yolov3/yolov4/yolov5/yolov6/yolov7/lite/fastdet/efficientdet各系列模型开发、项目交付、组合改造创新之—MSTAR遥感目标对象检测系统设计开发

目前单阶段目标检测模型依旧是主流技术，yolo系列一直是但阶段目标检测领域的翘楚，迭代更新至今，已经从yolov3、yolov4、yolov5更新到了如今的yolov6和yolov7，相信随着新技术的不断涌现，一定还有更快更准更强的检测模型面世，yolo全系列的模型都有很高的学习研究和应用实践价值，对于每一个想要入门目标检测领域的人来讲都是必不可少的一堂课。
当然了出来yolo以外还有很多其他的检测模型，比如：lite、fastestdet、effcientdet、fasterrcnn、maskrcnn、fcos等等，都是不错的检测模型，都有学习借鉴的价值，可以根据自身的具体的也无需求进行技术选型即可，当然了如果有项目开发的需求也都是可以的，深耕CV领域数十载，自建海量的数据资源库，积累了大量的项目经验。
文本主要是简单讲解MSTAR遥感目标对象检测这一目标检测任务。

数据样例如下：

 YOLO格式标注文件如下所示：

 该项目模型是基于yolov5n这一轻量级模型开发的，训练配置文件如下：

 模型配置文件如下：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 10 # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

在以往绝大多数的博文中MSTAR数据集都是用在做图像识别的，其实经过数据合成处理之后，这样的光学遥感图像也可以拿来做目标检测任务，在这个数据场景里面，目标检测任务要更难一些，毕竟原始的场景是比较复杂的。

训练过程日志输出如下：

 默认训练100个epoch，训练完成后，结果数据如下所示：

 了解该数据集朋友应该都清楚，MSTAR数据集一共包含10个不同的目标对象，这里从标签可视化结果上面可以看到：不同类别的数据量还是比较均衡的：

 训练过程中指标评估结果如下：

 F1值曲线：

 PR曲线：

 batch检测样例结果如下所示：

 混淆矩阵：

 启动界面如下：

 上传图像：

 检测识别：

 欢迎交流。