基于YOLOv7开发构建MSTAR雷达影像目标检测系统

最新推荐文章于 2024-03-21 12:04:21 发布
最新推荐文章于 2024-03-21 12:04:21 发布
阅读量3.5k 收藏 13
点赞数 3
文章标签： YOLO 目标检测 目标跟踪
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Together_CZ/article/details/132139521
版权

MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集是一个基于合成孔径雷达（Synthetic Aperture Radar，SAR）图像的目标检测和识别数据集。它是针对目标检测、机器学习和模式识别算法的研究和评估而设计的。

MSTAR数据集由美国海军研究实验室（Naval Research Laboratory，NRL）创建，该数据集包含了多种类型和方位的车辆和目标的高分辨率合成孔径雷达图像。它提供了复杂的场景和多种目标类型，包括各种车辆和地面目标，如坦克、卡车、自行车等。

MSTAR数据集的特点如下：

  1. 分辨率高：MSTAR数据集的SAR图像具有高分辨率，能够提供细节丰富的目标信息，有助于进行精确的目标检测和识别。

  2. 方位变化：该数据集提供了目标在不同方位角下的合成孔径雷达图像，包括前视、靠近侧视、背视等多种视角，用于研究方位变化对目标识别的影响。

  3. 多样性目标：MSTAR数据集中包含了多种类型的目标，涵盖了各种车辆和地面目标，使得研究和评估的算法可以具有更好的泛化性能。

MSTAR数据集对于合成孔径雷达图像的目标检测和识别算法的研究和评估提供了有力的工具。它可以用于训练和测试基于机器学习和深度学习的目标检测模型，提高合成孔径雷达图像分析的准确性和鲁棒性。

在前面的博文中我已经基于MSTAR的数据集开发构建了目标检测系统，感兴趣的话可以自行移步阅读即可：

《基于yolov5n的轻量级MSTAR遥感影像目标检测系统设计开发实战》

之前是使用的yolov5模型去开发实现的，且使用的是最为轻量级的模型，这里考虑基于yolov7来开发构建MSTAR雷达影像目标检测识别系统，简单看下实例效果图：

 接下来看下数据集情况：

 共有2.4w+的数据。

本文使用到的YOLOv7模型配置文件如下所示：

# parameters
nc: 10  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# anchors
anchors:
  - [12,16, 19,36, 40,28]  # P3/8
  - [36,75, 76,55, 72,146]  # P4/16
  - [142,110, 192,243, 459,401]  # P5/32

# yolov7 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
  
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2      
   [-1, 1, Conv, [64, 3, 1]],
   
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  
   [-1, 1, Conv, [64, 1, 1]],
   [-2, 1, Conv, [64, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]],  # 11
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 16-P3/8  
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]],  # 24
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 29-P4/16  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 37
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [512, 1, 1]],
   [-3, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 42-P5/32  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 50
  ]

# yolov7 head
head:
  [[-1, 1, SPPCSPC, [512]], # 51
  
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [37, 1, Conv, [256, 1, 1]], # route backbone P4
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 63
   
   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [24, 1, Conv, [128, 1, 1]], # route backbone P3
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1]], # 75
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3, 63], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 88
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3, 51], 1, Concat, [1]],
   
   [-1, 1, Conv, [512, 1, 1]],
   [-2, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]], # 101
   
   [75, 1, RepConv, [256, 3, 1]],
   [88, 1, RepConv, [512, 3, 1]],
   [101, 1, RepConv, [1024, 3, 1]],

   [[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]

训练数据配置文件如下所示：

# path 
train: ./dataset/images/train
val: ./dataset/images/test
test: ./dataset/images/test



# number of classes
nc: 10

# class names
names: ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']

终端执行下面的命令即可启动训练：

python train.py --cfg cfg/training/yolov7.yaml --weights weights/yolov7_training.pt --name yolov7 --epochs 100 --batch-size 32 --img 640 640 --device 0 --data data/self.yaml

默认100次epoch的迭代计算，终端日志输出如下所示：

 训练完成后来看下结果详情：

【精确率曲线】

精确率曲线（Precision-Recall Curve）是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率（Precision）是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。

 【召回率曲线】

召回率曲线（Recall Curve）是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。
召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度（Sensitivity）或真正例率（True Positive Rate）。

 【PR曲线】

精确率-召回率曲线（Precision-Recall Curve）是一种用于评估二分类模型性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）和召回率（Recall）之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。

【F1值曲线】

F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）、召回率（Recall）和F1分数的关系图来帮助我们理解模型的整体性能。
F1分数是精确率和召回率的调和平均值，它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点，以选择最佳的阈值。

 【混淆矩阵】

 【训练过程可视化】

 可以看到整体的训练过程还是相对平稳的。

【batch计算实例】如下所示：

 可视化推理实例这块，主要开发实现了：图像检测和视频检测两种类型数据的推理计算，如下图所示：

【图像检测】

 【视频检测】

 整体检测的效果很不错，后面有时间考虑基于其他类型的检测模型开发尝试一下！

Together_CZ
关注
  • 3
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
包括3个G的MSTAR数据集，用于SAR目标识别领域
09-11
MSTAR数据集，用于检验SAR图像目标识别算法的效果，内附转换JPG，TIFF代码
MSTAR数据库结合深度学习（SAR图像目标检测与识别）
热门推荐
ZYZYZYZYZYZYZYZYZY的博客
12-14 1万+
    MSTAR数据库作为SAR图像自动目标识别（SAR ATR）研究的一个通用库，被很多学者广泛采用。从现有的SAR ATR系统处理流程来看，目标检测作为该系统的前端，很大程度上影响系统后续识别性能，在较好的检测性能下获得的目标区域可以直接进行分类识别，避免了鉴别阶段进一步减少虚警目标。目标识别作为该系统的后端处理部分，是整个系统的重点也是难点。     深度学习作为当前图像处理领域的前沿热...
MSTAR数据集下载地址及处理方法
KamenRider
02-22 1万+
首先感谢博主冯子材提供下载的百度网盘地址。 在这里为了防止侵权，特此鸣谢，并给出其博客地址。 地址中有MSTAR百度网盘下载地址和需要使用的数据介绍，其中百度网盘中有数据转换工具 https://blog.csdn.net/taifengzikai/article/details/80600355 工具使用 因为下载得到的数据是二进制文件，需要使用官方提供的工具进行转换，可将其转换为jpeg。 有...
合成孔径雷达（SAR）的距离向分辨率与方位向分辨率
m0_46205611的博客
03-21 2424
合成孔径雷达（SAR）通过向地球发射微波雷达信号并接收反射回来的信号来运作。
如何在MSTAR SAR图像目标识别数据集中刷出99.5%的准确率？
zhenyu_an的博客
03-17 1万+
如何在MSTAR数据集中刷出99.5%的识别准确率 1、背景介绍 与自然图像识别研究的快速发展不同，在遥感SAR图像识别领域，因为目标探测手段的困难，难以获取足量公开的数据集，其中美国公开的MSTAR是为数不多的、对地车辆目标进行识别的数据集。MSTAR是在二十世纪九十年代中期，美国国防高等研究计划署（DARPA）推出。通过高分辨率的聚束式合成孔径雷达采集多种前苏联目标军事车辆的SAR图像。M...
MSTAR数据集处理
儒雅的钓翁
03-28 4369
本文主要介绍MSTAR转换工具的使用，可以将MSTAR数据集中的SAR数据转化为灰度图形式供大家处理使用。大家也可以直接去我的博客下载整理和处理好的MSTAR图片数据集。
MSTAR 数据集 雷达图片
12-04
美国MSTAR计划的数据集，雷达图片，其中的一个装甲车图片，360度方位的
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
2201_75285525的博客
12-01 373
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
基于激光雷达点云的3D目标检测算法论文总结
3D视觉工坊
05-11 2365
作者丨eyesighting@知乎来源丨https://zhuanlan.zhihu.com/p/508859024编辑丨3D视觉工坊前言过去很多年激光雷达的车规标准和高昂价格是阻碍其量产落地的主要因素，最近两三年随着速腾、禾赛、大疆、图达通、Luminar等厂家混合固态激光雷达的量产，新势力车企、互联网车企陆续发布与交付了基于激光雷达的车型，比如：小鹏P5、蔚来ET7...
MSTAR数据集.zip
04-04
解压后有两个文件夹，一个train，一个test，两个文件夹都有十个子目录，分别是十类目标的SAR图像，图像为100*100的灰度图像
人工智能目标检测数据集（飞机卫星图5）
03-08
该系列的第五批。包含一类目标：飞机。卫星可见光成像（遥感图），彩色，图片数量为1000张，尺寸为1024x1024，可用于目标检测算法的研究。标签保存到xml文件。
MSTAR，SAR dataset
09-14
这是一个MSTAR，SAR dataset的baiduyun链接，资源大小为2.05G，太大无法传，所以放在baiduyun了。做目标检测和目标识别的福音来了。
MSTAR_Database.zip
03-12
MSTAR数据集（完全版，jpeg格式，已经按SOC、EOC分好类）方便直接使用！亲手整理！
MSTAR数据集最全
12-18
网上很多MSTAR数据集不全，影响学习研究，有鉴于此特分享此数据集，包括7类目标，还有大场景SAR图像。
MSTAR_EMMI(User Guide).
10-18
MSTAR的EMMI的用户指南，很适合刚入门的初学者！ 具体内容有： APLauncher----APLauncher的机制介绍,这部分比较进阶的技术,前期可以先不阅读. Dialog----介绍在EMMIDialog的机制,API及使用注意事项. EMMIStudio----介绍开发App所見即所得的整合环境工具. RS----介绍开发RS机制forUIlayout及Multi-theme. Service----对Service的部份机制稍做介绍,这部分比较进阶的技术,前期可以先不阅读. VTM----介绍ViewTemplate有那些API可以使用,当作工具书查阅. Widget----介绍有那些Widget及其对应API的公用及SampleCode,当作工具书查阅. Window----Window相关机制的介绍,建议初期就把此部分看熟. XRG----介绍开发App所需要的ResourceTool.请注意此文件与Release的XRG版本会有些许不同.
mstar工具工具工具
05-18
mstar烧录，在线调试工具
matlab的egde源代码-mstar_deeplearning_project:使用MSTAR数据集的深度学习方法对雷达目标进行分类，检测
05-21
该资源库是我的毕业项目，涉及使用深度学习方法在公共MSTAR上对雷达目标进行分类，检测和识别。 主要框架基于caffe和fast-rcnn，使用matlab接口进行了一些修改。 此外，最近还有一个关于我的毕业设计的文章，涉及...
mstarpublictools.rar_matlab mstar_mstar_mstar matlab_radar_读取雷达数
09-23
MSTAR读取数据,用于读取MSATR雷达数据
MSTAR目标检测SAR数据集汇总，内涵2G数据，baidu网盘下载
11-27
MSTAR目标检测SAR数据集汇总，内涵2G数据，baidu网盘下载
yolov5雷达目标检测
最新发布
04-03
YOLOv5雷达目标检测是一种基于YOLOv5算法的目标检测方法，专门用于雷达数据的目标检测任务。相比于传统的基于图像的目标检测方法，YOLOv5雷达目标检测可以直接处理雷达数据，无需依赖图像信息。 YOLOv5雷达目标检测的核心思想是将雷达数据转化为二维矩阵，然后通过卷积神经网络进行特征提取和目标检测。具体而言，YOLOv5雷达目标检测包括以下几个步骤： 1. 数据预处理：将雷达数据转化为二维矩阵，通常使用极坐标或笛卡尔坐标表示。 2. 特征提取：使用卷积神经网络对雷达数据进行特征提取，常用的网络结构包括ResNet、Darknet等。 3. 目标检测：在特征图上使用anchor-based或anchor-free的方式进行目标检测，通过预测目标的边界框和类别信息。 4. 后处理：对检测结果进行后处理，包括非极大值抑制（NMS）等操作，以得到最终的目标检测结果。 YOLOv5雷达目标检测具有较高的实时性和准确性，在自动驾驶、智能交通等领域有广泛的应用前景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Together_CZ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值