目标检测YOLO实战应用案例100讲-基于深度学习的无人机航拍图像目标检测算法研究与应用

林聪木

已于 2024-05-08 09:43:24 修改

阅读量3.7k

点赞数 2

分类专栏：目标检测YOLO系列实战应用案例精讲100例文章标签：深度学习目标检测算法

于 2023-05-28 00:15:00 首次发布

本文链接：https://blog.youkuaiyun.com/qq_36130719/article/details/130829880

版权

目标检测YOLO系列实战应用案例精讲100例专栏收录该内容

该专栏为热销专栏榜第75名

517 篇文章 ¥39.90 ¥99.00

订阅专栏

基于深度学习的无人机航拍图像目标检测算法研究与应用

基于SSD的无人机航拍图像目标检测算法研究

本文篇幅较长，分为上中下三篇来讲，文章索引详见

基于深度学习的无人机航拍图像目标检测算法研究与应用

基于深度学习的无人机航拍图像目标检测算法研究与应用（中）

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

林聪木

关注关注

2
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

实战5：基于 Pytorch 搭建 Faster-R-CNN 实现飞机目标检测（代码+数据）

01-09

1719

实战5：基于 Pytorch 搭建 Faster-R-CNN 实现飞机目标检测（代码+数据）

目标检测YOLO实战应用案例100讲-基于深度学习的无人机航拍图像目标检测算法研究与应用(下)

qq_36130719的博客

05-14

353

个数达到了144865个，为数量最多的类别，而雨棚三轮车、三轮车和公共汽车则为标注数量较少的类别，分别为3243个、4803个和5926个。的特征信息，三类目标在所有类别中属于尺寸较小的目标，获得的检测精度与整体的平均精度相当，行人和摩托车的m AP高于整体的26.1，分别为30.5和31.7。量较多，但由于目标较小，且多以密集的方式呈现，因此检测精度也低于平均水平，由于形似物和其他噪声的干扰，精确率只有68.2。与YOLOv3相同的是，算法最后也使用了三个检测分支来完成目标的分类和位置回归。

参与评论您还未登录，请先登录后发表或查看评论

深度学习目标检测中_如何使用Yolov8训练无人机红外航拍人车数据集,并构建一个基于深度学习的模型来识别无人机红外检测数据

最新发布

2401_88440984的博客

01-22

348

深度学习目标检测中_如何使用Yolov8训练无人机红外航拍人车数据集,并构建一个基于深度学习的模型来识别无人机红外检测数据

YOLOv5 飞机与油桶目标检测

kui9702的博客

04-25

2049

前期利用yolov3去做飞机和油桶的检测，之后做了Faster RCNN和SSD的同级比对，确实是Faster RCNN好一些，yolo v5也要出来比较一番。下面的是yolov4与yolo v3的区别(部分)，最后用yolov5对飞机和油桶进行检测。 yolo v4与yolo v3有很多trick改进，包括两种:bag of freebies和bag of specials。bag of freebies(赠品):指的是在增加模型性能，训练中会降低训练速度，但不影响推理耗时的技巧；bag of spe.

【多传感融合】优达学城多传感融合学习笔记（五）——利用YOLO进行图像目标识别

尚庆龙的专栏

03-25

1887

利用YOLO进行图像目标识别目录利用YOLO进行图像目标识别为什么需要目标检测？YOLO简介YOLOv3工作流程为什么需要目标检测？在上一课中我们已经实现了将激光雷达3D点云映射到相机图像中（效果如下图所示），但是要想让我们得到的激光和相机融合后的结果更好地服务于自动驾驶车辆，例如，应用到常见的碰转时间（TTC）估计中，我们还需要一种技术来检测图像中的车辆目标，这样我们就能分离出图像中匹配的...

YOLOv5 实现无人机识别

3D视觉工坊

07-07

5420

点击上方“3D视觉工坊”，选择“星标”干货第一时间送达引言YOLOv5发布至今，已经迭代多个版本，是唯一基于pytorch框架的YOLO系列的模型框。简单易用，特别适合自定义目标检测与对象...

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

3117

目标检测YOLO实战应用案例100讲-基于深度学习的无人机目标检测算法轻量化研究（下）

qq_36130719的博客

04-28

604

本文结合ROS操作系统、软件仿真平台Gazebo、通信包MAVROS以及PX4来进行无人机目标检测的仿真实验，如下图是PX4的软件在环(SITL)仿真的系统通信接口连接图如下图4-15所示：在仿真系统中，由Gazebo提供一个虚拟世界的仿真环境，并且提供无人机仿真模型和虚拟的GPS、IMU等各种传感器的相关数据。

目标检测YOLO实战应用案例100讲-基于深度学习的无人机目标检测算法轻量化研究（中）

qq_36130719的博客

04-26

805

针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点，基于实时性和准确性均衡的单阶段目标检测算法YOLOv5，本章提出了一种实时目标检测算法YOLOv5sm+，力图解决其深度宽度不均衡、分类精度、实时性不足等问题。首先为解决无人机图像目标尺度差异大、小目标检测率低的问题，分析了深度模型中模型深度和宽度对无人机图像检测的性能增益，提出了可显著提高感受野的混合残差空洞卷积模块，并结合无人机图像特点对YOLOv5s模型针对性改进，设计了YOLOv5sm模型。其次为进一步优化改进模型的实时性与识别率，

目标检测YOLO实战应用案例100讲-基于深度学习的无人机目标检测算法轻量化研究

qq_36130719的博客

08-01

1275

在Darknet深度学习框架支撑下，注重精度速度均衡化的YOLO系列算法结合新算法思想，不断推陈出新。而YOLO系列经典算法YOLOv3，继承了YOLOv1、 YOLO9000[ 61]算法精度高、推理速度块、检测种类多的优势，综合提高了各大尺度目标的检测精度，算法思想如下：(1) 基于残差网络构建的骨干网络Darknet53，基本模块为下采样和残差块的连续组合，详细结构见表2.1。下采样模块一方面可以降低网络计算量，另一方面也增大了感受野，提高对大目标的检测性能；

机场航拍图像检测软件（Python+YOLOv5深度学习模型+清新界面）

思绪无限的博客

03-22

1万+

机场航拍图像检测软件使用深度学习技术检测机场航拍图像中的飞机目标等，识别航拍目标等结果并记录和保存，辅助机场智能管理运行。在介绍算法原理的同时，给出Python的实现代码、训练数据集，以及PyQt的UI界面。机场航拍检测系统主要检测飞机的数目、位置、预测置信度等；连接摄像头设备可开启实时检测功能，另外对图片、视频等文件也可进行测试和检测；登录系统提供用户注册、登录、管理功能；训练和调优的模型可有效检测，模型可选择切换。博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，提供完整代码资源文件。

大盘点｜YOLO 系目标检测算法总览

3D视觉工坊

08-03

5416

点击上方“3D视觉工坊”，选择“星标”干货第一时间送达YOLO目标检测算法诞生于2015年6月，从出生的那一天起就是“高精度、高效率、高实用性”目标检测算法的代名词。在原作者Joseph...

目标检测YOLO实战应用案例100讲-基于无人机航拍图像的目标检测（续）

qq_36130719的博客

10-08

736

目标检测任务主要分为目标识别和定位，在无人机航拍图像中准确地提取到目标实例的特征是进行目标检测任务的前提和关键。由于无人机航拍图像中的目标存在多尺度现象，通过由单一尺寸卷积核构成的特征提取网络所获取的特征难以完成对无人机航拍 目标的检测任务。因此，需要根据航拍图像成像特点设计一个高效的特征提取网络来获取多尺度目标的特征。此外，将不同层级所提取的特征相融合，有利于在不同层级特征图上检测规定尺寸的目标，如何提升特征融合的效果对于无人机航拍目标检测来说至关重要。

无人机巡检场景小目标检测与量化加速部署方案详解

PaddlePaddle

03-29

1383

‍‍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 Open...

YOLOv5 小目标检测、无人机视角小目标检测

热门推荐

liguiyuan的博客

12-07

5万+

YOLOv5 训练自己的小目标检测

深度学习引领的穿越火线：基于YOLO的目标检测

DkVhdl的博客

09-18

131

在本文中，我们将介绍一种基于YOLO（You Only Look Once）算法的目标检测方法，并提供相应的源代码。总结来说，基于YOLO的目标检测方法通过将目标检测任务转化为单阶段的回归问题，实现了快速、实时的目标检测。YOLO是一种基于单阶段检测的目标检测算法，它的核心思想是将目标检测任务转化为一个回归问题。相比于传统的两阶段方法，YOLO具有更快的检测速度，并且能够实时地进行目标检测。每个网格负责检测其中的目标。最后，YOLO利用非极大值抑制（NMS）来消除重叠的边界框，以及一些置信度较低的边界框。

目标检测应用场景—数据集【NO.28】无人机红外目标检测数据集

m0_70388905的博客

03-12

2796

无人机红外目标检测数据集

【无人机】无人机群的建模和优化（Matlab代码实现）

weixin_61181717的博客

04-06

527

在这个项目中，我们模拟了一群无人机的运动，以及它们与障碍物和目标的相互作用。该项目的目标是使用遗传算法优化此模拟，以最大限度地提高绘制的目标数量，最大限度地减少坠毁的无人机数量，并最大限度地减少模拟中使用的时间。[2]陈卫彪,贾小军,朱响斌,等.G-YOLO v7：面向无人机航拍图像的目标检测算法[J/OL].光电子·激光:1-14[2024-04-03].http://kns.cnki.net/kcms/detail/12.1182.O4.20240402.1157.006.html.

基于目标检测的无人机航拍场景下小目标检测实践

Together_CZ的博客

08-04

3656

无人机变得越来越普及，很多场景中由于客观原因的限制大量采用了无人机，无人机预警、无人机抓怕、无人机劝导等等，无人机逐渐成为复杂场景中不可替代的重要觉得，无人机航拍数据与遥感图像数据有几分相似，图像中以小目标居多，不同的是，遥感本身图像很大，所以很多常见的做法都是对原始图像进行切片处理，之后分别检测，最终合并检测结果。很多场景下无人机主要是人工操作，比如对于一些违规行为的及时警戒劝导都是有人在遥控器前面操作的，这种使用方式其实是很受限制的，能够基于AI的计数对于无人机航拍得到的画面数据实时进行计算分析呢？..

目标检测yolo实战应用案例100讲-基于yolov5的目标检测与6d位姿估计算法研究

12-25

yolo（You Only Look Once）是一种目标检测算法，它能够实现实时的目标检测和定位，被广泛应用于计算机视觉领域。基于yolov5的目标检测与6d位姿估计算法研究案例是一个通过yolov5算法实现目标检测并结合6d位姿估计的实战应用案例。该案例通过讲解yolov5算法原理和实现步骤，结合实际场景中的目标检测与位姿估计需求，在各种现实场景中完成不同的目标检测任务，并实现对目标位姿的估计。通过该案例的学习，可以掌握基于yolov5的目标检测算法在实际应用中的具体实现方法，理解目标检测与位姿估计的原理与技术，并掌握如何将两者结合实现复杂场景下的目标识别与位姿估计任务。同时，该案例也将帮助学习者深入了解yolov5算法的细节，并通过实战案例的方式提升学习者的实际操作能力和解决问题的能力。此外，通过100个实战案例的讲解，学习者将有机会接触到不同领域的目标检测与位姿估计应用场景，包括工业自动化、智能交通、智能制造等多个领域，从而深刻理解yolov5算法与6d位姿估计技术在实际生产生活中的应用价值，并且打下坚实的技术基础，为未来的发展做好准备。这些案例的学习将帮助学习者从理论到实践，全面提升专业能力，为将来从事相关领域的工作做好充分准备。