无人机助力违法毒品种植智能监测预警，基于YOLOv9全系列【gelan/gelan-c/e/yolov9/yolov9-c/e】开发构建无人机航拍场景下的农村田园场景下非法种植罂粟花检测预警识别系统

最新推荐文章于 2024-07-19 16:53:12 发布
最新推荐文章于 2024-07-19 16:53:12 发布
阅读量1k 收藏 27
点赞数 45
文章标签： 无人机
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/137054203
版权

打击毒品人人有责，毒品带来的危害是人尽皆知的，我们不仅自身要严厉拒绝接触任何形式的毒品，更要言传身教告诫他人不要与任何形式的任何渠道的毒品有关联，但是在实际生活中，在一些偏远的乡村、田园、山丘、村落等地方，因为有意或者是无意等各种因素会出现罂粟花的非法种植，这种行为是非常危险的行为，但是对于部分人员来书缺乏相应的禁毒意识导致没有能及早发现进而进行铲除，这里比较好的方式基于基于无人机航行拍摄的方式来对目标区域进行航行拍摄，对于航拍途中抓拍的图像进行智能化的检测识别，基于AI模型的方式来辅助发现危险隐藏因素，对于及早预警有积极的作用。

随着无人机技术的日益成熟，其在打击犯罪、维护社会治安方面的应用愈发广泛。特别是在边陲小镇乡村等偏远环境下，无人机凭借其独特的空中优势，能够高效地完成对地面的监测与巡查工作。针对存在的非法种植罂粟花的问题，我们提出了一套基于无人机的航拍识别与上报系统。该系统以无人机为载体，搭载高清摄像头和图像处理设备，实现对地面的全面、细致拍摄。无人机在预设的飞行路线上进行巡航，将拍摄到的图像实时传输至地面控制站。地面控制站接收到图像后，通过图像处理设备对图像进行自动分析。利用先进的图像识别技术，系统能够准确识别出图像中的罂粟花，并标注出其位置。一旦确认存在罂粟花种植情况，系统将立即生成报警信息，并将相关信息发送至相关部门。相关部门在收到报警信息后，可迅速组织人员前往现场进行核实和铲除工作。同时，无人机还可继续对该区域进行持续监测，确保罂粟花被彻底清除，防止其再次种植。基于无人机的航拍识别与上报系统不仅提高了对非法种植罂粟花的监测效率，还降低了人力成本，使得打击犯罪工作更加高效、精准。该系统将为维护社会治安、保护人民群众生命财产安全发挥重要作用。

在这块数据场景中我们前文已经做了一些相关的开发实践，感兴趣的话可以自行移步阅读即可：

《无人机助力违法毒品种植智能监测预警，基于轻量级YOLOv5n开发构建无人机航拍场景下的农村田园场景下非法种植罂粟花检测预警识别系统》

《无人机助力违法毒品种植智能监测预警，基于YOLOv3全系列【yolov3tiny/yolov3/yolov3spp】参数模型开发构建无人机航拍场景下的农村田园场景下非法种植罂粟花检测预警识别系统》

无人机助力违法毒品种植智能监测预警，基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建无人机航拍场景下的农村田园场景下非法种植罂粟花检测预警识别系统》

《无人机助力违法毒品种植智能监测预警，基于YOLOv7【tiny/l/x】不同系列参数模型开发构建无人机航拍场景下的农村田园场景下非法种植罂粟花检测预警识别系统》

《无人机助力违法毒品种植智能监测预警，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建无人机航拍场景下的农村田园场景下非法种植罂粟花检测预警识别系统》

这里主要是基于最新发表的YOLOv9全系列参数模型来开发构建检测模型，首先看下实例效果：

简单看下实例数据情况：

关于YOLOv9的论文相关的介绍可以看这里：

《太卷了，目标检测新成员——YOLOv9: Learning What You Want to LearnUsing Programmable Gradient Information他来了》

如果想要基于YOLOv9从零开始开发构建自己的个性化目标检测系统，可以参照这里：

《基于YOLO家族最新模型YOLOv9开发构建自己的个性化目标检测系统从零构建模型完整训练、推理计算超详细教程【以自建数据酸枣病虫害检测为例】》

YOLOv9的作者人为很多模型设计过程中现有的方法忽略了一个事实，即当输入数据经过逐层特征提取和空间变换时，会丢失大量信息。目前，可以缓解这一现象的主要方法为：（1）可逆架构的使用：使用重复输入数据并以显式方式保持输入数据的信息；（2）掩码建模的使用：利用重构损失并采用隐式方式来最大化提取的特征并保留输入信息；以及（3）深监督概念的引入：使用未丢失太多重要信息的浅层特征预先建立从特征到目标的映射，以确保重要信息能够传递到更深的层次。然而，上述方法在训练过程和推理过程中存在不同的缺点。例如，可逆架构需要额外的层来组合重复馈送的输入数据，这将显著增加推理成本。此外，由于输入数据层到输出层不能有太深的路径，这种限制将使得在训练过程中对高阶语义信息的建模变得困难。至于掩码建模，其重构损失有时会与目标损失冲突。此外，大多数掩码机制还会与数据产生不正确的关联。对于深监督机制，它将产生误差积累，如果浅监督在训练过程中丢失信息，那么后续层将无法检索到所需的信息。上述现象在困难任务和小模型上将更为显著。所以作者深入研究数据通过深度网络传输时数据丢失的重要问题，即信息瓶颈和可逆函数进而提出了可编程梯度信息（PGI）以应对深度网络实现多个目标所需的各种变化。PGI可以为目标任务提供完整的输入信息来计算目标函数，从而获得可靠的梯度信息来更新网络权重。此外，还设计了一种新的基于梯度路径规划的轻量级网络架构——广义高效层聚合网络（GELAN）。GELAN的架构证实了PGI在轻量级模型上取得了卓越的成果。
YOLOv9贡献总结如下：
1.我们从可逆函数的角度对现有的深度神经网络架构进行了理论分析，并通过这个过程成功地解释了许多过去难以解释的现象。在此基础上，我们还设计了PGI和辅助可逆分支，并取得了良好的效果。
2.我们设计的PGI解决了深度监控只能用于极深度神经网络架构的问题，从而使新的轻量级架构能够真正应用于日常生活。
3.我们设计的GELAN仅使用传统卷积，比基于最先进技术的深度卷积设计实现了更高的参数使用率，同时显示出轻、快、准确的巨大优势。
4.将所提出的PGI和GELAN相结合，YOLOv9在MS COCO数据集上的目标检测性能在各个方面都大大超过了现有的实时目标检测器。
训练数据配置文件内容如下：

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



# Classes
names:
  0: poppy

这里我们一共应用开发了六款模型，也是目前为止作者释放出来的六款模型，如下：

【gelan】

# YOLOv9
 
# parameters
nc: 1  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
#activation: nn.LeakyReLU(0.1)
#activation: nn.ReLU()
 
# anchors
anchors: 3
 
# gelan backbone
backbone:
  [
   # conv down
   [-1, 1, Conv, [64, 3, 2]],  # 0-P1/2
   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 1]],  # 2
   # avg-conv down
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 1]],  # 4
   # avg-conv down
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 6
   # avg-conv down
   [-1, 1, Conv, [512, 3, 2]],  # 7-P5/32
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 8
  ]
 
# gelan head
head:
  [
   # elan-spp block
   [-1, 1, SPPELAN, [512, 256]],  # 9
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 12
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [256, 256, 128, 1]],  # 15 (P3/8-small)
   # avg-conv-down merge
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 12], 1, Concat, [1]],  # cat head P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 18 (P4/16-medium)
   # avg-conv-down merge
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 9], 1, Concat, [1]],  # cat head P5
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 21 (P5/32-large)
   # detect
   [[15, 18, 21], 1, DDetect, [nc]],  # Detect(P3, P4, P5)
  ]

【gelan-c】

# YOLOv9
 
# parameters
nc: 1  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
#activation: nn.LeakyReLU(0.1)
#activation: nn.ReLU()
 
# anchors
anchors: 3
 
# gelan backbone
backbone:
  [
   # conv down
   [-1, 1, Conv, [64, 3, 2]],  # 0-P1/2
   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 1]],  # 2
   # avg-conv down
   [-1, 1, ADown, [256]],  # 3-P3/8
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 1]],  # 4
   # avg-conv down
   [-1, 1, ADown, [512]],  # 5-P4/16
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 6
   # avg-conv down
   [-1, 1, ADown, [512]],  # 7-P5/32
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 8
  ]
 
# gelan head
head:
  [
   # elan-spp block
   [-1, 1, SPPELAN, [512, 256]],  # 9
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 12
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [256, 256, 128, 1]],  # 15 (P3/8-small)
   # avg-conv-down merge
   [-1, 1, ADown, [256]],
   [[-1, 12], 1, Concat, [1]],  # cat head P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 18 (P4/16-medium)
   # avg-conv-down merge
   [-1, 1, ADown, [512]],
   [[-1, 9], 1, Concat, [1]],  # cat head P5
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 21 (P5/32-large)
   # detect
   [[15, 18, 21], 1, DDetect, [nc]],  # DDetect(P3, P4, P5)
  ]

【gelan-e】

# YOLOv9
 
# parameters
nc: 1  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
#activation: nn.LeakyReLU(0.1)
#activation: nn.ReLU()
 
# anchors
anchors: 3
 
# gelan backbone
backbone:
  [
   [-1, 1, Silence, []],
   # conv down
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2
   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 2-P2/4
   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 2]],  # 3
   # avg-conv down
   [-1, 1, ADown, [256]],  # 4-P3/8
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 2]],  # 5
   # avg-conv down
   [-1, 1, ADown, [512]],  # 6-P4/16
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [1024, 512, 256, 2]],  # 7
   # avg-conv down
   [-1, 1, ADown, [1024]],  # 8-P5/32
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [1024, 512, 256, 2]],  # 9
   # routing
   [1, 1, CBLinear, [[64]]], # 10
   [3, 1, CBLinear, [[64, 128]]], # 11
   [5, 1, CBLinear, [[64, 128, 256]]], # 12
   [7, 1, CBLinear, [[64, 128, 256, 512]]], # 13
   [9, 1, CBLinear, [[64, 128, 256, 512, 1024]]], # 14
   # conv down fuse
   [0, 1, Conv, [64, 3, 2]],  # 15-P1/2
   [[10, 11, 12, 13, 14, -1], 1, CBFuse, [[0, 0, 0, 0, 0]]], # 16
   # conv down fuse
   [-1, 1, Conv, [128, 3, 2]],  # 17-P2/4
   [[11, 12, 13, 14, -1], 1, CBFuse, [[1, 1, 1, 1]]], # 18  
   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 2]],  # 19
   # avg-conv down fuse
   [-1, 1, ADown, [256]],  # 20-P3/8
   [[12, 13, 14, -1], 1, CBFuse, [[2, 2, 2]]], # 21  
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 2]],  # 22
   # avg-conv down fuse
   [-1, 1, ADown, [512]],  # 23-P4/16
   [[13, 14, -1], 1, CBFuse, [[3, 3]]], # 24 
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [1024, 512, 256, 2]],  # 25
   # avg-conv down fuse
   [-1, 1, ADown, [1024]],  # 26-P5/32
   [[14, -1], 1, CBFuse, [[4]]], # 27
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [1024, 512, 256, 2]],  # 28
  ]
 
# gelan head
head:
  [
   # elan-spp block
   [28, 1, SPPELAN, [512, 256]],  # 29
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 25], 1, Concat, [1]],  # cat backbone P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 2]],  # 32
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 22], 1, Concat, [1]],  # cat backbone P3
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [256, 256, 128, 2]],  # 35 (P3/8-small)
   # avg-conv-down merge
   [-1, 1, ADown, [256]],
   [[-1, 32], 1, Concat, [1]],  # cat head P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 2]],  # 38 (P4/16-medium)
   # avg-conv-down merge
   [-1, 1, ADown, [512]],
   [[-1, 29], 1, Concat, [1]],  # cat head P5
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 1024, 512, 2]],  # 41 (P5/32-large)
   # detect
   [[35, 38, 41], 1, DDetect, [nc]],  # Detect(P3, P4, P5)
  ]

【yolov9】

# YOLOv9
 
# parameters
nc: 1  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
#activation: nn.LeakyReLU(0.1)
#activation: nn.ReLU()
 
# anchors
anchors: 3
 
# YOLOv9 backbone
backbone:
  [
   [-1, 1, Silence, []],  
   # conv down
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2
   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 2-P2/4
   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 1]],  # 3
   # conv down
   [-1, 1, Conv, [256, 3, 2]],  # 4-P3/8
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 1]],  # 5
   # conv down
   [-1, 1, Conv, [512, 3, 2]],  # 6-P4/16
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 7
   # conv down
   [-1, 1, Conv, [512, 3, 2]],  # 8-P5/32
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 9
  ]
 
# YOLOv9 head
head:
  [
   # elan-spp block
   [-1, 1, SPPELAN, [512, 256]],  # 10
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 7], 1, Concat, [1]],  # cat backbone P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 13
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 5], 1, Concat, [1]],  # cat backbone P3
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [256, 256, 128, 1]],  # 16 (P3/8-small)
   # conv-down merge
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 13], 1, Concat, [1]],  # cat head P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 19 (P4/16-medium)
   # conv-down merge
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 22 (P5/32-large)
   # routing
   [5, 1, CBLinear, [[256]]], # 23
   [7, 1, CBLinear, [[256, 512]]], # 24
   [9, 1, CBLinear, [[256, 512, 512]]], # 25
   # conv down
   [0, 1, Conv, [64, 3, 2]],  # 26-P1/2
   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 27-P2/4
   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 1]],  # 28
   # conv down fuse
   [-1, 1, Conv, [256, 3, 2]],  # 29-P3/8
   [[23, 24, 25, -1], 1, CBFuse, [[0, 0, 0]]], # 30  
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 1]],  # 31
   # conv down fuse
   [-1, 1, Conv, [512, 3, 2]],  # 32-P4/16
   [[24, 25, -1], 1, CBFuse, [[1, 1]]], # 33 
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 34
   # conv down fuse
   [-1, 1, Conv, [512, 3, 2]],  # 35-P5/32
   [[25, -1], 1, CBFuse, [[2]]], # 36
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 37
   # detect
   [[31, 34, 37, 16, 19, 22], 1, DualDDetect, [nc]],  # DualDDetect(A3, A4, A5, P3, P4, P5)
  ]

【yolov9-c】

# YOLOv9
 
# parameters
nc: 1  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
#activation: nn.LeakyReLU(0.1)
#activation: nn.ReLU()
 
# anchors
anchors: 3
 
# YOLOv9 backbone
backbone:
  [
   [-1, 1, Silence, []],  
   # conv down
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2
   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 2-P2/4
   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 1]],  # 3
   # avg-conv down
   [-1, 1, ADown, [256]],  # 4-P3/8
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 1]],  # 5
   # avg-conv down
   [-1, 1, ADown, [512]],  # 6-P4/16
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 7
   # avg-conv down
   [-1, 1, ADown, [512]],  # 8-P5/32
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 9
  ]
 
# YOLOv9 head
head:
  [
   # elan-spp block
   [-1, 1, SPPELAN, [512, 256]],  # 10
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 7], 1, Concat, [1]],  # cat backbone P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 13
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 5], 1, Concat, [1]],  # cat backbone P3
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [256, 256, 128, 1]],  # 16 (P3/8-small)
   # avg-conv-down merge
   [-1, 1, ADown, [256]],
   [[-1, 13], 1, Concat, [1]],  # cat head P4
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 19 (P4/16-medium)
   # avg-conv-down merge
   [-1, 1, ADown, [512]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 22 (P5/32-large)
   # multi-level reversible auxiliary branch
   # routing
   [5, 1, CBLinear, [[256]]], # 23
   [7, 1, CBLinear, [[256, 512]]], # 24
   [9, 1, CBLinear, [[256, 512, 512]]], # 25
   # conv down
   [0, 1, Conv, [64, 3, 2]],  # 26-P1/2
   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 27-P2/4
   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 1]],  # 28
   # avg-conv down fuse
   [-1, 1, ADown, [256]],  # 29-P3/8
   [[23, 24, 25, -1], 1, CBFuse, [[0, 0, 0]]], # 30  
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 1]],  # 31
   # avg-conv down fuse
   [-1, 1, ADown, [512]],  # 32-P4/16
   [[24, 25, -1], 1, CBFuse, [[1, 1]]], # 33 
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 34
   # avg-conv down fuse
   [-1, 1, ADown, [512]],  # 35-P5/32
   [[25, -1], 1, CBFuse, [[2]]], # 36
   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 37
   # detection head
   # detect
   [[31, 34, 37, 16, 19, 22], 1, DualDDetect, [nc]],  # DualDDetect(A3, A4, A5, P3, P4, P5)
  ]

【yolov9-e】

# YOLOv9
 
# parameters
nc: 1  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
#activation: nn.LeakyReLU(0.1)
#activation: nn.ReLU()
 
# anchors
anchors: 3
 
# YOLOv9 backbone
backbone:
  [
   [-1, 1, Silence, []],
   # conv down
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2
   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 2-P2/4
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 2]],  # 3
   # avg-conv down
   [-1, 1, ADown, [256]],  # 4-P3/8
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 2]],  # 5
   # avg-conv down
   [-1, 1, ADown, [512]],  # 6-P4/16
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [1024, 512, 256, 2]],  # 7
   # avg-conv down
   [-1, 1, ADown, [1024]],  # 8-P5/32
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [1024, 512, 256, 2]],  # 9
   # routing
   [1, 1, CBLinear, [[64]]], # 10
   [3, 1, CBLinear, [[64, 128]]], # 11
   [5, 1, CBLinear, [[64, 128, 256]]], # 12
   [7, 1, CBLinear, [[64, 128, 256, 512]]], # 13
   [9, 1, CBLinear, [[64, 128, 256, 512, 1024]]], # 14
   # conv down
   [0, 1, Conv, [64, 3, 2]],  # 15-P1/2
   [[10, 11, 12, 13, 14, -1], 1, CBFuse, [[0, 0, 0, 0, 0]]], # 16
   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 17-P2/4
   [[11, 12, 13, 14, -1], 1, CBFuse, [[1, 1, 1, 1]]], # 18  
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 2]],  # 19
   # avg-conv down fuse
   [-1, 1, ADown, [256]],  # 20-P3/8
   [[12, 13, 14, -1], 1, CBFuse, [[2, 2, 2]]], # 21  
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 2]],  # 22
   # avg-conv down fuse
   [-1, 1, ADown, [512]],  # 23-P4/16
   [[13, 14, -1], 1, CBFuse, [[3, 3]]], # 24 
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [1024, 512, 256, 2]],  # 25
   # avg-conv down fuse
   [-1, 1, ADown, [1024]],  # 26-P5/32
   [[14, -1], 1, CBFuse, [[4]]], # 27
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [1024, 512, 256, 2]],  # 28
  ]
 
# YOLOv9 head
head:
  [
   # multi-level auxiliary branch  
   # elan-spp block
   [9, 1, SPPELAN, [512, 256]],  # 29
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 7], 1, Concat, [1]],  # cat backbone P4
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 2]],  # 32
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 5], 1, Concat, [1]],  # cat backbone P3
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [256, 256, 128, 2]],  # 35
   # main branch  
   # elan-spp block
   [28, 1, SPPELAN, [512, 256]],  # 36
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 25], 1, Concat, [1]],  # cat backbone P4
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 2]],  # 39
   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 22], 1, Concat, [1]],  # cat backbone P3
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [256, 256, 128, 2]],  # 42 (P3/8-small)
   # avg-conv-down merge
   [-1, 1, ADown, [256]],
   [[-1, 39], 1, Concat, [1]],  # cat head P4
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 2]],  # 45 (P4/16-medium)
   # avg-conv-down merge
   [-1, 1, ADown, [512]],
   [[-1, 36], 1, Concat, [1]],  # cat head P5
   # csp-elan block
   [-1, 1, RepNCSPELAN4, [512, 1024, 512, 2]],  # 48 (P5/32-large)
   # detect
   [[35, 32, 29, 42, 45, 48], 1, DualDDetect, [nc]],  # DualDDetect(A3, A4, A5, P3, P4, P5)
  ]

实验阶段我们保持了相同的参数设置，等待长时期的训练过程结束之后我们来对六款不同参数量级的模型进行纵向的对比分析，如下：

【Precision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。
绘制精确率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率和召回率。
将每个阈值下的精确率和召回率绘制在同一个图表上，形成精确率曲线。
根据精确率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察精确率曲线，我们可以根据需求确定最佳的阈值，以平衡精确率和召回率。较高的精确率意味着较少的误报，而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。

【Recall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）。
绘制召回率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的召回率和对应的精确率。
将每个阈值下的召回率和精确率绘制在同一个图表上，形成召回率曲线。
根据召回率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察召回率曲线，我们可以根据需求确定最佳的阈值，以平衡召回率和精确率。较高的召回率表示较少的漏报，而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
召回率曲线通常与精确率曲线（Precision Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。

【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。
绘制F1值曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率、召回率和F1分数。
将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上，形成F1值曲线。
根据F1值曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
F1值曲线通常与接收者操作特征曲线（ROC曲线）一起使用，以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析，可以根据具体应用场景来选择合适的模型和阈值设置。

【mAP0.5】
mAP0.5，也被称为mAP@0.5或AP50，指的是当Intersection over Union（IoU）阈值为0.5时的平均精度（mean Average Precision）。IoU是一个用于衡量预测边界框与真实边界框之间重叠程度的指标，其值范围在0到1之间。当IoU值为0.5时，意味着预测框与真实框至少有50%的重叠部分。
在计算mAP0.5时，首先会为每个类别计算所有图片的AP（Average Precision），然后将所有类别的AP值求平均，得到mAP0.5。AP是Precision-Recall Curve曲线下面的面积，这个面积越大，说明AP的值越大，类别的检测精度就越高。
mAP0.5主要关注模型在IoU阈值为0.5时的性能，当mAP0.5的值很高时，说明算法能够准确检测到物体的位置，并且将其与真实标注框的IoU值超过了阈值0.5。

【mAP0.5:0.95】
mAP0.5:0.95，也被称为mAP@[0.5:0.95]或AP@[0.5:0.95]，表示在IoU阈值从0.5到0.95变化时，取各个阈值对应的mAP的平均值。具体来说，它会在IoU阈值从0.5开始，以0.05为步长，逐步增加到0.95，并在每个阈值下计算mAP，然后将这些mAP值求平均。
这个指标考虑了多个IoU阈值下的平均精度，从而更全面、更准确地评估模型性能。当mAP0.5:0.95的值很高时，说明算法在不同阈值下的检测结果均非常准确，覆盖面广，可以适应不同的场景和应用需求。
对于一些需求比较高的场合，比如安全监控等领域，需要保证高的准确率和召回率，这时mAP0.5:0.95可能更适合作为模型的评价标准。
综上所述，mAP0.5和mAP0.5:0.95都是用于评估目标检测模型性能的重要指标，但它们的关注点有所不同。mAP0.5主要关注模型在IoU阈值为0.5时的性能，而mAP0.5:0.95则考虑了多个IoU阈值下的平均精度，从而更全面、更准确地评估模型性能。

综合实验对比结果来看：最终的六款模型没有非常明显的差距，gelan系列的模型效果略逊于yolov9的模型，这里我们考虑使用yolov9来作为最终的推理模型。

【离线推理实例】

【混淆矩阵】

【PR】

【训练可视化】

感兴趣的话也快快动手试试吧！

Together_CZ
关注
  • 45
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
yolov9改进源码资源
02-24
YOLOv9的网络架构基于YOLOv7 AF，采用CSP-ELAN块替换了原有的ELAN块，优化了下采样模块，并在预测层进行了调整。 附录B中，作者将YOLOv9与采用不同训练策略的先进实时目标检测模型进行了比较，包括从头开始训练、...
无人机助力违法毒品种植智能监测预警，基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建无人机航拍场景下的农村田园场景下非法种植罂粟花检测预警识别系统
Together_CZ的博客
03-26 866
无人机助力违法毒品种植智能监测预警，基于YOLOv5全系列【n/s/m/l/x】参数模型开发构建无人机航拍场景下的农村田园场景下非法种植罂粟花检测预警识别系统
目标检测——无人机鸟类数据集
猫脸码客的博客
05-14 1137
对于 2021 年的无人机与鸟类检测挑战，主办方提供了77个不同的视频序列作为训练数据。这些视频序列源于挑战的前几届，是由SafeShore项目、Fraunhofer IOSB研究所和ALADDIN2项目使用MPEG4编码的静态摄像头所收集。平均而言，每个视频序列包含1,384帧，且每帧平均包含1.12个已精确标注的无人机。这些视频序列涵盖了静态摄像头和移动摄像头拍摄的内容，分辨率从720×576到3840×2160像素不等，提供了多样化的视觉信息。
无人机航拍图像数据集汇总
m0_58809042的博客
11-03 3351
本文介绍一些常用的数据集处理方法以及无人机航拍图像的数据集
YOLOv9-gelan-onnx
02-25
YOLOv9-gelan 模型 截止24/02/25，业界独家，也是首个真正转出可直接用于部署的ONNX模型，完成了模型重参数化参数融合，消除了模型了中所有无关节点与参数，真正做到了最适合部署，可直接用于NCNN、OpenViNO、...
YOLOv9概述.pdf
02-23
YOLOv9是一种实时物体检测算法，属于YOLO（You Only Look Once）系列的一部分。这个系列以其高效和准确的物体检测能力而闻名。YOLOv9的设计目标是解决深度网络在处理复杂任务时可能遇到的信息丢失和梯度流偏差问题。...
gelan-c.pt文件
02-23
《gelan-c.pt文件——深度学习中的Yolov9预训练模型详解》 在现代计算机视觉领域，预训练模型已经成为解决图像识别、目标检测等任务的重要工具。其中，Yolov9作为最新的Yolo（You Only Look Once）系列模型，备受...
YOLOv9论文，2024.02发布
02-26
本文提出可编程梯度信息(PGI)和基于梯度路径规划的通用高效层聚合网络(GELAN)，最终铸成YOLOv9目标检测全新工作！性能表现SOTA！在各个方面都大大超过了现有的实时目标检测器，优于RT DETR、YOLOv8等网络，代码刚刚...
MBR40150FCT-ASEMI无人机专用MBR40150FCT
qyx3868的博客
07-16 259
MBR40150FCT-ASEMI无人机专用MBR40150FCT
【学习笔记】无人机系统（UAS）的连接、识别和跟踪（一）-3GPP TS 23.256 技术规范概述
u011376987的博客
07-16 451
3GPP TS 23.256 技术规范，主要定义了3GPP系统对无人机（UAV）的连接性、身份识别、跟踪及A2X（Aircraft-to-Everything）服务的支持。这份技术规范全面涵盖了3GPP系统对无人机支持的各个方面，从架构模型、功能实体定义到具体的高层功能描述和流程，为无人机在3GPP系统中的安全、高效运行提供了技术基础和实现指导。
STM32智能无人机控制系统教程
2401_84204806的博客
07-10 1541
本教程详细介绍了如何在STM32嵌入式系统中实现智能无人机控制系统，从硬件选择、软件实现到系统配置和应用场景都进行了全面的阐述。
无人机之遥控器简介
yunzhuokeji的博客
07-19 215
遥控器中间有两个全向摇杆，分为横滚、俯仰、偏航和油门，这四个动作刚好对应遥控器两个摇杆的上、下、左、右四个方向上的动作。在遥控器上，每一个摇杆上一个方向的动作叫做一个通道，上下拨动控制一个通道，左右拨动控制一个通道，而每一个通道的动作对应飞行器上的每一个姿态变化或一个特殊功能。四旋翼无人机所使用的遥控器与我们常见的遥控器有所不同，中间有两个可以活动的摇杆，它的作用类似于汽车的方向盘，可以用来控制无人机起飞和降落以及方向。比如收房起落架，打开彩灯等。油门通道在左边的是美国手，在右边的称为日本手。
多用途应急救援消防无人机技术详解
专注多旋翼、复合翼无人机技术研究，从事低空经济行业。
07-16 349
多用途应急救援消防无人机作为现代应急救援体系的重要组成部分，凭借其高效、灵活、多样化的特点，在火灾扑救、人员搜救、物资投送等方面展现出巨大的潜力和价值。多用途应急救援消防无人机技术作为现代应急救援体系的重要组成部分，在应急救援中展现出巨大的潜力和价值。面对当前形势的紧迫性，我们应加大研发和应用力度，推广多用途应急救援消防无人机技术，提高我国应急救援能力水平，保障人民生命财产安全。5. 降低风险：无人机在应急救援中可替代部分人力，降低救援人员的安全风险，提高救援成功率。
无人机之多旋翼与固定翼的区别
yunzhuokeji的博客
07-18 425
固定翼无人机：类似于小型飞机，靠螺旋桨或涡轮发动机产生的推力前进，机翼与空气的相对运动产生升力，需要一定得滑跑或投掷才能起飞，且不能垂直起降或悬停。多旋翼无人机：依靠多个旋翼产生升力来平衡飞行器的重力，通过改变每个旋翼的转速控制飞行器的姿态和平稳，使其能够垂直起降、悬停和低速飞行。多旋翼无人机：因能悬停、机动性强，适用于航拍、监控、农林植保、灾难救援等需要精确操作和低空飞行的场景。机械结构简单，易于维护，成本低。固定翼无人机：续航时间长，一般在90分钟以上，甚至可达数小时，适合长时间、长距离的任务。
无人机的发展前景大吗？
最新发布
专注多旋翼、复合翼无人机技术研究，从事低空经济行业。
07-19 232
综上所述，无人机的发展前景广阔。同时，智能化、自主化水平的提高以及跨界融合趋势的加强也将为无人机产业的发展注入新的动力。例如，无人机与物联网、大数据、云计算等技术的结合，将推动无人机在智慧城市、智能交通等领域的广泛应用。此外，无人机与航空工业、汽车产业等领域的融合也将为无人机产业的发展注入新的活力。无人机厂商需要根据用户需求，提供定制化的无人机产品和服务，以满足不同行业、不同场景的应用需求。无人机在航拍、农业植保、环境监测等领域的应用越来越广泛，同时在物流配送、应急救援等领域也展现出巨大的潜力。
天途无人机林业应用解决方案
beifangqo的博客
07-19 670
便携性，能够随身携带，遇到突发情况可迅速作业；H20 系列：23倍光学混合变焦，2000万像素，清晰可见 H20 系列相机具有23倍混合光学变焦能力，给用户带来无损的画面图像， 搭载的2000万像素传感器。H20 系列：23倍光学混合变焦，2000万像素，清晰可见 H20 系列相机具有23倍混合光学变焦能力，给用户带来无损的画面图像， 搭载的2000万像素传感器。③火情侦查 可见光与热成像负载搭配使用，发现起火点之后迅速进行现场 火情侦查，将信息传回指挥中心，同时记录起火点位置，火势， 燃烧面积等信息。
无人机反制：车载侦测干扰一体设备技术详解
zhugedali_的博客
07-17 517
总之，车载侦测干扰一体设备是一个融合了多种先进技术的复杂系统，需要在侦测、干扰、数据处理、定位跟踪、系统控制和车载平台等多个方面进行精心设计和优化，以实现高效、准确和合法的无人机反制功能。2. 避免对合法无人机和通信系统的误干扰：通过精确的侦测和干扰策略，尽量减少对合法无人机活动和周边正常通信的影响。- 信号解调与分析：对侦测到的信号进行解调，提取通信内容和协议信息，以确定无人机的类型和工作模式。3. 伦理准则：在保障公共安全的同时，尊重个人权利和隐私，确保设备的使用符合道德和伦理标准。
无人机之工业级和消费级的区别
yunzhuokeji的博客
07-17 517
消费无人机更适合普通的飞行娱乐和简单的拍摄任务，而工业级无人机则适用于更为专业和苛刻的工作条件。工业无人机：在复杂多变的使用环境中工作，需要具备一定得防护措施，如三防（防火、防雨、防尘）能力，以降低意外损害风险，续航时间和载重量等方面有更高的要求。工业无人机：根据行业需求可能搭载多种专业探测设备，如高光谱相机、热红外相机、大气探测器、激光雷达等，以适应不同的工作环境和任务要求。工业无人机：面向专业领域用户，如农业、测绘、救援等行业，提供定制化解决方案，注重整体性能和可靠性，售价普遍较高。

“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
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