[发疯毕设日志day6]火影结印使大疆tello起飞——数据集采集和yolov5模型训练

原创 已于 2024-05-15 15:45:33 修改 · 666 阅读 · 10 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO #人工智能 #opencv #无人机 #python #目标跟踪

于 2024-03-10 10:43:07 首次发布

1.采集数据集

        根据day5（下）的代码采集了一组数据集，共有6个动作。最后一个动作我做了调整，因为tello摄像头的分辨率较低，动作6和动作2有可能会识别混乱。

 2.数据标注

        用那个著名的数据标注软件

3.训练自己的yolov5模型

进入yolo文件  进入data

进入coco128复制一份，改成自己的名字 

用vs or pycharm打开

path：#数据相对于yolov5那个文件所在的目录

最后训练的结果大概就是这个样子的

4.遇到的问题

ConnectionAbortedError: [WinError 10053] 你的主机中的软件中止了一个已建立的连接。

解决方法参见

Python ConnectionAbortedError: [WinError 10053] 您的主机中的软件中止了一个已建立的连接.(就是链接数据库出现的问题自己连着断掉了)_connectionabortederror: [winerror 10053] 你的主机中的软件中-优快云博客

5.后续工作备忘

把自己的数据集训练的模型复制一份到课程附件里的模型中

AI项目五：结印动作识别
09-10 632
若该文为原创文章，转载请注明原文出处。
【手把手教程】大疆Tello无人机+YOLOv5目标检测实战 | 附完整代码与演示视频
10-20 2766
大疆Tello无人机图传+使用YOLOv5检测（附完整代码！）
DjiTello + YoloV5的无人机的抽烟检测
happy game
11-27 1289
Djitello、Yolov5、无人机技术 目标检测是一种计算机视觉技术，专注于识别和定位图像或视频中的特定对象。它不仅能够识别图像中的物体，还能够指示这些物体在图像中的位置。传统的目标检测方法通常使用特征工程和手动设计的算法来识别对象。这些方法包括 Haar 级联、HOG 特征和基于图像分割的技术。近年来，深度学习技术，特别是卷积神经网络（CNN），已经成为目标检测领域的主流。
【亲测免费】 探索Tello Python SDK：无人机编程的新里程
gitblog_00010的博客
03-26 1402
是由大疆创新（DJI）开发的一款针对Tello Edu无人机的Python SDK。这个开源项目为开发者和教育者提供了一个强大的工具，使得通过Python语言操控无人机变得简单易行。无论是初学者还是经验丰富的程序员，都能利用此SDK实现创意飞行、学习编程、进行机器人教育等目的。 ## 技术分析 **1. Python接口**: Tello-Python SDK 将Tello无人机的命令行接口转...
实践无人机航拍小目标检测，基于YOLOv9全系列【gelan/gelan-c/gelan-e/yolov9/yolov9-c/yolov9-e】参数模型开发构建无人机航拍场景下的小目标检测识别分析系统
Together_CZ的博客
06-12 3479
实践无人机航拍小目标检测，基于YOLOv9全系列【gelan/gelan-c/gelan-e/yolov9/yolov9-c/yolov9-e】参数模型开发构建无人机航拍场景下的小目标检测识别分析系统
【发疯毕设日志day7】大疆tello火影结印起飞——模型测试代码
pythonAk47vt的博客
03-23 404
启动tello，加载初始化模型设置一个置信度阈值（设置的高一些）
【发疯毕设日志day7】hagrid_dataset_512数据集作者论文原文逐句翻译——大疆tello手势识别起飞——更换成手势数据集hagrid_dataset_512
pythonAk47vt的博客
03-23 1244
海格数据集翻译——手势在人类交流中发挥着至关重要的作用。手势可以在情感上强化语句，甚至能完全替代语句。由于人们在现实生活中普遍使用手势，因此在汽车领域[27]、[26]、家庭自动化系统[3]、多媒体应用、各种视频/流媒体平台（Zoom、Skype、Discord、Jazz 等）以及其他领域[10]、[5]，构建 HGR 系统可以改善用户体验并加快流程。此外，该系统还可以成为虚拟助手或服务的一部分，为听力和语言障碍的手语用户提供服务[9], [24]。
基于yolov5+大疆教育无人机Tello TT实现目标识别检测+追踪测距完整源码+数据集训练好的模型+操作说明
09-25
基于yolov5+大疆教育无人机Tello TT实现目标识别检测+追踪测距完整源码+数据集训练好的模型+操作说明，大疆教育无人机Tello TT是专为教育设计的无人机，它内置了摄像头和其他传感器，允许开发者通过编程控制其飞行和...
基于yolov5+大疆教育无人机Tello TT实现目标识别检测+追踪测距完整源码+数据集+训练好的模型+操作说明文档.7z
12-09
基于yolov5+大疆教育无人机Tello TT实现目标识别检测+追踪测距完整源码+数据集+训练好的模型+操作说明文档.7z 数据集目标是旗、圈识别 模型已经训练调优 请参考项目说明中的步骤来操作。 【备注】主要针对正在做毕设...
基于yolov5+大疆教育无人机Tello TT实现目标识别检测+追踪测距完整源码+数据集+训练好的模型+说明文档.zip
05-08
数据集是训练深度学习模型的关键，这个资源包包含了用于训练yolov5模型的图像数据，标记了"旗"和"圈"两类目标。数据集的构建和标注是深度学习的第一步，它确保模型能够正确理解和识别目标对象。 训练好的模型意味着...
第02课TELLO特洛飞行器入门
03-19
本节是第2次课，教授对象是5年级小学生，应用TELLO飞行器来进行编程
yolov2_Tello_Tracking:Tello Drone的行人和汽车追踪
03-13
yolov2_Tello_Tracking Tello Drone的行人和汽车追踪 请参阅文档： 测试场景 要求 特肯特 去做 →转身 作者 Ozan PEKER - 执照 该项目是根据。
基于yolov5+大疆教育无人机Tello TT实现目标识别检测+追踪测距完整源码+数据集+训练好的模型+操作说明文档
03-19
基于yolov5+大疆教育无人机Tello TT实现目标识别检测+追踪测距完整源码+数据集+训练好的模型+操作说明文档基于yolov5+大疆教育无人机Tello TT实现目标识别检测+追踪测距完整源码+数据集+训练好的模型+操作说明文档...
【跟我学YOLO】（3）训练 YOLO11 图像分割模型
youcans的博客
11-23 1099
本文介绍了如何使用YOLOv11进行图像分割任务YOLOv11在COCO-seg数据集上预训练，提供了多个分割模型选项，支持实例分割任务输出对象掩码和类别标签。文章详细说明了安装步骤和模型选择建议，帮助用户快速上手YOLOv11图像分割应用。
第14篇 如何下载yolov8的训练源码与权重文件预训练模型文件
Txwtech
11-24 34
摘要：YOLOv8模型及权重文件获取方法：1)访问GitHub仓库https://github.com/ultralytics/ultralytics，点击Download ZIP下载代码；2)进入中文文档https://docs.ultralytics.com/zh/models/yolov8/，在"模型"部分下拉至中间位置即可下载各类预训练权重文件。
YOLOv8 与 YOLOv8-Seg 的区别
最新发布
m0_62681080的博客
11-24 201
YOLOv8与YOLOv8-Seg的核心区别在于任务类型：前者用于目标检测（输出矩形框），后者用于实例分割（输出像素级掩码）。检测模型适合简单定位任务，而分割模型能提供精确轮廓，适用于需要测量面积、自动抠图等场景。两者在标注方式（矩形框vs多边形）、模型结构（分割多出掩码头）和应用场景上都有显著差异。关键选择标准取决于是否需要像素级精度，如残皮识别、坏点检测等任务必须使用YOLOv8-Seg。
YOLO 系列论文：核心思想与技术演进全解析
叫好与叫座虽然不是对立面，但想在同一个作品中达到双重效果很难。
11-24 820
定位精度：从“原始回归”→“锚框辅助回归”→“无锚框回归”，逐步降低模型学习难度；特征提取：从“简单卷积”→“残差网络”→“CSP/C2f”→“NAS自动设计”，持续提升特征提取效率；多尺度检测：从“单尺度”→“3尺度FPN”→“SPP+PAN”→“自适应注意力融合”，逐步优化小目标/大目标检测能力；工程化：从“无工具链”→“简单脚本”→“模块化PyTorch工具”→“一体化全任务库”，持续降低训练/部署门槛；性能目标。
即插即用系列 | ICASSP 2025 CAF-YOLO 实战解析：ACFM & MSNN 模块详解
分享顶会顶刊论文即插即用模块
11-21 758
本文提出CAF-YOLO框架，用于解决生物医学图像中微小病变检测的精度问题。该模型基于YOLOv8，创新性地结合CNN与Transformer优势，设计了注意力与卷积融合模块（ACFM）实现全局与局部特征互补，以及多尺度神经网络（MSNN）增强跨尺度特征聚合。实验表明，该方法在微小目标检测任务上表现优异，超越了现有先进方法。该框架具有通用性，可应用于各类视觉任务中的特征增强。
目标检测与跟踪 （4）- 基于YOLOv8的工业仪器仪表智能读数与状态检测算法实
Techblog of HaoWANG
11-20 708
工业仪表检测面临人工巡检效率低、成本高等痛点。本文基于YOLOv8提出自动化解决方案，系统讲解从数据标注到模型部署的全流程。YOLOv8凭借多尺度检测优势和小目标识别能力，可有效应对工业场景中的仪表定位与分类。文章详细介绍数据增强策略、模型训练调优方法，并扩展仪表读数识别技术。最后探讨TensorRT加速等优化手段，为工业智能化转型提供实践指导。
大疆tello无人机的和yolov5目标识别
12-27
### 使用YOLOv5实现大疆Tello无人机目标检测 #### 准备工作 对于使用YOLOv5进行大疆Tello无人机上的目标检测，准备工作至关重要。这不仅涉及软件环境的配置，还包括硬件设备的选择以及必要的飞行安全措施[^2]。 #### 软件安装与配置 要让YOLOv5能够在搭载于大疆Tello无人机上运行并完成目标检测的任务，需先设置好开发环境。推荐按照官方文档指导，在本地计算机上建立Python虚拟环境，并通过pip工具安装依赖库，包括但不限于`opencv-python`, `numpy` 和 `torchvision`等机器学习框架支持包。此外，还需克隆YOLOv5 GitHub仓库至本地项目目录内以便后续调用其API接口来构建自定义的应用程序逻辑。 #### 数据收集与预处理 考虑到实际应用场景中的复杂性和多样性，特别是当面对不同姿态下的物体时，应该专门创建一套适用于特定任务需求的数据集来进行模型训练前后的评估测试。具体来说就是利用Tello自带摄像头捕捉一系列带有标签信息的照片作为样本输入给神经网络学习；同时注意保持足够的代表性覆盖所有可能出现的情况，比如光照条件的变化、背景干扰因素的影响等等。在此基础上还可以考虑引入数据增强技术进一步扩充有效样本量以提高泛化能力[^3]。 #### 模型微调与优化 基于已有的YOLOv5架构基础之上做适当修改使之更贴合当前课题特点是非常有必要的一步操作。例如可以通过调整锚框尺寸参数适应新的比例关系；或是引入额外的正则项约束防止过拟合现象发生。另外值得注意的是如果想要获得更好的性能表现，则建议尝试更换更高阶别的GPU加速计算资源或者采用分布式训练的方式加快收敛速度缩短迭代周期[^1]。 #### 集成部署方案设计 最后阶段便是将经过充分验证过的最佳实践成果移植到真实世界里去发挥作用了。这里的关键在于找到一种既不影响原有功能又能顺利接入新特性之间的平衡点。一般情况下我们会选择把整个推理过程封装成RESTful API服务的形式对外暴露出来供其他业务模块按需调用；而对于实时性要求较高的场合而言也可以直接嵌入SDK内部成为原生组件的一部分共同运作起来。 ```python from tello import Tello import cv2 import numpy as np import torch from models.experimental import attempt_load from utils.general import non_max_suppression, scale_coords from utils.torch_utils import select_device def init_model(weights='yolov5s.pt', device=''): model = attempt_load(weights, map_location=device) # load FP32 model imgsz = 640 stride = int(model.stride.max()) # model stride names = model.module.names if hasattr(model, 'module') else model.names # get class names return model, imgsz, stride, names device = select_device(device='') model, imgsz, stride, names = init_model() drone = Tello() drone.connect() print(f"Battery: {drone.get_battery()}%") frame_read = drone.get_frame_read() while True: frame = frame_read.frame img = letterbox(frame, new_shape=imgsz, auto=True)[0] # Convert img = img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416 img = np.ascontiguousarray(img) img = torch.from_numpy(img).to(device) img = img.float() # uint8 to fp16/32 img /= 255.0 # 0 - 255 to 0.0 - 1.0 if img.ndimension() == 3: img = img.unsqueeze(0) pred = model(img, augment=False)[0] det = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45, classes=None, agnostic=False) for *xyxy, conf, cls in reversed(det[0]): label = f'{names[int(cls)]} {conf:.2f}' plot_one_box(xyxy, im0, label=label, color=colors(c), line_thickness=3) cv2.destroyAllWindows() drone.end() ```
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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