无人机巡检场景小目标检测与量化加速部署方案详解

‍‍在社会活动和社会生产中，巡检是一个必不可少的环节。然而，传统的人工巡检方式存在效率低下、成本高昂、安全风险大等问题，限制了巡检的效果和范围。无人机巡检因其高效、灵活、安全的特点被越来越多的企业采用。但是，如何在无人机巡检中快速准确地检测出小目标，成为了该技术的重要难点之一。本文将介绍一种基于 PP-YOLOE-SOD 的小目标检测方案，并分享使用 PaddleSlim 模型压缩工具和 OpenVINO 在 Intel x86平台上部署加速 PP-YOLOE+ 系列模型。

• 项目链接

https://aistudio.baidu.com/aistudio/projectdetail/5036782

无人机视角目标物示意

场景难点

数据量和质量不足

在无人机巡检场景下，要获取大量的高质量数据是非常困难的。此外，场景的复杂性和多变性也给数据采集和标注带来了很大的挑战。

小目标检测难度大

无人机巡检场景中的小目标往往尺寸较小、形状复杂，容易被周围环境干扰而导致检测误差。

模型精度受量化误差的影响大

目标检测融合了目标定位和目标分类两种任务，任务复杂度高，精度受量化的影响更大。

部署效率较低

在实际应用中，模型的部署效率往往是一个重要的考虑因素，特别是在无人机巡检等场景中，需要实时检测并及时反馈结果，而浮点模型由于计算量较大，推理性能不佳。

方案设计

如上分析，无人机巡检场景下由于其视角较高、画面较大、目标