devbox
喵喵爱编程
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

实践航拍小目标检测，基于轻量级YOLOv8n开发构建无人机航拍场景下的小目标检测识别分析系统_无人机小目标检测

作者：喵喵爱编程 | 2024-07-31 20:18:43

赞

踩

无人机小目标检测

关于无人机相关的场景在我们之前的博文也有一些比较早期的实践，感兴趣的话可以自行移步阅读即可：

《deepLabV3Plus实现无人机航拍目标分割识别系统》

《基于目标检测的无人机航拍场景下小目标检测实践》

《助力环保河道水质监测，基于yolov5全系列模型【n/s/m/l/x】开发构建不同参数量级的无人机航拍河道污染漂浮物船只目标检测识别系统，集成GradCAM对模型检测识别能力进行分析》

《基于YOLO开发构建红外场景下无人机航拍车辆实例分割检测识别分析系统》

《基于轻量级YOLO模型开发构建大疆无人机检测系统》

《基于轻量级YOLOv5n/s/m三款模型开发构建基于无人机视角的高空红外目标检测识别分析系统，对比测试分析性能》

《基于目标检测实现遥感场景下的车辆检测计数》

《共建共创共享》

《助力森林火情烟雾检测预警，基于YOLOv5全系列模型[n/s/m/l/x]开发构建无人机航拍场景下的森林火情检测识别系统》

《UAV 无人机检测实践分析》

《助力森林火情预警检测，基于YOLOv7-tiny、YOLOv7和YOLOv7x开发构建无人机航拍场景下的森林火情检测是别预警系统》

 《无人机助力电力设备螺母缺销智能检测识别，python基于YOLOv5开发构建电力设备螺母缺销小目标检测识别系统》

《无人机助力电力设备螺母缺销智能检测识别，python基于YOLOv7开发构建电力设备螺母缺销小目标检测识别系统》

随着科技社会的发展，无人机在越来越多领域中扮演者越来越重要的作用，基于无人机航拍的质检是一个很有潜力的发展方向，一方面代替传统纯人工的方式可以降低人工成本，另一方面可以在危险场合下降低人员受伤的风险，可谓是一举两得。

本文的主要想法是想要基于最新的YOLOv8系列中最为轻量级的n系列的模型来开发构建无人机航拍场景下的小目标检测识别系统，首先看下实例效果：

简单看下实例数据集：

如果对YOLOv8开发构建自己的目标检测项目有疑问的可以看下面的文章，如下所示：

《基于YOLOv8开发构建目标检测模型超详细教程【以焊缝质量检测数据场景为例》

非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。

非常详细的开发实践教程。本文这里就不再展开了，因为从YOLOv8开始变成了一个安装包的形式，整体跟v5和v7的使用差异还是比较大的。

YOLOv8核心特性和改动如下：
1、提供了一个全新的SOTA模型（state-of-the-art model），包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于YOLACT的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求
2、骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是一套参数应用所有模型，大幅提升了模型性能。
3、Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从Anchor-Based 换成了 Anchor-Free
4、Loss 计算方面采用了TaskAlignedAssigner正样本分配策略，并引入了Distribution Focal Loss
5、训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作，可以有效地提升精度

YOLOv8官方项目地址在这里，如下所示：

目前已经收获超过1.7w的star量了。官方提供的预训练模型如下所示：

Modelsize
(pixels)		mAPval
50-95		Speed
CPU ONNX
(ms)		Speed
A100 TensorRT
(ms)		params
(M)		FLOPs
(B)
YOLOv8n64037.380.40.993.28.7
YOLOv8s64044.9128.41.2011.228.6
YOLOv8m64050.2234.71.8325.978.9
YOLOv8l64052.9375.22.3943.7165.2
YOLOv8x64053.9479.13.5368.2257.8

另外一套预训练模型权重地址如下：

Modelsize
(pixels)		mAPval
50-95		Speed
CPU ONNX
(ms)		Speed
A100 TensorRT
(ms)		params
(M)		FLOPs
(B)
YOLOv8n64018.4142.41.213.510.5
YOLOv8s64027.7183.11.4011.429.7
YOLOv8m64033.6408.52.2626.280.6
YOLOv8l64034.9596.92.4344.1167.4
YOLOv8x64036.3860.63.5668.7260.6

是基于Open Image V7数据集构建的，可以根据自己的需求进行选择使用即可。

YOLOv8的定位不仅仅是目标检测，而是性能强大全面的工具库，故而在任务类型上同时支持：姿态估计、检测、分类、分割、跟踪多种类型，可以根据自己的需要进行选择使用，这里就不再详细展开了。

简单的实例实现如下所示：

  1. from ultralytics import YOLO
  2.  
  3. # yolov8n
  4. model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights
  5. model.train(data='data/self.yaml', epochs=100, imgsz=640)
  6.  
  7.  
  8. # yolov8s
  9. model = YOLO('yolov8s.yaml').load('yolov8s.pt')  # build from YAML and transfer weights
  10. model.train(data='data/self.yaml', epochs=100, imgsz=640)
  11.  
  12.  
  13. # yolov8m
  14. model = YOLO('yolov8m.yaml').load('yolov8m.pt')  # build from YAML and transfer weights
  15. model.train(data='data/self.yaml', epochs=100, imgsz=640)
  16.  
  17.  
  18. # yolov8l
  19. model = YOLO('yolov8l.yaml').load('yolov8l.pt')  # build from YAML and transfer weights
  20. model.train(data='data/self.yaml', epochs=100, imgsz=640)
  21.  
  22.  
  23. # yolov8x
  24. model = YOLO('yolov8x.yaml').load('yolov8x.pt')  # build from YAML and transfer weights
  25. model.train(data='data/self.yaml', epochs=100, imgsz=640)

这里给出yolov8n的模型文件如下：

  1. # Ultralytics YOLO 
    声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/喵喵爱编程/article/detail/910537
    推荐阅读
    相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。