EGO-Planner的无人机视觉选择（yolov5和yolov8）

已于 2025-03-01 10:28:39 修改
阅读量936 收藏 6
点赞数 8
文章标签： 无人机 YOLO
于 2025-03-01 10:20:48 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/m0_58451019/article/details/145943548
版权

EGO-Planner的无人机视觉选择（yolov5和yolov8）

效果

yolov5检测效果

在这里插入图片描述

yolov8检测效果

在这里插入图片描述

一、YOLOv8 vs YOLOv5：关键差异解析

1. 训练效率：为何YOLOv8更快？

  • 架构轻量化
    YOLOv8采用C2f模块（Cross Stage Partial-fractional）替代YOLOv5的C3模块，通过更深的特征复用和更少的参数量，减少训练时的计算负担。

  • 动态训练策略
    YOLOv8引入自适应学习率调度和智能数据增强（如Mosaic的优化版本），无需手动调整超参数。其训练流程自动平衡不同尺度的目标，尤其适合无人机拍摄的远近目标混合场景。

  • 硬件加速优化
    默认支持混合精度训练（AMP）和GPU Tensor Core加速，使得YOLOv8在设备上的训练速度提升。

结语

YOLOv8凭借其高效的训练、卓越的精度，已成为无人机视觉感知的新标杆。无论是EGO-Planner的实时避障，还是农业巡检中的作物识别，选择YOLOv8都将显著提升系统性能。立即尝试官方代码库（Ultralytics YOLOv8），开启您的无人机智能升级之旅！

MuFeng@
关注
yolo v5和yolo v8的对比
m0_62917657的博客
08-22 4062
yolo v5本身是轻量化模型，在保证一定准确性的基础上实现更小更快的模型。
​yolov8和yolov5​主要区别
KIKI3666的博客
09-04 7482
在同一个像素点上，生成多个不同大小和比例的候选框，覆盖几乎所有位置和尺度，每个参考框负责检测与其交并比大于阈值 (训练预设值，常用0.5或0.7) 的目标，然后通过anchor中有没有认识的目标和目标框偏离参考框的偏移量完成目标检测，不再需要多尺度遍历滑窗，极大的提升了速度。Decoupled Head不仅是模型精度上会提高，同时网络的收敛速度也加快了，使用Decoupled Head的表达能力更好，增强了模型的鲁棒性，可以更好地建模位置和类别之间的关系，提高目标检测性能。相对简洁，无需设计大量的锚框。
Yolov8相对Yolov5的改进跟优化
weixin_38991876的博客
03-20 1692
YOLOv8 通过架构创新和训练策略优化，显著提升了模型性能，同时保持了 YOLO 系列的高效率特性，是目前更推荐的主流选择。C2f 通过增加跨层连接和更多的分支结构，提升了特征提取能力，同时减少了计算量。Backbone 和 Neck 的深度增加，通过更复杂的特征融合提升检测精度，尤其是在小目标和密集场景中。（任务对齐分配器），动态分配正负样本，替代 YOLOv5 的静态分配策略，提升训练效率。支持基于无标签数据的预训练（如 DETR 风格的预训练），提升小数据集上的表现。
YOLOv8相较于YOLOv5有哪些改进？
千天夜的博客
11-07 2146
综上所述，YOLOv8相比YOLOv5在算法上进行了多项改进，这些改进使得YOLOv8在目标检测任务中表现出更高的性能和准确性。
yolov5 yolov6 yolov7 yolov8 yolov9目标检测、目标分类 目标切割 性能对比
putaolove的博客
12-22 7142
在YOLOv1提出之前，R-CNN系列算法在目标检测领域中独占鳌头。R-CNN系列检测精度高，但是由于其网络结构是双阶段（two-stage）的特点，使得它的检测速度不能满足实时性，饱受诟病。为了打破这一僵局，涉及一种速度更快的目标检测器是大势所趋。2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。
yolov8和yolov5对比
weixin_63694345的博客
01-14 9871
都是基于 DarkNet-53 模型的现代目标检测器，它们都具有一些共同的特性，如使用锚框来提升检测准确性以及非极大值抑制（NMS）技术来减少误检。然而，两者在这些特性方面的实现有所不同，这影响了它们的性能和应用场景。综上所述，如果您的目标是进行实时的小物体检测，YOLOv5 将是一个不错的选择。而对于需要高准确率的检测任务，YOLOv8 会提供更高的性能。
【yolov8】与yolov5的区别及改进详解
热门推荐
qq_44878985的博客
11-30 3万+
yolov8-----有点厉害的目标检测框架.
yolov5和yolov8的区别是什么
weixin_35750483的博客
02-12 1万+
YOLOv5 和 YOLOv8 是两种不同版本的 YOLO (You Only Look Once) 实现，它们是用于目标检测的开源深度学习模型。主要区别如下： 模型架构：YOLOv5 使用了一个简单的卷积神经网络 (CNN) 架构，而 YOLOv8 则使用了更加复杂的网络架构，包括多个残差单元 (Residual Unit) 和多个分支。 速度：YOLOv5 相较于 YOLOv8 更快，因为...
简述YOLOv8与YOLOv5的区别
qq_44799766的博客
03-01 2万+
yolov7,yoloX相关论文还没细看,yolov8就出来了。太卷了！YOLOv5和YOLOv8的区别。
yolov5和yolov8的区别
jenny88889999的博客
01-03 1585
7. yolov5的网络配置文件：yolov5\models\yolov8l.yam, yolov8n.yam, yolov8m.yam, yolov8s.yam, yolov8x.yam。3. yolov5有三个损失函数，回归问题：预测框和建议框的损失(中心点宽高偏移量的损失)：CIOU+FocalLoss损失函数，。4. yolov8有两个损失函数，回归问题：预测框和真实框的损失(中心点宽高偏移量的损失)：CIOU)DFL损失函数。1. yolov5有建议框，yolov8没有建议框。
ego-planner-swarm 注释版
06-04
ego-planner-swarm 是一个专为多机器人系统设计的运动规划框架，它的注释版提供了对源代码的详细解释，方便开发者深入理解其工作原理。本文将详细介绍ego-planner-swarm的相关知识点，包括软件/插件特性、运动规划...
EGO-Planner.pdf
03-05
5. **实验验证**：通过基准测试和真实世界实验，验证了EGO-Planner的鲁棒性和高性能表现。 #### 技术细节 - **碰撞检测**：EGO-Planner中的碰撞检测机制不再依赖于全局的ESDF地图，而是通过比较当前轨迹与一个预设...
ego-planner-swarm
04-30
编译安装了ros的ubuntu 16.04、18.04和20.04通过的测试。 您可以一个接一个地执行以下命令。 sudo apt-get install libarmadillo-dev git clone https://github.com/ZJU-FAST-Lab/ego-planner-swarm.git cd ego-...
使用ego-planner进行无人机控制时的数据流（自用）
xuzhengzhe的博客
04-13 2489
本文将详细介绍如何使用ego-planner向无人机发送控制指令，实现自动控制的过程。我们将探讨ego-planner的运行方式以及控制指令的传输过程，涉及到ROS节点、MAVROS协议以及无人机的控制器等方面。在实现自动控制时，控制指令的传输是至关重要的一环。本文将详细介绍ego-planner如何向无人机发送控制指令，从而实现自动控制的过程。本文主要讲解自动控制中的控制指令传输过程。控制指令传输过程：在ego-planner中，控制指令的传输是通过。
faster-lio和ego-planner联合仿真，无人机无法避障...如何解决？
最新发布
**My Coding Family**
04-16 1494
🏆本文收录于《全栈Bug调优(实战版)》专栏，主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案，希望能够助你一臂之力，帮你早日登顶实现财富自由🚀；同时，欢迎大家关注&&收藏&&订阅！持续更新中，up！up！up！！ 备注：部分问题/疑难杂症搜集于互联网。
YOLOv5 vs YOLOv8
mingo_敏
06-20 9305
YOLOv5 N/S/M/L/X 骨干网络的通道数设置使用同一套缩放系数；YOLOv8 N/S/M/L/X 骨干网络的通道数设置不一样，使用不同的缩放系数。YOLOv7 网络设计也采用类似的方式作用于所有模型。
YOLOv5和v8实验对比，训练效果，哪个更好呢？
qq_41968464的博客
05-20 2万+
Yolov5和v8的工程角度评价
万字长文带你搞懂yolov5和yolov8以及目标检测相关面试
m0_71124168的博客
07-23 2105
针对IoU和GIoU损失所存在的问题，DIoU为了解决如何最小化预测框和GT框之间的归一化距离这个问题，DIoU Loss考虑了预测框与GT框的重叠面积和中心点距离，当GT框包裹预测框的时候，直接度量2个框的距离，因此DIoU Loss的收敛速度更快一些。在yolo系列算法中，针对不同的数据集，都需要设定特定长宽的锚点框。在网络训练阶段，模型在初始阶段，模型在初始锚点框的基础上输出对应的预测框，计算其与GT框之间的差距，并执行反向更新操作，从而更新整个网络的参数，因此设定初始锚点框是比较关键的一环。
YOLO 关键点检测
01-11
### YOLO 关键点检测方法实现教程 #### 数据准备 为了使用YOLO进行关键点检测，数据集的准备工作至关重要。对于自定义数据集而言，通常会采用`labelme`工具来进行图像中标记对象的关键点位置[^1]。完成标记之后，这些带有标注信息的图片文件需进一步处理转化为适合YOLO模型输入的形式。 #### 转换至YOLO格式 从`labelme`导出的数据并不直接适用于YOLO框架下的训练过程；因此，需要编写脚本将JSON格式的标签转换为YOLO所需的txt文件形式。每张图对应的txt文档内记录着各个实例的位置坐标及其所属类别ID，在此过程中还需特别注意调整坐标系以匹配YOLO算法的要求——即将像素级绝对定位转变为相对整幅画面尺寸的比例表示法[^2]。 #### 训练设置 当准备好适配于YOLO架构的数据后，则可以着手配置网络参数并启动训练流程了。针对特定应用场景可能涉及到超参调优工作，比如学习率的选择、batch size大小设定等都会影响最终效果的好坏。此外，考虑到实际需求差异较大，有时还需要对原有骨干网结构做出适当修改来提高性能表现，例如引入多尺度特征融合机制增强小物体识别准确性或是通过增加额外分支专门负责捕捉姿态变化趋势从而改善整体鲁棒性[^3]。 ```python import torch from yolov5 import train, val if __name__ == '__main__': opt = { 'weights': None, 'cfg': './models/yolopose.yaml', 'data': './data/custom_data.yaml', 'epochs': 100, 'batch_size': 8, 'imgsz': 640, 'rect': False, 'resume': False, 'nosave': False, 'noval': False, 'evolve': None, 'bucket': '', 'cache_images': False, 'image_weights': False, 'device': '' } train.run(**opt) ```
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