Dronevehicle 数据集转yolo_obb的问题

已于 2024-04-30 12:19:23 修改
阅读量907 收藏 11
点赞数 9
文章标签： YOLO python 目标检测
于 2024-04-30 12:19:14 首次发布
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.youkuaiyun.com/NaNa0o/article/details/138341211
版权

Dronevehicle 数据集标签错误问题

Dronevehicle 数据集转yolo_obb

1、Dronevehicle转DOTA

1、 Dronevehicle 数据集中有旋转框和水平框，转换时要进行分类获取坐标
2、其中有个类别为feright car，由于mmrotate读取标签的机制，这个字符串在txt中不会直接被读取，因为中间有空格，会认为是两个标签，从而报错，需要转换为feright_car或者feright-car。让成为一个完整的字符串。
参考博文：http://t.csdnimg.cn/jf6PQ

2、DOTA转yolo_obb

经过步骤1后得到dota格式的txt文件，在使用“convert_dota_to_yolo_obb”函数转yolo_obb格式时发现有三个图片中存在错误标签，需修改后再转yolo格式。

出错标签

在这里插入图片描述

解决

‘13099’：“*” 改为 “feright_car”；
‘11663’： “feright” 改为 “feright_car”;
‘16318’： “truvk” 改为 “truck”

NaNa0o
关注
目标检测YOLO实战应用案例100讲-基于YOLOv5的航拍图像旋转目标检测（下）
qq_36130719的博客
10-24 532
表5-4中数据展示了R-YOLOv5在DroneVehicle验证集上的单类别检测性能 表现，由表可知R-YOLOv5n在输入图像分辨率为840×712的前提下实现了85.47 fps的运行速度，并且mAP50和mAP50:95精度指标分别达到了87.00和56.89，数据 表明R-YOLOv5系列算法能够完全胜任高速实时的无人机航拍图像车辆检测任务， 此外R-YOLOv5n的参数量仅为2.01M，模型内存也只有4.5MB，这个模型尺寸使 得R-YOLOv5n可以部署到绝大多数的嵌入式平台中。
目标检测YOLO实战应用案例100讲-基于YOLOv5的航拍图像旋转目标检测
qq_36130719的博客
10-22 717
无人机具有成本低、操作简单、体积小等优点，因此催生了多元化的应用场 景，例如利用无人机对人类无法进入的区域（火山口、海洋环境等）进行定期监 测；利用无人机对建筑工地、交通道路等高危场所进行有效的管理和监督；此外 无人机还可被用于地形调查，在国防安全和军事侦测等方面也有着极其重要的作 用。在这种广泛的应用基础上，无人机与智能化技术的结合也越来越紧密，例如 无人机可联动地面系统自动对建筑工地、交通道路的违规行为进行预警；在军事 活动中实现自主探测、追踪等等，因此相关技术的研究工作具有广泛的应用需求 和市场前景。
【数据集处理】DroneVehicle数据集处理方法
qq_44102942的博客
11-05 3640
DroneVehicle数据集由无人机采集的56,878张图像组成，其中一半是RGB图像，其余为红外图像。作者为这五个类别制作了带有定向边界框的丰富注释。
DroneVehicle转换YOLOOBB：手把手教程
weixin_43624549的博客
02-23 331
2：直接调用YOLO的数据转换函数。》》》下面更新训练流程。
基于DroneVehicle 数据集YoLov5训练（学习笔记）
2403_87623879的博客
03-08 1326
本博客以DroneVehicle 数据集为例，只是为了让读者能够快速上手训练自己的数据集，基本原理不过多涉及（基本不涉及），全都是相关操作，比较合适于想快速上手的友友。说明一下，本文借鉴了炮哥的相关博客以及视频，文章最后会注明出处，想去了解的可以去看看（比较推荐，炮哥在B站有视频号，可以去跟着视频学习，收获颇丰）。
天津大学推出大型无人机航拍车辆数据集DroneVehicle
我爱计算机视觉
03-08 9085
点击我爱计算机视觉标星，更快获取CVML新技术无人机已经越来越走入人们的生产和生活，使用无人机进行新闻报道、城市管理、治理监控也成为社会发展重要新趋势。我在南京的报纸上就看到过南京市对拟...
DroneVehicle数据集标签转换(.xml→.txt yolo_obb)
qq_45430086的博客
07-24 1808
DroneVehicle数据集由无人机采集的56,878张图像组成，其中一半是RGB图像，其余为红外图像。作者为这五个类别制作了带有定向边界框的丰富注释。
自学笔记：DroneVehicle 红外可见光小目标数据集 配对
2301_79275341的博客
10-08 1038
特别注意的是在数据集转换的时候，也就是转成YOLO的时候，可能会出现负坐标，或者是超过1的坐标值，这样就会导致模型训练不了，所以，需要进行针对那些数据集进行特殊的处理。首先需要数据处理，因为原本的数据集自带的有100*100的白边，对检测影响很大，特别是YOLO系列的检测模型。
Yolo11 基于DroneVehicle数据集的无人机视角下车辆目标检测
Ding_Jie_的博客
11-21 4088
DroneVenicle数据集是由天津大学收集、标注的大型无人机航拍车辆数据集。本文章阐述了怎么样用Yolo11去训练该数据集。
使用mmrotate训练 Dronevehicle 数据集
qq_36302310的博客
04-07 3248
目前看到有很多教程讲述mmrotate训练自制数据集或者dota数据集，这里讲一下在visitdrone数据集上的训练过程。
yolov5_obb~模型到部署
whaosoft143ai的博客
11-02 616
目标检测框架开发的一个项目，支持旋转目标检测任务（Oriented Bounding Boxes，OBB），旨在生成更好拟合具有角度位置的物体预测结果，广泛适用于机器人感知，遥感等领域。需要注意的是，笔者这里对 `poly_nms_cuda` CUDA实现重构了一遍，如果你使用的是 hukaixuan19970627 实现的版本，大概率会因版本问题编译不通过，可参考着修改下，但建议直接使用此修改后的版本，避免冲突。此外，本项目还同时提供了 *.pt 和 *.onnx 文件，方便大家下载使用，快速复现。
目标检测无人机数据集（一）drone-data-1.zip
10-12
目标检测 ，无人机数据集5000多张，目标小，类别名为drone ,标签格式为YOLO格式和voc格式两种，即txt格式和xml格式
YOLO系列算法旋翼无人机目标检测 YOLO无人机检测数据集-drone-part1.zip
04-17
1、YOLO系列算法旋翼无人机目标检测，数据集，都已经标注好，标签格式为VOC和YOLO两种格式，可以直接使用，共量部分，由于数量量太大，分为两部分，这里是第一部分 2、part1数量：5000多张 3、classes: drone 4、有需要的可以下载
yolov11多模态视频数据集
最新发布
04-02
points = convert_obb_to_points(box) image = cv2.polylines(image, [points], isClosed=True, color=(0, 255, 0), thickness=2) elif box_format == "hbb": x_min, y_min, x_max, y_max = box image = cv2....
Dronevehicle数据集处理
weixin_46329132的博客
03-07 881
这个数据集的标签问题很多啊。
DroneVehicle 双模态数据集YOLO格式处理完毕
zcdmw的博客
09-18 779
YOLOv8跑一轮的效果展示，效果很差哈哈哈。image 为可见光图像。images 为红外图像。耗费很久时间终于是搞定了。test 为验证图像。
无人机有关数据集汇总—自用，不定时更新
yugezihl的博客
12-25 9764
1.UC Merced Land-Use（用于土地利用研究的可见光遥感图像数据集，图片取自USGSNational Map Urban Area Imagery系列） 2.NWPUVHR-10（有10个类别的对象，这些图像是从Google Earth和Vaihingen数据集裁剪而来，并且由专家进行了类别标注） 3.VEDAI（Vehicle Detection in Aerial Imagery）数据集用于多种类车辆检测任务，该数据集的航空图像取自犹他州AGRC 4.U...
Drone-Based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning阅读笔记
Mrwei_418的博客
12-24 1903
摘要—基于无人机的车辆检测旨在定位航拍图像中的车辆位置和类别。它促进了智能城市交通管理和灾难救援的发展。研究人员在这一领域做出了大量努力，并取得了相当的进步。尽管如此，在物体难以区分的情况下，特别是在光线不足的情况下，这仍然是一个挑战。为了解决这个问题，我们构建了一个大规模的基于无人机的RGB-红外车辆检测数据集，称为DroneVehicle。我们的DroneVehicle收集了28,439对RGB-红外图像对，覆盖了从白天到夜晚的城市道路、住宅区、停车场和其他场景。
yolo11双模态
03-19
### YOLOv11双模态实现介绍 YOLOv11 是一种基于 Ultralytics 官方代码库开发的目标检测框架，支持多模态输入（如可见光和红外光图像）。其核心在于通过引入 CFT 模块（Cross-Feature Transformation Module），实现了对两种不同模态数据的有效融合[^1]。 #### 架构设计 YOLOv11 的双模态版本采用了一种双分支结构来分别处理可见光和红外光输入。具体来说： - **双分支网络**：两个独立的卷积神经网络分支用于提取各自模态特征。 - **CFT 模块**：该模块负责跨模态特征交互与融合，从而增强模型对于复杂场景的理解能力[^2]。 以下是简化后的架构描述： ```python class YOLOv11MultiModal(nn.Module): def __init__(self, backbone_config, cft_module_config): super(YOLOv11MultiModal, self).__init__() # 可见光分支 self.visible_branch = build_backbone(backbone_config) # 红外光分支 self.infrared_branch = build_backbone(backbone_config) # 特征融合模块 (CFT) self.cft_module = CrossFeatureTransformation(cft_module_config) def forward(self, visible_input, infrared_input): v_features = self.visible_branch(visible_input) i_features = self.infrared_branch(infrared_input) fused_features = self.cft_module(v_features, i_features) return fused_features ``` #### 环境配置 为了成功运行 YOLOv11 多模态版本，需完成如下准备工作： 1. **安装依赖项**：确保 Python 和 PyTorch 已正确安装，并满足最低版本要求。 2. **准备数据集**：推荐使用 DroneVehicle 数据集或其他类似的多模态数据集，其中包含配对的可见光和红外光图像及其标注文件（通常为 YOLO 格式）[^3]。 3. **权重初始化**：可以从预训练模型加载初始权重以加速收敛过程。 4. **YAML 文件定义**：创建并调整 `model.yaml` 和 `data.yaml` 文件，指定输入尺寸、类别数量以及路径等参数[^4]。 #### 训练流程 在实际应用中，可以通过以下命令启动训练脚本： ```bash python train.py --img 640 --batch 16 --epochs 50 \ --data data/drone_vehicle.yaml \ --cfg models/yolov11_multimodal.yaml \ --weights yolov11.pt ``` 此过程中会自动保存最佳性能模型至指定目录下供后续测试调用。 #### 推理阶段 当模型训练完成后即可进入推理环节，在单张或多张图片上执行预测操作： ```python from ultralytics import YOLO # 加载已训练好的模型 model = YOLO('runs/train/exp/weights/best.pt') # 对新样本进行推断 results = model.predict(source='path_to_test_images', save=True) for result in results: boxes = result.boxes.xyxy.cpu().numpy() # 获取边界框坐标 confidences = result.boxes.conf.cpu().numpy() # 获取置信度分数 class_ids = result.boxes.cls.cpu().numpy() # 获取分类ID ``` 上述方法能够高效地识别目标物体位置及种类信息。 ---
评论 3
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