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。