【计算机视觉】基于 MMYOLO 的频高图实时目标检测 BENCHMARK

最新推荐文章于 2025-05-27 23:59:35 发布

旅途中的宽~

最新推荐文章于 2025-05-27 23:59:35 发布

阅读量1k

点赞数 7

分类专栏：计算机视觉文章标签：计算机视觉目标检测人工智能深度学习

本文链接：https://blog.youkuaiyun.com/wzk4869/article/details/136690481

版权

本文介绍了基于MMYOLO的电离层频高图目标检测，详细阐述了数据集构建，包括数据准备、格式转换、数据集划分，并分析了配置文件中的数据处理策略、优化Anchor尺寸以及模型复杂度。此外，讨论了训练和测试过程，以及如何选择合适的batch size以优化训练效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

一、数据集构建

数字频高图是获取电离层实时信息最重要的途径。电离层结构检测对精准提取电离层关键参数，具有非常重要的研究意义。

利用中国科学院在海南、武汉、怀来获取的不同季节的 4311 张频高图建立数据集，使用 labelme 人工标注出 E 层、Es-c 层、Es-l 层、F1 层、F2 层、Spread F 层共 6 种结构。

在这里插入图片描述

1.1 数据集准备

下载数据后，放置在 MMYOLO 仓库的根目录下，使用 unzip test.zip 命令（linux）解压至当前文件夹。解压后的文件夹结构为：

Iono4311/
├── images
|      ├── 20130401005200.png
|      └── ...
└── labels
       ├── 20130401005200.json
       └── ...

其中，images 目录下存放输入图片，labels 目录下存放使用 labelme 标注得到的 json 文件。

1.2 数据集格式转换

使用MMYOLO提供的 tools/dataset_converters/labelme2coco.py 脚本将 labelme 格式的标注文件转换为 COCO 格式的标注文件。

python tools/dataset_converters/labelme2coco.py --img-dir ./Iono4311/images \
                                                --labels-dir ./Iono4311/labels \
                                                --out ./Iono4311/annotations/annotations_all.json

1.3 浏览数据集

使用下面的命令可以将 COCO 的 label 在图片上进行显示，这一步可以验证刚刚转换是否有问题。

python tools/analysis_tools/browse_coco_json.py --img-dir ./Iono4311/images \
                                                --ann-file ./Iono4311/annotations/annotations_all.json

1.4 划分训练集、验证集、测试集

设置 70% 的图片为训练集，15% 作为验证集，15% 为测试集。

python tools/misc/coco_split.py --json ./Iono4311/annotations/annotations_all.json \
                                --out-dir ./Iono4311/annotations \
                                --ratios 0.7 0.15 0.15 \
                                --shuffle \
                                --seed 14