该存储库为识别指针式仪表，见下图

输出结果为归一化后的指针与刻度之间的相对位置。

理论上可已处理多指针多表盘的针表，只需要将不同的指针与刻度分配至不同的通道中即可。

所有代码和模型都在积极开发中，如有更改或删除，恕不另行通知。使用风险自负。

讲解

• 语义分割模型，在不同通道上分割出表盘和指针
• 环形的表盘展开为矩形图像
• 二维图像转换为一维数组
• 对刻度数组用均值滤波
• 定位指针相对刻度的位置
• 输出相对位置

语义分割模型采用的是U2Net

要求

安装了所有依赖项的Python 3.8或更高版本，包括torch>=1.7。要安装运行：

环境环境

Meter可以在以下任何经过验证的最新环境中运行（已预安装所有依赖项，包括CUDA / CUDNN，Python和PyTorch）：

• 带有免费GPU的Google Colab和Kaggle笔记本：
• Google Cloud深度学习VM。请参阅GCP快速入门指南
• Amazon深度学习AMI。请参阅AWS快速入门指南
• Docker映像。请参阅《Docker快速入门指南》

训练

运行以下命令以在Data文件夹下的数据集上重现结果。在一台GTX2080TI上。使用--batch-size为您的GPU允许的最大容量（为11 GB设备显示的批量大小）。

$ python train.py

推理

运行read_meter.py可以计算data/文件下的val图片，输出的指针数值为归一化后的数值。

权重

链接: https://pan.baidu.com/s/1wTPo1wJXrNyEFSu8RrD8Xw 密码: t0p4

将文件放置于weight下