【技術實現步驟摘要】
本專利技術屬于目標檢測，涉及一種基于yolov5的遙感小目標檢測方法
技術介紹
1、目標檢測一直是遙感圖像和計算機視覺領域的一個長期問題。它通常被定義為識別輸入圖像中目標對象的位置以及識別對象類別。自動目標檢測已廣泛應用于許多實際應用中，如危險檢測、環境監測、變化檢測、城市規劃等。在過去的幾十年里，人們對目標檢測進行了廣泛的研究，并開發了大量方法來檢測遙感圖像中的人工目標(如車輛、建筑物、道路、橋梁等)和自然目標(如湖泊、海岸、森林等)。基于機器學習的方法在特征提取和目標分類方面具有強大的魯棒性，并被許多最近的方法廣泛研究，以實現這一問題的重大進展。在過去的幾年里，為了完成場景分類、圖像分割和目標檢測的任務，少樣本學習在計算機視覺領域得到了廣泛的研究。而在遙感圖像中，物體的大小可能非常不同，遙感圖像的空間分辨率也可能非常不同，這使得在只提供少量注釋樣本的情況下，這個問題更加具有挑戰性。
2、隨著遙感圖像技術的進步，遙感圖像的特征信息也越來越多，基于深度學習的遙感圖像檢測方法通過大量的參數在算法模型上進行訓練，獲得圖像中抽象語義信息，使目標識別具有更高的檢測精度和更好的適應性。
技術實現思路
1、有鑒于此，本專利技術的目的在于提供一種基于yolov5的遙感小目標檢測方法，用vanillanet優化yolov5的網絡結構，加入senet通道注意力機制，在訓練的過程中，逐漸消除非線性層，以便在保存推理數據的同時輕松合并。讓原網絡能在更高效的情況下進行遙感圖像小目標的識別。p>
2、為達到上述目的，本專利技術提供如下技術方案：
3、一種基于yolov5的遙感小目標檢測方法，包括以下步驟：
4、s1：采集遙感圖像數據集，對所述數據集進行預處理，并劃分為訓練集、驗證集和測試集；
5、s2：將數據集中的標簽文件轉換為yolov5格式；
6、s3：創建數據集的配置文件；
7、s4：構建rstargetnet網絡：以yolov5網絡為基礎，使用vanillanet替代cspdarknet53骨干網絡，并加入senet通道注意力機制，置信度損失和類別損失采用bceloss，定位損失采用ciouloss；
8、s5：使用訓練集訓練rstargetnet網絡，使用驗證集評估并優化rstargetnet網絡，最后使用測試集進行測試，得到最優模型；
9、s6：利用最優模型對輸入網絡中的圖片進行預測，獲得各個檢測目標的類別名稱、置信度分數和目標框坐標信息，并展示在圖片中，完成檢測。
10、進一步，步驟s2所述將數據集中的標簽文件轉換為yolov5格式，具體包括：
11、標簽文件格式每行包含一個邊界框的信息；標簽文件格式如下：
12、<class_id><x_center><y_center><width><height>
13、其中<class_id>表示類別id；<x_center>表示邊界框中心的x坐標；<y_center>表示邊界框中心的y坐標；<width>表示邊界框的寬度；<height>表示邊界框的高度。
14、進一步，步驟s3所述數據集的配置文件為‘hrrsd.yaml’，該配置文件的具體配置如下：
15、train:../datasets/hrrsd/images/train
16、val:../datasets/hrrsd/images/val
17、number?of?class：10
18、names:['airplane','ship','storage_tank','baseball_diamond','tennis_court','basketball_court','ground_track_field','harbor','bridge','vehicle']。
19、進一步，步驟s4所述構建rstargetnet網絡的具體步驟如下：
20、s41：使用vanillanet網絡構建yolov5的backbone，stem層用4×4×3×1024的卷積核，步長為4，將3通道的遙感圖像映射到1024個通道的特征圖中，在卷積層后加入bn層和relu激活函數，stage1-4均采用maxpooling，使用2×2的池化核，步長為2，下采樣，同時通道數翻倍，卷積層采用1×1的卷積核，卷積層后加入bn層和relu激活函數；
21、s42：在yolov5的neck網絡中的panet部分中融合使用senet通道注意力機制；
22、s43：使用dynamichead動態監測頭實現對yolov5head網絡的構建；
23、s44：置信度損失函數和類別損失函數均使用二元交叉熵bce?loss，其中真實標簽為y；對于置信度損失函數，如果某個位置存在目標，則標簽為1，否則為0，預測值為yi，作為模型預測的置信度分數，表示該位置存在目標的概率；對于類別損失函數如果目標屬于某個類別，則對應類別的標簽為1；否則為0，預測值為yi，作為模型預測的每個類別的概率；
24、bceloss的公式為：
25、
26、s45：定位損失為ciouloss，ciouloss的計算公式為：
27、
28、其中iou是預測框和真實框的交并比；ρ2(b,bgt)是預測框中心點與真實框中心點之間的歐氏距離；c是包圍框的對角線距離；v是一個度量，反映預測框和真實框的寬高比差異，v的計算公式為：
29、
30、α是一個平衡參數，用于調整對總損失的影響，α的計算公式為：
31、
32、s46：將主干網絡、neck網絡和head網絡以及損失函數結合得到rstargetnet網絡模型。
33、進一步，步驟s5具體包括：
34、s51：設置圖形的輸入尺寸為640×640，使用adam作為網絡的優化函數，初始學習率為0.001，使用steplr進行學習率的調整批訓練數量epochs為300，批量大小設為32；加載yolov5的預訓練權重yolov5s.pt；
35、s52：將驗證集的圖形輸入尺寸設置為640×640，每個epoch結束后，在驗證集上進行評估，并調節學習率進行模型性能的優化；
36、s53：每個epoch結束后在驗證集上評估后，訓練更新網絡模型參數，更新best.pt，epoch＝epoch+1；
37、s54：重復步驟s51-53，直到rstargetnet網絡模型訓練結束，保存最優模型best.pt，保存模型的權重last.pt；
38、s55：測試集的圖形尺寸設置為640×640，并輸入rstargenet本文檔來自技高網...
【技術保護點】
1.一種基于YOLOv5的遙感小目標檢測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于YOLOv5的遙感小目標檢測方法，其特征在于：步驟S2所述將數據集中的標簽文件轉換為YOLOv5格式，具體包括：
3.根據權利要求1所述的基于YOLOv5的遙感小目標檢測方法，其特征在于：步驟S3所述數據集的配置文件為‘hrrsd.yaml’，該配置文件的具體配置如下：
4.根據權利要求1所述的基于YOLOv5的遙感小目標檢測方法，其特征在于：步驟S4所述構建RStargetNet網絡的具體步驟如下：
5.根據權利要求1所述的基于YOLOv5的遙感小目標檢測方法，其特征在于：步驟S5具體包括：
【技術特征摘要】
1.一種基于yolov5的遙感小目標檢測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于yolov5的遙感小目標檢測方法，其特征在于：步驟s2所述將數據集中的標簽文件轉換為yolov5格式，具體包括：
3.根據權利要求1所述的基于yolov5的遙感小目標檢測方法，其特征在于：步驟s3所...
【專利技術屬性】
技術研發人員：袁正午，楊漢卿，張哲齊，楊智威，
申請(專利權)人：重慶郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。