YOLOv5实战:从iSAID遥感数据预处理到实例分割模型训练全流程解析

YOLOv5实战:从iSAID遥感数据切分到实例分割模型训练全流程解析 本文详细解析了使用YOLOv5进行遥感实例分割的完整实战流程。针对iSAID高分辨率遥感数据集,重点阐述了从数据下载、大图切分以解决显存瓶颈,到将掩码标签转换为YOLO格式的核心步骤,并提供了模型训练配置与实战调优指南,帮助开发者高效完成从数据处理到模型训练的全过程。 阅读详情

1. 为什么选择iSAID数据集?遥感实例分割的“硬骨头”与“敲门砖”

如果你正在研究遥感图像分析,尤其是想用YOLOv5这类现代算法来做实例分割,那你肯定绕不开一个难题:数据。普通的公开数据集,像COCO、VOC,里面的目标大多是街景、室内物品,目标边界清晰,背景相对简单。但遥感图像完全是另一个世界——一张图动辄几千乘几千像素,里面密密麻麻挤着成百上千个目标,比如港口里停泊的船只、机场上排列的飞机、农田里分布的储油罐。更“要命”的是,这些目标尺寸差异巨大,从几十个像素的小汽车到占据图像一大片的足球场,应有尽有。直接用原始大图去训练模型?除非你拥有顶级计算资源,否则显存分分钟告急,训练过程会异常艰难。

这就是iSAID数据集的价值所在。它不是一个普通的遥感数据集,而是目前公开的、规模最大、标注最密集的航空影像实例分割数据集之一。我当初为了找一个能“练手”又足够挑战的数据集,翻遍了各种论文和开源社区,最终锁定了iSAID。它包含了2806张高分辨率图像,涵盖了15个常见的遥感地物类别,标注了超过65万个对象实例。这个数据量,对于深度学习模型来说,既够“吃”得饱,又能充分学习到遥感目标的复杂特性。可以说,搞定iSAID,你就掌握了处理大规模遥感实例分割任务的核心方法论,以后再面对其他类似数据集,比如DOTA、xView,你心里就有底了。

不过,iSAID的“强大”也带来了“麻烦”。它的原始图像非常大,直接扔给YOLOv5训练是不现实的。我们需要对它进行一番“精加工”,包括下载、切图、转换标签格式,最后才能喂给模型。这个过程听起来步骤不少,但别怕,我把自己趟过的路、踩过的坑都总结在这篇文章里了。只要你跟着步骤一步步来,从原始数据到训练出第一个模型,最快半天就能搞定。我们最终的目标,是让你手里有一套可以直接用于YOLOv5训练的、切分好的、标签格式正确的iSAID数据集,并成功启动训练。

2. 第一步:搞定数据下载与初步整理

万事开头难,但数据下载这一步其实很简单,关键在于找对地方和理清结构。iSAID数据集本质上由两部分组成:高分辨率图像和精细的标注文件。但官方为了节省存储和带宽,将图像和标注分开了。图像部分来源于更早的DOTA数据集,而标注(包括实例分割和语义分割的标注)则由iSAID项目团队单独提供。

首先,我们需要下载标注文件。通常可以在相关的论文主页或开源项目页面找到下载链接。标注文件一般会按训练集(train)和验证集(val)打包,每个压缩包里都包含了对应图像的实例分割JSON文件和语义分割PNG文件。下载后,你会得到类似 train.zip 和 val.zip 的文件,解压后里面是密密麻麻的JSON和PNG文件。

紧接着,是下载原始图像。你需要回到DOTA数据集的官网或发布页面,找到与iSAID标注对应的图像集进行下载。下载完成后,你会得到两批大尺寸的遥感图像(例如,训练集1411张,验证集458张)。这时候,文件管理就很重要了。我建议你建立一个清晰的项目目录,像下面这样:

iSAID_Project/
├── raw_images/
│   ├── train/          # 放置从DOTA下载的1411张训练原图
│   └── val/            # 放置从DOTA下载的458张验证原图
├── raw_annotations/
│   ├── train/          # 放置从iSAID下载的训练集标注(JSON和PNG)
│   └── val/            # 放置从iSAID下载的验证集标注(JSON和PNG)
└── (后续生成的目录)

一个关键的核对步骤:务必确保 raw_images/train/ 里的图片文件名和 raw_annotations/train/ 里的标注文件名能一一对应(除了后缀名)。通常它们的设计是一致的,比如 P0001.png 对应 P0001.json。如果发现对不上,可能需要根据文件名进行匹配或重命名。整理好这一步,就为后续的自动化处理扫清了障碍。

3. 第二步:核心操作——大图切分与标签同步处理

这是整个流程中最关键、最耗时,但也最能体现价值的一步。为什么非要切图?我举个直观的例子:iSAID里的一张原图可能是4000x4000像素,里面包含了几十个甚至上百个目标实例。YOLOv5在训练时,会将整张图缩放到一个固定的尺寸(比如640x640)。如果原图里有大量密集小目标,直接缩放会导致这些小目标在输入图像中变得极小,甚至消失,模型根本学不到有效特征。另一方面,这么大的图直接加载进GPU,显存占用会爆表,批量训练(batch training)无从谈起。

切图的目的是将大图裁剪成一系列有重叠的小图块(例如1024x1024)。这样做的好处有三点:第一,每个图块内的目标数量变得适中,模型更容易学习;第二,图块尺寸固定,便于组织批量数据,提升训练效率;第三,通过设置重叠区域(overlap),可以避免目标刚好被切割线“腰斩”,保证每个目标至少完整地出现在某个图块中。

网上有很多现成的切图脚本,我推荐使用专门为DOTA/iSAID数据集设计的工具,比如一些GitHub上的开源项目。你需要下载这些脚本,通常核心文件是 split.py 或类似名称。使用前,你需要修改脚本中的路径配置,指向你上一步整理好的 raw_images/train 和 raw_images/val 文件夹,并设置输出目录(例如 iSAID_patches)、图块大小(如1024)、重叠步长(如200)。

运行切图脚本是一个比较耗时的过程,因为要处理近两千张大图。你可以泡杯茶,耐心等待。完成后,iSAID_patches 目录下会生成 images 文件夹,里面包含成千上万张小图块(例如训练集可能产生8万多张,验证集1万多张)。

但是,光切了图没用,标签也得跟着切! 这才是难点。原始标注是JSON格式,记录了每个目标在原图上的多边形轮廓坐标。切图后,我们需要计算出每个小图块对应在原图上的位置,然后将落在这个位置内的目标及其多边形坐标进行转换(减去图块的左上角偏移量),并生成新的、对应于这个小图块的标注文件。这个过程通常由切图脚本配套的 preprocess.py 或 label_processing.py 来完成。它需要读取原始的实例分割JSON文件,根据切图方案,为每一个生成的小图块创建一个对应的、包含所有相关目标标注的JSON文件。

这里可能会遇到一个依赖库问题:处理图像时可能需要 lycon 库。如果安装失败,在Ubuntu系统上可以尝试运行 sudo apt-get install cmake build-essential libjpeg-dev libpng-dev 安装系统依赖,然后再用pip安装lycon。处理完成后,你会得到一个大大的、COCO格式的JSON文件,它汇总了所有图块和标注信息,这是通向YOLO格式的桥梁。

4. 第三步:格式转换——从COCO大JSON到YOLO格式标签

上一步我们得到了一个COCO格式的“大JSON”文件。COCO格式是一种通用标准,但对于YOLOv5(尤其是Seg分割分支)来说,它需要的是另一种更简洁的格式:每个图像对应一个 .txt 文件,文件里每一行代表一个目标实例。这一行的格式是:<class_id> <x1> <y1> <x2> <y2> ... <xn> <yn>。其中 class_id 是类别索引(从0开始),后面跟着的是该目标分割多边形的所有顶点坐标,这些坐标是归一化后的(即坐标值除以图像宽度或高度,范围在0到1之间)。

因此,我们需要进行格式转换。幸运的是,YOLOv5官方社区提供了一些转换工具。你可以搜索“JSON2YOLO”或“coco2yolo”找到相关代码。通常你需要准备一个类别列表文件,指明iSAID的15个类别分别对应什么数字索引。例如:

# classes.txt
Small_Vehicle
Large_Vehicle
plane
ship
Swimming_pool
Harbor
tennis_court
Ground_Track_Field
Soccer_ball_field
baseball_diamond
Bridge
basketball_court
Roundabout
Helicopter
storage_tank  # 注意:有些版本类别顺序可能不同,务必与你的JSON文件核对

运行转换脚本,指定输入的COCO大JSON文件、图像所在目录(iSAID_patches/images/train等)和输出目录。脚本会遍历所有图像,为每一张图生成一个同名的 .txt 标签文件,里面包含了该图中所有目标的YOLO格式标注。

强烈建议在转换后做一次可视化检查! 这是避免后续训练白费功夫的关键一步。写一个简单的Python脚本,随机读取几张切分后的图块和对应的 .txt 标签文件,将多边形画回图像上看看是否对齐。我吃过亏,曾经因为坐标归一化计算有误,导致画出来的框全部挤在图像左上角一个小点里。下面是一个简单的检查脚本示例:

import cv2
import numpy as np
import os
import random

# 路径设置
image_dir = ‘iSAID_patches/images/train’
label_dir = ‘iSAID_patches/labels/train’ # 假设转换后标签放这里
class_names = [‘Small_Vehicle‘, ‘Large_Vehicle‘, ...] # 你的类别列表

# 随机选几张图
image_files = [f for f in os.listdir(image_dir) if f.endswith(‘.png‘)]
sample_files = random.sample(image_files, 5)

for img_file in sample_files:
    img_path = os.path.join(image_dir, img_file)
    label_path = os.path.join(label_dir, os.path.splitext(img_file)[0] + ‘.txt‘)
    
    img = cv2.imread(img_path)
    h, w, _ = img.shape
    
    if os.path.exists(label_path):
        with open(label_path, ‘r‘) as f:
            lines = f.readlines()
        for line in lines:
            parts = line.strip().split()
            if len(parts) < 3 or len(parts) % 2 == 0: # 至少包含类别和一个点
                continue
            class_id = int(parts[0])
            points = []
            for i in range(1, len(parts), 2):
                # 将归一化坐标转换回像素坐标
                x = float(parts[i]) * w
                y = float(parts[i+1]) * h
                points.append([int(x), int(y)])
            # 在图像上绘制多边形
            if len(points) > 2:
                pts = np.array(points, np.int32).reshape((-1, 1, 2))
                cv2.polylines(img, [pts], isClosed=True, color=(0, 255, 0), thickness=2)
                # 在第一个点附近标上类别名
                cv2.putText(img, class_names[class_id], (points[0][0], points[0][1]-10),
                            cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)
    
    # 显示图像
    cv2.imshow(‘Check‘, cv2.resize(img, (800, 800)))
    cv2.waitKey(0)
cv2.destroyAllWindows()

如果可视化结果正确,目标和轮廓都能完美贴合,那么恭喜你,数据集制作最复杂的部分已经完成了!

5. 第四步:配置YOLOv5环境与数据集YAML文件

数据准备好了,接下来就是搭建训练环境。YOLOv5的代码托管在GitHub上,使用起来非常方便。首先,把代码克隆到本地:

git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt  # 安装所有依赖

确保你的PyTorch、CUDA版本是兼容的。如果遇到问题,可以去PyTorch官网根据你的系统选择正确的命令安装。环境搭好后,我们需要创建一个数据集配置文件,告诉YOLOv5我们的数据在哪里、有哪些类别。

在 yolov5/data/ 目录下,新建一个文件,例如 isaid.yaml。这个文件的结构非常清晰:

# iSAID数据集配置文件
path: /path/to/your/iSAID_patches  # 数据集的根目录
train: images/train  # 训练图像路径,相对于上面的path
val: images/val      # 验证图像路径,相对于上面的path
# test: images/test  # 如果有测试集可以取消注释

# 类别数量
nc: 15

# 类别名称列表,顺序必须与标签中的class_id严格对应
names: [‘Small_Vehicle‘, ‘Large_Vehicle‘, ‘plane‘, ‘storage_tank‘, ‘ship‘, ‘Swimming_pool‘, ‘Harbor‘, ‘tennis_court‘, ‘Ground_Track_Field‘, ‘Soccer_ball_field‘, ‘baseball_diamond‘, ‘Bridge‘, ‘basketball_court‘, ‘Roundabout‘, ‘Helicopter‘]

这里有几个坑点需要特别注意:

  1. 路径(path):建议使用绝对路径,避免相对路径可能引起的找不到文件问题。
  2. 类别数量(nc):一定要数对,iSAID是15类,别写错了。
  3. 类别名称(names):这个列表的顺序至关重要!它决定了数字索引0、1、2...分别对应哪个类别。你必须确保这个顺序与你之前转换标签时使用的 classes.txt 顺序完全一致。否则,模型学到的“0”是船,但你的标签里“0”却是汽车,那就全乱了。我建议在转换标签的脚本里就把类别顺序固定下来,并记录好,然后原封不动地抄到这个YAML文件里。

6. 第五步:启动训练与关键参数调优

一切就绪,可以开始训练了!YOLOv5的训练命令非常灵活。一个基础的训练命令如下:

python segment/train.py \
  --data data/isaid.yaml \
  --weights yolov5s-seg.pt \
  --epochs 100 \
  --imgsz 640 \
  --batch-size 16 \
  --device 0 \
  --name isaid_exp1

我来解释一下这几个核心参数:

  • --data: 指定我们刚创建的数据集配置文件路径。
  • --weights: 指定预训练模型。yolov5s-seg.pt 是轻量级的分割模型,适合快速验证。如果你想追求更高精度,可以换成 yolov5m-seg.pt 或 yolov5l-seg.pt,但模型更大,训练更慢。
  • --epochs: 训练轮数。对于iSAID这样规模的数据集,100轮是个不错的起点。你可以观察验证集指标,如果后期不再提升,可以提前停止。
  • --imgsz: 输入图像尺寸。默认640对于1024x1024的图块来说,会进行下采样。你也可以尝试设置为1024,但这会增加显存消耗,可能需要减小 batch-size。
  • --batch-size: 批量大小。这是调参的关键,也是显存杀手。它取决于你的GPU显存大小。在RTX 3090 (24GB) 上,imgsz=640 时 batch-size=16 通常没问题。如果显存不足,就调小这个值,或者使用 --batch-size -1 启动自动批处理功能。
  • --device: 指定GPU,0 代表第一块GPU。多卡训练可以用 --device 0,1。
  • --name: 给这次实验起个名字,所有日志、模型权重都会保存在 runs/train-seg/{name} 目录下。

训练开始后,控制台会输出日志,更重要的是,YOLOv5会自动启动一个本地Web服务(通常是 http://localhost:6006),你可以用浏览器打开TensorBoard来实时查看损失曲线、精度、召回率等指标的变化,非常直观。

训练过程中的经验之谈:

  1. 学习率(lr):除非你是高手,否则建议先用默认值。YOLOv5有一套自动调整学习率的策略。如果你发现损失曲线震荡得很厉害或者下降很慢,再考虑通过 --hyp 参数传入自定义的超参数文件进行微调。
  2. 数据增强:YOLOv5默认开启了Mosaic、MixUp等强力的数据增强,这对于提升模型泛化能力,尤其是应对遥感图像中目标尺度、角度多变的情况非常有效。初期不建议关闭。
  3. 早停(Early Stopping):密切关注验证集指标 mAP@0.5 和 mAP@0.5:0.95。如果连续10-20个epoch这些指标都没有提升,甚至下降,就可以考虑停止训练了,防止过拟合。
  4. 权重保存:模型会定期保存,best.pt 是验证集指标最好的权重,last.pt 是最后一个epoch的权重。用于预测和部署时,优先使用 best.pt。

7. 第六步:模型验证、测试与结果分析

训练完成后,我们肯定要看看模型到底学得怎么样。YOLOv5提供了非常方便的验证和测试脚本。

模型验证:使用验证集评估模型性能。这会计算一系列关键指标。

python segment/val.py \
  --weights runs/train-seg/isaid_exp1/weights/best.pt \
  --data data/isaid.yaml \
  --batch-size 32 \
  --device 0 \
  --name isaid_val

运行后,你会看到详细的评估结果,重点关注以下几个:

  • P (Precision), R (Recall): 精度和召回率。对于实例分割,这是像素级别的。
  • mAP@0.5: 在IoU(交并比)阈值为0.5时的平均精度均值。这是衡量检测/分割准确性的核心指标,值越高越好。
  • mAP@0.5:0.95: 在IoU阈值从0.5到0.95(步长0.05)区间内的平均mAP。这个指标更严格,要求预测框/掩码与真实标注重合度更高。
  • 还会输出每个类别的AP值,帮你分析模型在哪些类别上表现好,哪些类别上表现差。比如你可能会发现“直升机”的AP很高,因为目标特征明显且数量适中;而“小汽车”的AP可能偏低,因为目标太小太密集。

模型测试与可视化:用模型对全新的图片(可以是预留的测试集,也可以是任何遥感图像)进行预测,并直观地看结果。

python segment/predict.py \
  --weights runs/train-seg/isaid_exp1/weights/best.pt \
  --source /path/to/your/test_images \
  --data data/isaid.yaml \
  --device 0 \
  --name isaid_pred \
  --save-txt --save-conf

--source 可以指向一个图片文件夹、单个图片或视频。--save-txt 会保存预测的标签文件,--save-conf 会保存置信度。预测结果会保存在 runs/predict-seg/isaid_pred 文件夹里,打开图片你就能看到模型画出的分割掩码和边界框了。

分析结果与迭代:如果效果不理想,别灰心,这是常态。回头看看是哪些类别识别不好。是目标太小?可以考虑在切图时使用更小的图块尺寸,或者在模型结构上使用更关注小目标的检测头(如PP-YOLOE中的PANet结构)。是数据不平衡?某些类别样本太少?可以尝试数据增强中专门针对稀有类别的过采样,或者在损失函数中引入类别权重。深度学习调参就是一个不断假设、实验、分析、再实验的过程。至少现在,你已经拥有了一个完整的、可运行的工作流程,这才是最宝贵的起点。

YOLOv5实战:iSAID遥感数据集从切图到训练全流程避坑指南(附显存优化技巧) 本文提供了YOLOv5在iSAID遥感数据集上进行实例分割的完整实战指南。针对高分辨率遥感影像导致的显存溢出难题,详细解析了从数据集下载、协同切图、标签格式转换到模型训练与显存优化的全流程,并分享了关键的避坑技巧与参数配置,帮助开发者高效完成模型训练。 阅读详情

相关推荐

YOLOv5-seg实例分割实战:从数据标注到模型部署全流程详解

实例分割是计算机视觉中的一项核心技术,它要求模型不仅能定位物体,还要精确分割出每个物体的像素级轮廓。其原理是在目标检测的基础上,增加一个并行的掩码预测分支,为每个检测到的实例生成分割掩码。这项技术的核心价值在于,它极大地提升了视觉系统对场景理解的精细度,是实现自动化、智能化感知的关键。在工业质检、自动驾驶、遥感分析等对精度和效率有双重要求的应用场景中,实例分割发挥着不可替代的作用。YOLOv5-seg作为YOLO系列在实例分割领域的延伸,凭借其高效的**单阶段架构**和出色的**工程化部署**能力,成为了平

weixin_32830601的博客 239

YOLOv5实例分割实战:iSAID遥感数据集从切图到训练全流程避坑指南

本文详细介绍了使用YOLOv5进行遥感实例分割的完整实战流程,重点解析了iSAID数据集的预处理、切图、格式转换与模型训练全链路。针对高分辨率遥感图像处理中的显存挑战和标注格式差异,提供了从数据下载、环境搭建到关键参数调优的避坑指南,帮助开发者高效完成从数据准备到模型部署的实战任务。

cc789的博客 491

遥感影像智能解析全景指南:PyTorch实战地物分类、目标检测与分割,从CNN到YOLO、U-Net全解析

Backbone:提取特征;:生成候选区域;ROIAlign:对候选区域提取特征;分类+回归:判断类别及精确框位置。遥感影像处理正站在深度学习的风口浪尖。从简单的地物分类,到精准的目标检测与高分辨率的语义分割,PyTorch 提供了强大而灵活的支撑。掌握遥感数据的特点,结合先进的神经网络模型,将为城市管理、自然资源监测、环境保护等行业带来前所未有的自动化能力。如果你也在从事遥感数据分析或地理空间AI建模,欢迎评论区留言,一起交流技术,共建遥感智能生态!

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 937

保姆级教程:用YOLOv5训练iSAID遥感实例分割数据集(附显存优化技巧)

本文提供了一份详细的YOLOv5训练iSAID遥感实例分割数据集的保姆级教程,包含显存优化技巧和高效数据处理策略。通过针对性的模型调整和优化方法,帮助开发者在消费级显卡上实现专业级遥感影像分析任务,显著提升训练效率和模型性能。

solidity8miner的博客 196

遥感舰船检测实战:基于sardet_100k数据集的YOLOv5模型训练与优化指南

目标检测是计算机视觉的核心任务之一,旨在从图像中定位并识别出感兴趣的目标。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并利用回归和分类头输出目标的边界框与类别。这项技术在安防监控、自动驾驶、工业质检等领域具有重要价值。在遥感图像分析这一特定应用场景中,舰船目标检测对于港口管理、海上交通监控和国防安全至关重要。然而,遥感影像中的目标通常面临尺度变化大、背景复杂(如海浪、云层)以及目标密集排列等独特挑战。sardet_100k作为一个大规模、高质量的遥感舰船检测开源数据集,为解决这些挑战提供了关键的基

Ferrerooo 成长 441

YOLOv11n-seg实战:从训练到部署的完整流程(附避坑指南)

本文详细介绍了YOLOv11n-seg实例分割模型从数据准备、模型训练、验证测试到最终部署的完整实战流程。重点解析了训练过程中的参数调优、常见问题排查以及模型导出为ONNX、TensorRT等格式的关键步骤与避坑指南,帮助开发者高效完成工业级视觉项目的落地应用。

onion的博客 809

无人机滑坡分割数据集 无人机自然灾害实例分割检测数据集 YOLOV8 SEG分割模型如何训练无人机滑坡落石实例分割数据集

无人机滑坡分割数据集 无人机自然灾害实例分割检测数据集 YOLOV8 SEG分割模型如何训练无人机滑坡落石实例分割数据集

2401_88441190的博客 980

YOLOv11实例分割实战:从COCO数据集到TensorRT部署

实例分割是计算机视觉中结合目标检测与语义分割的重要技术,其核心在于同时实现物体定位和像素级轮廓识别。基于深度学习的解决方案通常采用多任务学习框架,通过共享主干网络提取特征后,分别处理检测框预测和掩码生成。YOLOv11作为实时实例分割的最新实践,通过动态上采样和轻量级掩码头设计,在保持YOLO系列速度优势的同时显著提升分割精度。结合COCO2017这类包含80类物体的基准数据集,开发者可以系统验证模型在复杂场景下的表现。从工程落地角度看,需特别关注数据增强策略、混合精度训练以及TensorRT加速部署等关键

weixin_30522183的博客 316

基于YOLOv8的遥感SAR舰船小目标识别

基于YOLOv8的遥感SAR舰船小目标,阐述了整个数据制作和训练可视化过程

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 5033

基于YOLOv5、YOLOv8和YOLOv10的遥感图像中建筑物检测:深度学习实现与UI界面构建

YOLOv5是由Ultralytics团队开发的YOLO系列的一个变种,采用了PyTorch框架,具有高效、灵活的特点。YOLOv5在YOLOv4的基础上进行了优化,显著提高了训练速度和推理速度,适用于实时检测任务。YOLOv5在遥感图像建筑物检测中表现出了较强的能力,尤其是在大规模数据集上的表现。高效率:能够在不同硬件设备上高效运行,适合实时监控和大规模图像数据的处理。灵活性:支持多种检测任务,用户可以根据需求调整模型架构。简易的训练流程:通过简洁的命令行接口,用户可以快速启动训练过程。

YOLO 1335

航拍图像实例分割实战:从数据处理到YOLOv8模型训练与部署

实例分割是计算机视觉中的一项核心技术,它要求模型不仅能识别图像中的物体,还要精确分割出每个独立实例的像素级轮廓。其原理通常基于深度学习框架,通过编码器-解码器结构或类似Mask R-CNN的架构,在目标检测的基础上增加像素级掩码预测分支。这项技术的核心价值在于为自动化系统提供精细的环境感知能力,是实现高精度场景理解的关键。在工程实践中,实例分割广泛应用于自动驾驶、遥感分析、工业检测和医疗影像等领域。针对航拍拼接图像这类具有超大尺寸、多尺度目标和复杂背景特点的数据,进行有效的实例分割面临独特挑战。本文以YOL

weixin_28224217的博客 286

深度学习目标检测项目实战(三)—基于Yolov5的遥感图像目标检测及其界面封装

这里使用官方的yolov5.60进行训练,yolov5的好处就是使用起来便利,只要定义好数据集格式,加上硬件不差,基本上可以跑出来。这里以遥感图像目标检测为例子进行实战。

weixin_39735688的博客 1万+

Qt实战:用QCustomPlot实现毫秒级时间轴数据动态刷新(附完整代码)

本文深入探讨了在Qt框架下,如何利用QCustomPlot库高效实现毫秒级时间轴数据的动态刷新与实时可视化。针对工业物联网等高频数据场景,文章提供了从原理剖析、核心代码实现到性能优化的完整实战指南,包括滑动窗口管理、双定时器策略及坐标轴精确配置,帮助开发者构建稳定、流畅的专业级监控界面。

qsc90123456的博客 759

AI助力遥感影像智能分析计算,基于高精度YOLOv8全系列参数【n/s/m/l/x】模型开发构建卫星遥感拍摄场景下地面建筑物智能化分割检测识别系统

AI助力遥感影像智能分析计算,基于高精度YOLOv8全系列参数【n/s/m/l/x】模型开发构建卫星遥感拍摄场景下地面建筑物智能化分割检测识别系统

Together_CZ的博客 2122

Linux运维人,该醒醒了,2019年要变天了

外界都说运维只是处于被动低效率手工救火的状态,企业对其重视程度不高,提起运维很多人能联想到的字眼就有“苦逼”、“辛苦”、“加班”、“背锅”。在大数据、人工智能、容器技术的强力加持下,运维这个传统的技术工种已经从“机械劳动”这样的刻板印象中蜕变出来,成为了任何一家技术公司所必须依赖和大力投入的核心技术能力。 现在,运维人员的发展前景也开始让很多程序员眼羡,作为Linux运维人员的你:这一年,你的L...

qq_43083284的博客 1万+

TL494充电器原理与维修 (转)

TL494充电器原理与维修 电动自行车充电器多采用开关 电源,型号虽多,但电路结构大同小异,主要区别在于所选的脉宽调制(PWM)芯片不同如(UC3845、UC3842、SG3524、TL494)。现以佳腾牌 充电器为例,介绍其原理和故障检修方法。 一、电路原理 根据实物测绘的佳腾牌充电器电路原理如图1所示。整机可分为PWM产生和推动电路、功 率开关变换电路、...

weixin_30500663的博客 1816

滑坡自动识别系统 灾后应急评估 深度学习滑坡分割数据集的训练及应用 遥感多源滑坡分割数据集训练DeepLabv3+模型 无人机滑坡分割数据集 遥感滑坡检测数据集

滑坡自动识别系统 灾后应急评估 深度学习滑坡分割数据集的训练及应用 遥感多源滑坡分割数据集训练DeepLabv3+模型 无人机滑坡分割数据集 遥感滑坡检测数据集

2401_88440984的博客 1365

【Unity学习笔记】事件系统EventSystem

1.EventSystem物体 第一次在Unity中创建UI元素时,总会自动生成一个EventSystem物体,它包含三个组件:Transform、EventSystem、Standalone Input Module。如果我们把它删除了,会发现UI上的事件(比如点击、拖拽)将不会被检测到。没错,它就是用来处理UI相关的事件的。 1.1 EventSystem组件 EventSystem基于输入给物体发送事件,它在整个事件系统中扮演的主要角色是: 1.管理被选中的物体 2.管理正在使用的Input Modu

一白梦人的博客 1万+

彩笔的第一个模型:DOTA数据集YOLOv5目标检测

自己的笔记,大家看不懂的话对不起,一坨屎的记录

qq_44921637的博客 4453

基于FastLIO2与TEB算法的机器狗自主导航系统实战

本文详细介绍了如何为机器狗构建一套基于FastLIO2与TEB算法的自主导航系统。通过整合FastLIO2激光惯性里程计实现精准定位,并采用TEB局部规划器进行灵活路径规划与动态避障,解决了传统方案在复杂地形下反应慢、易碰撞的问题。文章提供了从环境搭建、算法部署、地图转换到系统调试的完整实战指南,帮助开发者实现机器狗的稳健自主行走。

beer8的博客 326

AgentVerse实战:构建多智能体协作系统的关键技术与应用场景

本文深入探讨了AgentVerse框架在构建多智能体协作系统中的关键技术及应用场景。通过分析智能体通信协议、环境交互机制和任务分解算法,展示了如何利用大型语言模型(LLM)实现智能体间的专业化分工与动态协作。文章还提供了智能软件开发团队和智能客服系统等典型应用案例,以及部署优化实践,为开发者构建高效的多智能体系统提供实用指导。

weixin_29254029的博客 362

3步实现高精度作物分割:基于YOLOv10的农业影像处理全流程

3步实现高精度作物分割,解决农业影像分析难题。基于农业影像的 YOLOv10 模型,适用于农田监测、病害识别等场景,通过轻量化设计提升检测速度与精度。流程清晰、易于部署,助力智慧农业高效落地,值得收藏。

ProceShoal的博客 810

在Simulink中实现基于深度强化学习的控制算法仿真建模

通过上述步骤,你可以在Simulink中实现基于深度强化学习的控制算法仿真建模。这种方法适用于许多复杂的控制问题,尤其是当传统控制方法难以找到有效解决方案时。随着经验的积累,你可以进一步探索不同的深度强化学习算法及其变种,以适应更广泛的应用场景。此外,还可以结合其他先进技术(如迁移学习、多智能体协作等),提升模型的表现能力。

amy_mhd的博客 417

Web效果惊艳:遥感场景分割

本项目数据集信息介绍本项目所使用的数据集旨在支持改进YOLOv11的遥感场景分割系统,具体聚焦于“SRMIGestionIngresos”主题。该数据集包含七个类别,分别为:camineria(道路)、incierto(不确定区域)、otros(其他)、patioLimpio(干净的院子)、terrenoImp(改良土地)、vegetacion(植被)和vivienda(住宅)。这些类别的选择反映了遥感图像中不同地物的多样性和复杂性,为训练深度学习模型提供了丰富的标注信息。

2301_79456590的博客 1139

机器人中的数值优化(一)—— 数学优化、凸集合与凸函数

本系列文章主要是我在学习《数值优化》过程中的一些笔记和相关思考,主要的学习资料是深蓝学院的课程《机器人中的数值优化》和高立编著的《数值最优化方法》等,本系列文章篇数较多,不定期更新,上半部分介绍无约束优化,下半部分介绍带约束的优化,中间会穿插一些路径规划方面的应用实例。

慕羽★的博客 2521

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

上一篇: 深入解析jQuery跨站脚本漏洞:原理、验证与防范
下一篇: 实战指南:神州交换机链路聚合配置与故障排查
devops8pract
博客等级 码龄4年 533粉丝 849原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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