群定是否是人群。主要有两个参数：

'crowdThreshold':判断是否是人群时人的数量，'distancePersonScale':人与人之间的距离/人的身高