yolo-windows检测高分辨率图像及封装应用

本文分享了将YOLO移植到Windows环境并封装为动态链接库的心得,针对大分辨率图像(1W*1W)的检测难题,通过滑窗算法裁剪图片并采用特殊命名规则,实现图片的自动测试与结果融合。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 

YOLO训练自己的数据集的一些心得

封装yolo-windows为动态链接库

yolo-windows源码

项目开源代码:LargeImageDetect-yolo-windows

由于项目需要,需要将yolo移植到windows下并进行封装并自动测试,遇到的主要问题如下:

1.yolo测试的图片一般不会太大,基本为468*468,或者512*512,项目中需要检测的图片分辨率高,拼接后较大,多为1W*1W起;

2.源代码中为cmd命令行进行图片测试,文件夹测试需要不断输入路径;

3.源代码体量很大,不适合移植。

解决方法:

1.训练的模型输入图片size为512*512,因此采用滑窗算法对高分辨率图像进行裁剪存入文件夹,进行****_****特殊命名;

2.修改命令行测试为文件夹测试,每次测试一个文件夹,将1中裁剪后的图片文件夹送入yolov3进行检测,利用命名规则对检测后的各部分图片进行融合;

3.对源代码封装为lib进行移植

-----------------------------------------

命名规则如下:

0000_0000:表示裁剪的第一行第一列图片,依次递增,最大可以裁剪10000*10000张图片,其中裁剪大小和步长可以修改

转载于:https://www.cnblogs.com/qinguoyi/p/9983858.html

### YOLO在多波段图像处理中的应用 YOLO(You Only Look Once)是一种高效的实时目标检测算法,在多波段图像处理中有广泛的应用场景。以下是其具体使用方法及相关技术细节: #### 数据准备与预处理 为了使YOLO适用于多波段图像,通常需要对原始数据进行一系列预处理操作。这些步骤包括但不限于大气校正、几何精校正以及图像融合。 - **大气校正**:由于地物光谱信息在辐射传输过程中会受到大气层吸收和散射的影响,因此需要通过专门的工具(如ENVI软件中的FLAASH模块)来消除这种影响,从而获取更接近真实的地物反射率[^1]。 - **几何精校正**:遥感图像可能因传感器特性或外部条件而存在几何畸变。为解决这一问题,可以借助地理信息系统平台上的高精度地图作为参考,采用合适的数学模型(例如二次多项式法)实现精确校正。 - **图像融合**:为了提升空间分辨率的同时保持较高的光谱分辨能力,常利用特定软件(比如Erdas)把不同类型的波段组合起来形成新的复合影像。这样不仅可以改善视觉效果还能提供更多有用的信息用于后续分析工作。 #### 模型训练配置 当完成了上述准备工作之后,则进入到了构建并优化适合于当前任务需求版本的过程当中去: - 配置文件设置应考虑输入图片尺寸大小调整至网络接受范围之内;定义各类别标签及其对应ID号以便正确标注样本集内的物体类别; ```yaml classes= 80 train = data/train.txt valid = data/val.txt names = data/coco.names backup = /backup/ ``` - 修改骨干网结构参数以适应新增加维度带来的计算量增加情况,确保整体性能不会因为额外加入的数据源受到影响。 #### 推理阶段调优技巧 最后一步就是如何让经过良好训练好的权重能够在实际部署环境中发挥最大效能了。这里给出几点建议供参考: - 对测试集中每张待预测照片同样执行前面提到过的标准化流程后再送入神经元组运算得到最终结果输出向量集合表示可能存在目标位置坐标框估计值连同相应置信度得分一起返回给用户端展示界面呈现出来即可满足大多数情况下对于快速响应的要求[^2]。 ```python import torch from models.experimental import attempt_load device = 'cuda' if torch.cuda.is_available() else 'cpu' model = attempt_load('best.pt', map_location=device) def detect(image_path): img = preprocess_image(image_path) # 自定义函数完成必要的前序变换逻辑封装 results = model(img)[0].xywh[0] # 提取边界矩形中心点距离宽度高度属性列表形式表达 return results.cpu().numpy() ``` ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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