水面漂浮物识别算法海面垃圾漂浮物监测算法

最新推荐文章于 2024-09-27 11:50:10 发布

树袋猫

最新推荐文章于 2024-09-27 11:50:10 发布

阅读量548

点赞数

文章标签：算法计算机视觉目标跟踪人工智能机器学习

水面漂浮物识别算法海面垃圾漂浮物监测算法基于YOLOv7算法的可用于日常生活中检测与定位bottle（塑料瓶）, grass（野草）, branch（树枝）, milk-box（牛奶盒）, plastic-bag（塑料袋）, plastic-garbage（塑料垃圾）, ball（球）, leaf（落叶）目标，水面漂浮物识别算法海面垃圾漂浮物监测算法可完成对输入图片、视频、文件夹以及摄像头方式的目标检测与识别，同时本系统还支持检测结果可视化与导出。本系统采用YOLOv7目标检测算法来训练数据集，使用Pysdie6框架来搭建桌面页面系统，支持PT、ONNX等模型权重作为系统的预测模型加载。

水面漂浮物识别算法海面垃圾漂浮物监测算法_权重

本系统实现的功能包括：模型权重的选择与初始化；检测置信度与后处理IOU阈值的调节；图像的导入、检测、检测结果的可视化与目标统计；视频的导入、检测、检测结果的可视化与目标统计；文件夹的图像批量导入、检测、检测结果的可视化与目标统计；设备摄像头的导入、检测、检测结果的可视化与目标统计；单张图像、视频、摄像的推理用时展示。本博文详细介绍系统的环境搭建过程、整体功能介绍与演示，用时也提供了完整的Python源码和使用教程，适合新入门的朋友参考同时支持二次开发，整个系统的完整代码以及资源文件请转至文末的下载链接来获取。

水面漂浮物识别算法海面垃圾漂浮物监测算法_目标检测_02

2022年7月YOLOv7被提出与发布，论文发表在2023的计算机视觉顶级会议CVPR上，在YOLOv3和YOLOv4的官网上均挂上了YOLOv7的链接和说明，这说明YOLOv7已得到了大佬的认可。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。在5FPS到160FPS的范围内，无论是速度或是精度，YOLOv7都超过了目前已知的检测器，并且在GPU V100上进行测试，精度为56.8% AP的模型可达到30 FPS（batch=1）以上的检测速率，与此同时，这是目前唯一一款在如此高精度下仍能超过30FPS的检测器。

水面漂浮物识别算法海面垃圾漂浮物监测算法_目标检测_03