基于yolov5 无人机检测包含：数据集➕训练好的代码模型训练了300轮 效果看下图 map97%以上

基于yolov5 无人机检测包含：数据集➕训练好的代码模型训练了300轮 效果看下图 map97%以上

基于YOLOv5的无人机检测项目

项目名称

基于YOLOv5的无人机检测 (Drone Detection with YOLOv5)

项目概述

该项目使用YOLOv5模型进行无人机目标检测。数据集包含大量带有标注的无人机图像，经过300轮训练后，模型在验证集上的mAP达到了97%以上。

数据集

• 图像数量：具体数量未明确给出，但通常包含数千张图像。
• 类别：单一类别——无人机 (drone)。
• 标注格式：支持YOLO适用的txt格式和VOC适用的xml格式。
• 图像特点：
  • 多样化的背景和环境条件。
  • 不同角度、距离和光照条件下的无人机图像。
  • 高分辨率图像，有助于识别细小的目标特征。

项目结构

drone_detection_yolov5/
├── data/
│   ├── images/
│   │   ├── train/
│   │   ├── val/
│   │   └── test/
│   ├── labels/
│   │   ├── train/
│   │   ├── val/
│   │   └── test/
│   └── data.yaml
├── models/
│   └── yolov5s.pt
├── utils/
│   ├── datasets.py
│   ├── general.py
│   ├── plots.py
│   └── torch_utils.py
├── train.py
├── detect.py
├── requirements.txt
└── README.md

数据集介绍

• 数据集目录：

  • data/images/：包含训练、验证和测试图像。
  • data/labels/：包含相应的标注文件（txt或xml格式）。

• 数据配置文件 (data/data.yaml)：

  train: path_to_your_train_images
  val: path_to_your_val_images
  test: path_to_your_test_images
  nc: 1
  names: ['drone']

训练代码

• 依赖库安装：

  pip install -r requirements.txt

  requirements.txt 文件内容示例：

  torch==1.10.0
  torchvision==0.11.1
  pandas==1.3.4
  cv2
  albumentations==1.1.0
  pycocotools

• 训练脚本 (train.py)：

  # 导入必要的库
  from models.experimental import attempt_load
  from utils.datasets import create_dataloader
  from utils.general import check_img_size, non_max_suppression, scale_coords, xyxy2xywh, strip_optimizer
  from utils.torch_utils import select_device, time_synchronized
  from utils.metrics import bbox_iou
  from utils.plots import plot_results
  import torch
  import yaml
  import os
  
  # 设置超参数
  hyp = {
      'lr0': 0.01,  # 初始学习率
      'momentum': 0.937,  # 动量
      'weight_decay': 5e-4,  # 权重衰减
      'warmup_epochs': 3.0,  # 热身轮数
      'warmup_momentum': 0.8,  # 热身动量
      'warmup_bias_lr': 0.1  # 热身偏置学习率
  }
  
  # 加载数据配置文件
  with open('data/data.yaml', 'r') as f:
      data = yaml.safe_load(f)
  
  # 定义训练函数
  def train(data, weights, batch_size, epochs, imgsz, device):
      # 创建数据加载器
      dataloader, dataset = create_dataloader(data['train'], imgsz, batch_size, 32, workers=8, cache=True)
  
      # 加载预训练模型
      model = attempt_load(weights, map_location=device)
      model.to(device).train()
  
      # 定义优化器
      optimizer = torch.optim.SGD(model.parameters(), lr=hyp['lr0'], momentum=hyp['momentum'], weight_decay=hyp['weight_decay'])
  
      # 开始训练
      for epoch in range(epochs):
          print(f'Epoch {epoch + 1}/{epochs}')
          for i, (imgs, targets, paths, _) in enumerate(dataloader):
              imgs = imgs.to(device).float() / 255.0  # 归一化
              targets = targets.to(device)
  
              # 前向传播
              pred = model(imgs)
  
              # 计算损失
              loss, _ = compute_loss(pred, targets, model)
  
              # 反向传播
              optimizer.zero_grad()
              loss.backward()
              optimizer.step()
  
              # 打印训练信息
              if i % 10 == 0:
                  print(f'Batch {i}/{len(dataloader)}, Loss: {loss.item():.4f}')
  
      # 保存最终模型
      torch.save(model.state_dict(), 'runs/train/exp/weights/best.pt')
  
  if __name__ == '__main__':
      # 训练参数
      weights = 'models/yolov5s.pt'
      batch_size = 16
      epochs = 300
      imgsz = 640
      device = select_device('0')
  
      # 开始训练
      train(data, weights, batch_size, epochs, imgsz, device)

• 检测脚本 (detect.py)：

  # 导入必要的库
  from models.experimental import attempt_load
  from utils.datasets import LoadImages
  from utils.general import non_max_suppression, scale_coords, xyxy2xywh, strip_optimizer
  from utils.torch_utils import select_device, time_synchronized
  import torch
  import cv2
  import numpy as np
  import argparse
  
  # 定义检测函数
  def detect(source, weights, imgsz, device):
      # 加载模型
      model = attempt_load(weights, map_location=device)
      model.to(device).eval()
  
      # 创建数据加载器
      dataset = LoadImages(source, img_size=imgsz)
  
      # 开始检测
      for path, img, im0s, vid_cap in dataset:
          img = torch.from_numpy(img).to(device)
          img = img.float()  # uint8 to fp16/32
          img /= 255.0  # 0 - 255 to 0.0 - 1.0
          if img.ndimension() == 3:
              img = img.unsqueeze(0)
  
          # 推理
          with torch.no_grad():
              t1 = time_synchronized()
              pred = model(img)[0]
              t2 = time_synchronized()
  
          # NMS
          pred = non_max_suppression(pred, 0.4, 0.5, classes=None, agnostic=False)
  
          # 处理检测结果
          for i, det in enumerate(pred):  # detections per image
              p, s, im0 = path, '', im0s
  
              if len(det):
                  # 将框从img_size重新缩放到im0大小
                  det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
  
                  # 绘制边界框
                  for *xyxy, conf, cls in reversed(det):
                      label = f'{names[int(cls)]} {conf:.2f}'
                      plot_one_box(xyxy, im0, label=label, color=(0, 255, 0), line_thickness=3)
  
              # 显示结果
              cv2.imshow(p, im0)
              cv2.waitKey(0)
  
  if __name__ == '__main__':
      parser = argparse.ArgumentParser()
      parser.add_argument('--source', type=str, default='data/images/test', help='source')
      parser.add_argument('--weights', type=str, default='runs/train/exp/weights/best.pt', help='model.pt path(s)')
      parser.add_argument('--imgsz', type=int, default=640, help='inference size (pixels)')
      parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
      opt = parser.parse_args()
  
      # 检测
      detect(opt.source, opt.weights, opt.imgsz, opt.device)

训练效果

• mAP：在验证集上达到97%以上。
• 可视化结果：可以使用detect.py脚本对测试集中的图像进行检测，并绘制边界框以查看检测效果。

使用说明

1. 下载并安装依赖库：

   pip install -r requirements.txt

2. 准备数据集：

   • 将图像和标注文件分别放在data/images/和data/labels/目录下。
   • 修改data/data.yaml文件中的路径以匹配你的数据集位置。

3. 训练模型：

   python train.py

4. 检测图像：

   python detect.py --source path_to_your_test_images

5. 评估模型：

   • 可以使用YOLOv5自带的评估脚本进行评估：

     python val.py --weights runs/train/exp/weights/best.pt --data data/data.yaml --img 640

注意事项

• 数据增强：可以通过调整数据增强策略来进一步提高模型性能。
• 超参数调整：根据实际情况调整学习率、批大小等超参数。
• 硬件要求：建议使用GPU进行训练，以加快训练速度。

通过上述步骤，你可以成功地使用YOLOv5进行无人机目标检测，并获得高精度的检测结果。