国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

  1. Toy模板網(wǎng)首頁(yè)
  2. >Toy博客

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng)

2年前作者：Together_CZ分類：Toy博客閱讀(24)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng)。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問(wèn)。

MSTAR（Moving and Stationary Target Acquisition and Recognition）數(shù)據(jù)集是一個(gè)基于合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）圖像的目標(biāo)檢測(cè)和識(shí)別數(shù)據(jù)集。它是針對(duì)目標(biāo)檢測(cè)、機(jī)器學(xué)習(xí)和模式識(shí)別算法的研究和評(píng)估而設(shè)計(jì)的。

MSTAR數(shù)據(jù)集由美國(guó)海軍研究實(shí)驗(yàn)室（Naval Research Laboratory，NRL）創(chuàng)建，該數(shù)據(jù)集包含了多種類型和方位的車輛和目標(biāo)的高分辨率合成孔徑雷達(dá)圖像。它提供了復(fù)雜的場(chǎng)景和多種目標(biāo)類型，包括各種車輛和地面目標(biāo)，如坦克、卡車、自行車等。

MSTAR數(shù)據(jù)集的特點(diǎn)如下：

  1. 分辨率高：MSTAR數(shù)據(jù)集的SAR圖像具有高分辨率，能夠提供細(xì)節(jié)豐富的目標(biāo)信息，有助于進(jìn)行精確的目標(biāo)檢測(cè)和識(shí)別。

  2. 方位變化：該數(shù)據(jù)集提供了目標(biāo)在不同方位角下的合成孔徑雷達(dá)圖像，包括前視、靠近側(cè)視、背視等多種視角，用于研究方位變化對(duì)目標(biāo)識(shí)別的影響。

  3. 多樣性目標(biāo)：MSTAR數(shù)據(jù)集中包含了多種類型的目標(biāo)，涵蓋了各種車輛和地面目標(biāo)，使得研究和評(píng)估的算法可以具有更好的泛化性能。

MSTAR數(shù)據(jù)集對(duì)于合成孔徑雷達(dá)圖像的目標(biāo)檢測(cè)和識(shí)別算法的研究和評(píng)估提供了有力的工具。它可以用于訓(xùn)練和測(cè)試基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的目標(biāo)檢測(cè)模型，提高合成孔徑雷達(dá)圖像分析的準(zhǔn)確性和魯棒性。

在前面的博文中我已經(jīng)基于MSTAR的數(shù)據(jù)集開(kāi)發(fā)構(gòu)建了目標(biāo)檢測(cè)系統(tǒng)，感興趣的話可以自行移步閱讀即可：

《基于yolov5n的輕量級(jí)MSTAR遙感影像目標(biāo)檢測(cè)系統(tǒng)設(shè)計(jì)開(kāi)發(fā)實(shí)戰(zhàn)》

之前是使用的yolov5模型去開(kāi)發(fā)實(shí)現(xiàn)的，且使用的是最為輕量級(jí)的模型，這里考慮基于yolov7來(lái)開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)識(shí)別系統(tǒng)，簡(jiǎn)單看下實(shí)例效果圖：

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?接下來(lái)看下數(shù)據(jù)集情況：

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?共有2.4w+的數(shù)據(jù)。

本文使用到的YOLOv7模型配置文件如下所示：

# parameters
nc: 10  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# anchors
anchors:
  - [12,16, 19,36, 40,28]  # P3/8
  - [36,75, 76,55, 72,146]  # P4/16
  - [142,110, 192,243, 459,401]  # P5/32

# yolov7 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
  
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2      
   [-1, 1, Conv, [64, 3, 1]],
   
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  
   [-1, 1, Conv, [64, 1, 1]],
   [-2, 1, Conv, [64, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]],  # 11
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 16-P3/8  
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]],  # 24
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 29-P4/16  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 37
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [512, 1, 1]],
   [-3, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 42-P5/32  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 50
  ]

# yolov7 head
head:
  [[-1, 1, SPPCSPC, [512]], # 51
  
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [37, 1, Conv, [256, 1, 1]], # route backbone P4
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 63
   
   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [24, 1, Conv, [128, 1, 1]], # route backbone P3
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1]], # 75
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3, 63], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 88
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3, 51], 1, Concat, [1]],
   
   [-1, 1, Conv, [512, 1, 1]],
   [-2, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]], # 101
   
   [75, 1, RepConv, [256, 3, 1]],
   [88, 1, RepConv, [512, 3, 1]],
   [101, 1, RepConv, [1024, 3, 1]],

   [[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]

訓(xùn)練數(shù)據(jù)配置文件如下所示：

# path 
train: ./dataset/images/train
val: ./dataset/images/test
test: ./dataset/images/test



# number of classes
nc: 10

# class names
names: ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']

終端執(zhí)行下面的命令即可啟動(dòng)訓(xùn)練：

python train.py --cfg cfg/training/yolov7.yaml --weights weights/yolov7_training.pt --name yolov7 --epochs 100 --batch-size 32 --img 640 640 --device 0 --data data/self.yaml

默認(rèn)100次epoch的迭代計(jì)算，終端日志輸出如下所示：

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?訓(xùn)練完成后來(lái)看下結(jié)果詳情：

【精確率曲線】

精確率曲線（Precision-Recall Curve）是一種用于評(píng)估二分類模型在不同閾值下的精確率性能的可視化工具。它通過(guò)繪制不同閾值下的精確率和召回率之間的關(guān)系圖來(lái)幫助我們了解模型在不同閾值下的表現(xiàn)。
精確率（Precision）是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有預(yù)測(cè)為正例的樣本數(shù)的比例。召回率（Recall）是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有實(shí)際為正例的樣本數(shù)的比例。

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?【召回率曲線】

召回率曲線（Recall Curve）是一種用于評(píng)估二分類模型在不同閾值下的召回率性能的可視化工具。它通過(guò)繪制不同閾值下的召回率和對(duì)應(yīng)的精確率之間的關(guān)系圖來(lái)幫助我們了解模型在不同閾值下的表現(xiàn)。
召回率（Recall）是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有實(shí)際為正例的樣本數(shù)的比例。召回率也被稱為靈敏度（Sensitivity）或真正例率（True Positive Rate）。

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?【PR曲線】

精確率-召回率曲線（Precision-Recall Curve）是一種用于評(píng)估二分類模型性能的可視化工具。它通過(guò)繪制不同閾值下的精確率（Precision）和召回率（Recall）之間的關(guān)系圖來(lái)幫助我們了解模型在不同閾值下的表現(xiàn)。
精確率是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有預(yù)測(cè)為正例的樣本數(shù)的比例。召回率是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有實(shí)際為正例的樣本數(shù)的比例。

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

【F1值曲線】

F1值曲線是一種用于評(píng)估二分類模型在不同閾值下的性能的可視化工具。它通過(guò)繪制不同閾值下的精確率（Precision）、召回率（Recall）和F1分?jǐn)?shù)的關(guān)系圖來(lái)幫助我們理解模型的整體性能。
F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均值，它綜合考慮了兩者的性能指標(biāo)。F1值曲線可以幫助我們確定在不同精確率和召回率之間找到一個(gè)平衡點(diǎn)，以選擇最佳的閾值。

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?【混淆矩陣】

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?【訓(xùn)練過(guò)程可視化】

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?可以看到整體的訓(xùn)練過(guò)程還是相對(duì)平穩(wěn)的。

【batch計(jì)算實(shí)例】如下所示：

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?可視化推理實(shí)例這塊，主要開(kāi)發(fā)實(shí)現(xiàn)了：圖像檢測(cè)和視頻檢測(cè)兩種類型數(shù)據(jù)的推理計(jì)算，如下圖所示：

【圖像檢測(cè)】

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?【視頻檢測(cè)】

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng),YOLO,目標(biāo)檢測(cè),目標(biāo)跟蹤

?整體檢測(cè)的效果很不錯(cuò)，后面有時(shí)間考慮基于其他類型的檢測(cè)模型開(kāi)發(fā)嘗試一下！文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-633220.html

到了這里，關(guān)于基于YOLOv7開(kāi)發(fā)構(gòu)建MSTAR雷達(dá)影像目標(biāo)檢測(cè)系統(tǒng)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來(lái)自互聯(lián)網(wǎng)用戶投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處： 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

相關(guān)文章

覺(jué)得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請(qǐng)作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包，優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包