海洋占领全球面积的71%,随着“海洋强国”战略的实施,也加剧了海岛空间的信息应用。
由于海岛的地势地貌比较复杂,常规的人工测量难以完成地理空间采集任务,现有的卫星遥感技术不仅分辨率较低,而且成本高且易受天气影响。
但是随着无人机遥感技术的发展与应用,其不仅具有高时效性、低成本的特点,同时还有高自动化的专业处理软件的支持,能够满足海洋地区获取地理空间信息的要求,可以高效率的完成海洋环境监测的重任。
那么本次基于RetinaNet算法对海洋上的小目标无人机检测的数据进行训练,使用的是一款线上的平台:CooVally,可以帮助用户快速筛选可用AI模型。
https://coovally.com/https://coovally.com/
下图是本次使用的数据集信息:
数据集标签如下图。
接下来点击对应的标签进行参数设置,毕竟高空俯视,目标比较小,所以选择了RetinaNet,一共进行了10次实验,每次实验迭代了30次。
接下来,等待平台的训练结果,其实并不需要一直守着看训练数据,这一点点赞!
训练结束后,可以查看到关于此次训练任务总览,可以看到此次训练共耗时44分钟52秒,其中最好的一次评价指标达到了0.7424。
其中还有5次耗费时间比较短,是因为训练结果不理想,平台提早终止了训练,避免造成不必要的资源和时间的浪费。
然后来看看其他的信息。
数据详情中,可以看到训练使用的数据标签一共有840个,5个类别。标签分布的扇形比例图中,各个标签比例及数量一目了然。
在实验结果中,可以看到每次迭代的详细指标,随着迭代次数的增加,实验结果逐渐收敛。
在训练损失中也可以看到,随着训练而逐渐收敛成一条接近X轴的水平直线。
最后,选择训练mAP最好的一次进行模型转换。本次训练最高的mAP达到0.7424,比我之前在Roboflow上训练的mAP还要高很多。
CooVally平台训练列表详情
Roboflow训练数据详情
在部署的时候,可以云端或者边端进行模型部署,此次我选择的是云端部署,其实不管是哪种部署,对最终产生的结果并没有什么改变。
模型部署成功后,便可以上传图片进行识别了!成功率达到95%以上!
所以在CooVally,从数据上传到模型部署仅需要3步便可以完成,所以你还在等什么?