Advertisement

基于目标检测模型实现遥感图像检测

阅读量：

在我们的实际业务场景中，在线教育平台中的课程资源建设同样扮演着重要角色。课程资源类型繁多，在以往的教学实践过程中，课程开发主要集中在系统的开发设计上，在智能化数据分析方面相对较少涉及。为了更好地提升教学效果，在本项目中我们采用了公开可用的遥感数据集开展目标检测实践。

首先看效果：

这里的遥感图像与我之前接触过的有所区别。经处理后呈现为黑白色调。这里主要被用来检测识别过去的船只。

简单看下数据集：

模型cfg文件如下：

复制代码 
 [net]

    
 # Training
    
 batch=32
    
 subdivisions=2
    
 width=320
    
 height=320
    
 channels=3
    
 momentum=0.9
    
 decay=0.0005
    
 angle=0
    
 saturation = 1.5
    
 exposure = 1.5
    
 hue=.1
    
  
    
 learning_rate=0.001
    
 burn_in=1000
    
 max_batches = 50200
    
 policy=steps
    
 steps=40000,45000
    
 scales=.1,.1
    
  
    
 [convolutional]
    
 filters=8
    
 size=3
    
 groups=1
    
 stride=2
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=8
    
 size=3
    
 groups=8
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=4
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [convolutional]
    
 filters=24
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=24
    
 size=3
    
 groups=24
    
 stride=2
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=6
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [convolutional]
    
 filters=36
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=36
    
 size=3
    
 groups=36
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=6
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
  
    
  
    
 [convolutional]
    
 filters=36
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=36
    
 size=3
    
 groups=36
    
 stride=2
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=8
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [convolutional]
    
 filters=48
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=48
    
 size=3
    
 groups=48
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=8
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
  
    
  
    
 [convolutional]
    
 filters=48
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=48
    
 size=3
    
 groups=48
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=8
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
 ######################
    
  
    
 [convolutional]
    
 filters=48
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=48
    
 size=3
    
 groups=48
    
 stride=2
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=16
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [convolutional]
    
 filters=96
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=96
    
 size=3
    
 groups=96
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=16
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
  
    
  
    
 [convolutional]
    
 filters=96
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=96
    
 size=3
    
 groups=96
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=16
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
  
    
  
    
 [convolutional]
    
 filters=96
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=96
    
 size=3
    
 groups=96
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=16
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
  
    
  
    
 [convolutional]
    
 filters=96
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=96
    
 size=3
    
 groups=96
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=24
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [convolutional]
    
 filters=144
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=144
    
 size=3
    
 groups=144
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=24
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
  
    
  
    
 [convolutional]
    
 filters=144
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=144
    
 size=3
    
 groups=144
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=24
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
  
    
  
    
 [convolutional]
    
 filters=144
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=144
    
 size=3
    
 groups=144
    
 stride=2
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=40
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [convolutional]
    
 filters=240
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=240
    
 size=3
    
 groups=240
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=40
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
  
    
 [convolutional]
    
 filters=240
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=240
    
 size=3
    
 groups=240
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=40
    
 size=1
    
 groups=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=linear
    
  
    
 [shortcut]
    
 from=-4
    
 activation=linear
    
 ### SPP ###
    
 [maxpool]
    
 stride=1
    
 size=3
    
  
    
 [route]
    
 layers=-2
    
  
    
 [maxpool]
    
 stride=1
    
 size=5
    
  
    
 [route]
    
 layers=-4
    
  
    
 [maxpool]
    
 stride=1
    
 size=9
    
  
    
 [route]
    
 layers=-1,-3,-5,-6
    
 ##############################
    
 [convolutional]
    
 filters=144
    
 size=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=144
    
 size=3
    
 groups=144
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=48
    
 size=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=144
    
 size=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 size=1
    
 stride=1
    
 pad=1
    
 filters=18
    
 activation=linear
    
  
    
  
    
 [yolo]
    
 mask = 3,4,5
    
 anchors = 26, 48,  67, 84,  72,175, 189,126, 137,236, 265,259
    
 classes=1
    
 num=6
    
 jitter=.1
    
 ignore_thresh = .5
    
 truth_thresh = 1
    
 random=0
    
 #################
    
 scale_x_y = 1.1
    
 iou_thresh=0.213
    
 cls_normalizer=1.0
    
 iou_normalizer=0.07
    
 iou_loss=ciou
    
 nms_kind=greedynms
    
 beta_nms=0.6
    
  
    
 ##################################
    
 [route]
    
 layers= 64
    
  
    
 [upsample]
    
 stride=2
    
  
    
 [route]
    
 layers=-1,47
    
 #################################
    
 [convolutional]
    
 filters=40
    
 size=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
  
    
 [convolutional]
    
 filters=96
    
 size=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=96
    
 size=3
    
 groups=96
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=48
    
 size=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 filters=96
    
 size=1
    
 stride=1
    
 pad=1
    
 batch_normalize=1
    
 activation=relu
    
  
    
 [convolutional]
    
 size=1
    
 stride=1
    
 pad=1
    
 filters=18
    
 activation=linear
    
  
    
  
    
 [yolo]
    
 mask = 0,1,2
    
 anchors = 26, 48,  67, 84,  72,175, 189,126, 137,236, 265,259
    
 classes=1
    
 num=6
    
 jitter=.1
    
 ignore_thresh = .5
    
 truth_thresh = 1
    
 random=0
    
 #################
    
 scale_x_y = 1.05
    
 iou_thresh=0.213
    
 cls_normalizer=1.0
    
 iou_normalizer=0.07
    
 iou_loss=ciou
    
 nms_kind=greedynms
    
 beta_nms=0.6

同样有两处需要修改的地方：

【第一处】

【第二处】

主要涉及修改classes和filters这两个关键字段即可。 classes代表你要检测的目标类别数量为1

filters的数值计算公式为： filters=(classes+5)*,在这里就是 （1+5）*3=18

接下来编写yaogan.names和yaogan.data文件用于框架训练需要。

yaogan.names如下所示：

复制代码 
    ship

这里是单目标的检测，所以对象清单只有一个ship。

yaogan.data如下所示：

复制代码 
 classes= 1

    
 train  = /home/objDet/yaogan/train.txt
    
 valid  = /home/objDet/yaogan/test.txt
    
 names = /home/objDet/yaogan/yaogan.names
    
 backup = /home/objDet/yaogan/model/yolo

执行命令如下所示：

复制代码 
 chmod +x darknet

    
 nohup ./darknet detector train yaogan.data yolo.cfg >> yolo.out &

随机选择数据测试结果如下：

这是一个相对简单的实践，在有时间的情况下会将对应场景中的模型整理并上传以便使用

全部评论 (0)

还没有任何评论哟~

相关文章推荐

基于目标检测模型实现遥感图像检测

在我们实际的业务场景里面，遥感数据也是很重要的一部分，遥感数据的种类也有很多，以往的与遥感数据相关的工作主要集中在系统端的开发设计上面，很少去做一些智能化的数据挖掘的工作，这里主要是基于一网络公开遥感...

【目标检测】2020年遥感图像目标检测综述

【目标检测】2020年遥感图像目标检测综述 本文禁止转载 1\.DOTA数据集： 2\.待解决的问题： 2.1目标小而密集： 2.2任意旋转角： 2.3Anchor匹配问题： 2.4回归任务的边界问题...

基于遥感影像的目标检测实战（yolov5）

文章目录 前言 标签的制作 线矢量转yolo格式 结果的输出 代码 塔城飞机场数据集 前言 目标检测是计算机视觉的一个重要分支，可简单描述为在图像中框出感兴趣区域，并对其分类的任务。在遥感实际应用中，...

遥感图像车辆检测-目标检测数据集

遥感图像车辆检测目标检测数据集（包括VOC格式、YOLO格式） 数据集： 链接:https://pan.baidu.com/s/1XVlRTVWpXZFi6ZLXcs7Rg?pwd=aa6g 提取码:...

基于yolov5的遥感图像目标检测（NWPU VHR-10）

最近在做毕设，感觉网上信息不是很全，把自己的训练过程写下来供做这个方向的友友学习。只有简单的复现，其余的还没探索到。 一、数据集以及数据预处理 首先就是数据集：我用的数据集是西工大发布的数据集，NWP...

yolo7实现遥感目标检测

使用开源yolo7简单实现了一下SAR图像的目标检测。 开源yolo7项目:<https://github.com/WongKinYiu/yolov7 设置训练数据集 修改/data/coco.yam...

YOLOv8目标检测模型——遥感小目标检测经验分享

小目标检测——YOLOV8 一、引言 1.背景介绍 （1）目标检测的重要性 目标检测在许多领域都具有极其重要的作用。在自动驾驶中，目标检测能够识别道路上的障碍物和行人，确保行车安全。在视频监控中，目标...

基于YOLO11n图像检测模型的卫星 遥感固态废物检测

@TOC基于YOLO11n图像检测模型的卫星遥感固态废物检测 一、固体废物检测意义 生态文明建设是统筹推进“五位一体”总体布局重要组成部分。根据生态环境部印发《固体废物分类与代码目录》，对工业固体废物...

【遥感目标检测】基于遥感图像的目标检测算法综述（DOTA/R2CNN/ROI Transformer/CAD-Net/SCRDet/Gliding Vertex）

【遥感目标检测】基于遥感图像的目标检测算法综述（DOTA/R2CNN/ROITransformer/CADNet/SCRDet/GlidingVertex） DOTA数据集： 1.简介： 2.航拍图像...

RSOD：遥感图像目标检测数据集

引言 随着遥感技术的不断发展和应用领域的拓宽，遥感图像目标检测已成为计算机视觉和遥感信息处理领域的重要研究内容。RSOD（RemoteSensingObjectDetection）遥感图像数据集是一个...