基于YOLOv5/v8的遥感卫星图像目标检测

已于 2024-05-27 19:33:58 修改
阅读量312 收藏 4
点赞数 5
文章标签： YOLO 目标检测
于 2024-05-27 19:20:15 首次发布
本文链接：https://blog.csdn.net/weixin_64675683/article/details/139245545
版权

基于YOLOv5/v8的遥感卫星图像目标检测

数据集介绍

数据集来源于开源DIOR数据集，DIOR是一个大规模的基准数据集，由23463幅800*800的遥感卫星图像和192,518个用水平边界框标注的物体实例组成，空间分辨率为0.5m~30m。数据集中共包含20类目标，包括但不限于：飞机、机场、棒球场、篮球场、油罐等，具体信息如下：

数据集信息

YOLOv5

2020年YOLOv5模型发布，由于其较为轻量，便于模型部署，到现在仍然享有很高的热度。YOLOv5 一共有五个版本，分别是：YOLOv5n（纳米级）、YOLOv5s（小型）、YOLOv5m（中型）、YOLOv5l（大型）和YOLOv5x（特大型）。

在这里插入图片描述

YOLOv8

Ultralytics公司于2023年1月发布YOLOv8模型，是一款前沿的、最先进的SOTA(State of the Art)模型，与YOLOv5相同，YOLOv8同样提供了5个不同模型大小的预训练模型：n（纳米级）、s（小型）、m（中型）、l（大型） 和 x（超大型）。

在这里插入图片描述

模型的搭建与训练

在上文介绍的数据集上进行训练，得到训练结果：
在这里插入图片描述

检测效果如下图所示：

在这里插入图片描述

模型的检测结果图

在这里插入图片描述

系统搭建

系统页面如下图

在这里插入图片描述
在这里插入图片描述

使用模型进行检测

在这里插入图片描述

作者联系方式

如果朋友们有相关问题，评论可能不能及时回复
作者联系方式vx:18014995623

杨闯今天学习了吗？
关注
  • 5
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测YOLO实战应用案例100讲-基于特征融合和预测细化的遥感图像目标检测
qq_36130719的博客
04-07 326
遥感是一种运用传感设备获取远距离目标电磁波信息的综合探测技术。遥感技 术的发展可以追溯到20世纪60年代，那时的人们以航空摄影技术为基础，利用高 空气球，飞机上的传感器收集地物特征。随着航空航天技术和高空成像技术不断成 熟，海量的高空间分辨率、高光谱分辨率、高辐射分辨率的遥感图像被传输至地面。因此，如何精确并高效地对目标进行定位和分类，成为遥感目标检测任务的关键。
YOLOv5 Flightscope:卫星图像中飞机检测算法的深度综合评估
sybh的博客
05-22 435
利用热红外(TIR)和RGB相机[1]等各种类型的视觉传感器，遥感在获取地球表面信息方面起 着基础性作用。这一领域包含了广泛的技术和方法，旨在捕获、分析和解释来自各种来源 的数据。在遥感领域中，最重要的应用之一是小目标[2]的检测和定位。来自卫星图像的目 标检测在各个领域都具有非常重要的意义，例如国防和军事应用[3]、城市研究[4]、机场监 视、船舶交通监测[5]和交通基础设施确定[6,7]。
yolov5v7v8目标检测计数代码
02-28
这个是由微智启软件工作室改进的yolov5v7v8目标检测计数代码，可以统计检测到的类别数量进行统计，然后通过cv2显示到图片上。代码讲解可以参考csdn文档：http://t.csdnimg.cn/aQXlb
基于YOLOv5的卫星图像目标检测
06-25
【作品名称】：基于YOLOv5的卫星图像目标检测 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】：标签格式转换和标签分布统计 YOLO 模型的标签输入有着特定的格式： <class> <x_center> <y_center> <width> <height> 其中， class 为目标类别 x_center 为标记框中心点的 x 坐标与图片宽度的比值 y_center 为标记框中心点的 y 坐标与图片高度的比值 width 为标记框的宽度与图片宽度的比值 height 为标记框的高度与图片高度的比值 而原数据集中的标签数据格式和 YOLO 模型要求输入的标签数据格式不一致，因此我们将 DOTA 标签数据格式批量转换成 YOLO 标签数据格式
基于Yolo-V3对卫星图像进行储油罐容积占用率的研究
3D视觉工坊
09-17 1020
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达在1957年以前，地球上只有一颗天然卫星：月球。1957年10月4日，苏联发射了世界上第一颗人造卫星，从那时起，来自40多个国家大约...
基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的遥感目标检测系统（Python+PySide6界面+训练代码）
思绪无限的博客
02-23 8036
本文介绍了一种基于深度学习的遥感目标检测系统系统的代码，采用最先进的YOLOv8算法并对比YOLOv7、YOLOv6、YOLOv5等算法的结果，能够准确识别图像、视频、实时视频流以及批量文件中的遥感目标。文章详细解释了YOLOv8算法的原理，并提供了相应的Python实现代码、训练数据集，以及基于PySide6的用户界面（UI）。该系统实现了对图像中遥感目标的准确识别和分类，并包含了基于SQLite的登录注册管理、一键更换YOLOv5/v6/v7/v8模型以及界面自定义修改等功能。
基于深度学习的遥感目标检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
逗逗班学Python
04-04 2634
本文深入研究了基于YOLOv8/v7/v6/v5的遥感目标检测系统，核心采用YOLOv8并整合了YOLOv7、YOLOv6、YOLOv5算法，进行性能指标对比；详述了国内外研究现状、数据集处理、算法原理、模型构建与训练代码，及基于Streamlit的交互式Web应用界面设计。在Web网页中可以支持图像、视频和实时摄像头进行遥感检测，可上传不同训练模型（YOLOv8/v7/v6/v5）进行推理预测，界面可方便修改。本文附带了完整的网页设计、深度学习模型代码和训练数据集的下载链接。
使用目标检测模型YOLO V10 OBB进行旋转目标的检测：训练自己的数据集（基于卫星和无人机的农业大棚数据集）
qq_23865133的博客
07-02 557
这个是在YOLO V10源码的基础上实现的。我只是在源码的基础上做了些许的改动。因为YOLOv10是是在Ultralytics的基础上开发而来，所有可以轻松地按照V8 OBB中的代码来修改。修改一个yaml文件和一个脚本脚本代码就可以实现YOLO V10 OBB
目标检测算法——遥感影像数据集资源汇总（附下载链接）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-28 3636
近期，小海带在空闲之余收集整理了一些遥感影像数据集资源供大家参考。11 个遥感数据集资源，其检测目标分类少则 2 种，多则可达 45 类。
真实场景下煤矸石目标检测数据集，可直接用于YOLOv5/v6/v7/v8训练
03-18
真实场景下采集的煤矸石训练数据集：891...煤炭mAP@.5：0.896 矸石mAP@.5：0.811 煤炭和矸石的混合物mAP@.5：0.919 可见博客：https://blog.csdn.net/m0_51004308/article/details/136811369?spm=1001.2014.3001.5502
基于ncnn的yolov8目标检测demo
04-11
基于 ncnn 的 YOLOv8 目标检测 demo 展示了如何在移动设备上利用神经网络计算库进行实时目标检测。YOLOv8 是 YOLO（You Only Look Once）目标检测算法的改进版本，其特点是通过单次前向传播即可实现对图像中所有目标...
基于Gradio的YOLOv8通用目标检测与图像分割可视化系统毕业设计（源码+数据+说明文档）.rar
05-09
1、资源内容：基于Gradio的YOLOv8通用目标检测与图像分割可视化系统毕业设计（源码+数据+说明文档）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”...
可用于YOLOv5/v6/v7/v8训练的农作物杂草数据集
10-21
对于YOLOv5、v6、v7和v8，这些版本分别代表了YOLO模型的不同时期发展和优化。YOLOv5引入了更高效的训练策略和改进的网络结构，如Mosaic数据增强和Path Aggregation Network (PANet)。YOLOv6可能进一步提升了速度和...
目标检测算法——小目标检测相关数据集（附下载链接）
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
05-09 1万+
近期，有小伙伴询问数据集的相关问题，小海带在空闲之余整理了几个开源的小目标数据集供大家参考。
实战 | YOLOv8使用TensorRT加速推理教程（步骤 + 代码）
最新发布
Color Space的博客
07-09 631
这一步主要是安装根据自己的硬件安装GPU驱动，下载CUDNN等，以往的文章已经介绍过多次，可以点击下面的图片跳转到对应文章查看(点击图片跳转)。DeepSparse：专为稀疏模型设计的CPU推理运行时，可以有效加速基于WSL2的Windows环境下的推理。OpenVINO：Intel的推理工具套件，用于CPU上的模型优化和加速，支持量化和多种硬件加速。可以使用官网下载的模型也可以使用自己训练好的模型。保持框架最新：确保使用的深度学习框架版本是最新的，以获得最新的优化和bug修复。
绝缘子陶瓷绝缘子玻色绝缘子聚合物绝缘子检测数据集VOC+YOLO格式2050张3类别
FL1623863129的博客
07-06 216
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["glass insulator","polymer insulator","porcelain insulator"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：2050。标注数量(xml文件个数)：2050。标注数量(txt文件个数)：2050。
Faster R-CNN 和 YOLO 对比
AndrewPerfect的博客
07-07 613
性能和应用场景：适用于对检测精度要求较高的场景，如学术研究、工业检测等。它在处理复杂背景和多样化目标时具有优势，但由于速度较慢，不适合实时应用。YOLO：适用于需要高速度的实时检测场景，如自动驾驶、视频监控等。虽然精度相对较低，但其速度和效率使其在实时应用中非常有竞争力。模型复杂度和资源需求：模型复杂，训练和推理时间较长，需要较多计算资源。适合在有强大硬件支持的情况下使用。YOLO：模型简单，训练和推理速度快，资源需求较低。适合在资源有限的设备上进行实时检测。
设置无标题 android
05-02
在Android应用中，设置无标题是一种简洁和美观的设计方式，可以为用户提供更流畅的使用体验。以下是一些实现设置无标题的方法： 1. 在Android的Manifest文件中，找到对应Activity的标签，并添加”android:theme="@android:style/Theme.NoTitleBar"“属性。这样可以通过Android自带的主题去掉标题栏。 2. 使用自定义的主题，可以在样式表中添加以下代码： <style name="AppTheme" parent="Theme.AppCompat.NoActionBar"> <!-- ...其他样式... --> </style> 这种方式可以通过设置主题去除ActionBar和标题栏，同时保留其他布局元素。 3. 去掉代码中的setTitle()方法，这是一种最简单的方法，通过不设置Activity的标题来实现无标题。 以上就是三种常见的实现Android无标题的方式，开发者可以根据实际需求进行选择。值得注意的是，去除标题栏可能会影响用户的导航体验，因此在设计上需要考虑周全。

“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
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