因此,我们的工作通过在用于桥梁细节检测的数据集COCO-Bridge-2021+上,对23个属于最新四个YOLO版本(YOLOv5、YOLOv6、YOLOv7、YOLOv8)的模型进行基准测试,为模型选择过程的改进做出了贡献。通过全面的基准测试,我们确定了YOLOv8n、YOLOv7tiny、YOLOv6m和YOLOv6m6是精度与处理速度之间达到最佳平衡的模型,mAP@50得分分...
从表中数据可以看出,SL-YOLO的mAP0.5达到了38.3%,与其他YOLO模型相比处于领先地位,仅略低于YOLOv9m(38.9%)和YOLOv11m(38.8%),但其参数量(9.6M)和计算复杂度(36.7 GFLOPs)远低于这两者(分别为20.0M和67.7 GFLOPs)。相比之下,SL-YOLO的计算效率更为突出,与YOLOv8s-p2具有相同的计算复杂度,但精度更高(37.4%...
roslaunch prometheus_detection yolov5_intel_openvino.launch 运行结果如下: 6. 输入ROS-Launch参数 以 <path-to-Prometheus>/Modules/object_detection/launch/yolov5_intel_openvino.launch为例: <launch> <node pkg="prometheus_detection" type="yolov5_openvino_client.py" name="yolov5_openvino_client" outp...
他们使用经过训练的YOLO算法进行锥形轨迹检测,在确定基准位置后使用最小二乘椭圆拟合来确定椭圆的长半轴,最后使用单目视觉相机进行椎体下垂定位(见图6)。 图6 Drogue检测方法 随着YBUT的不断发展,新一代无人机配备了丰富的计算资源高性能处理器,其中部署了基于YOLO的目标检测算法,允许处理器在无人机收集数据时实时检...
通过克服现有模型的局限性,本研究提出了一种既强大又轻量级的模型——SLYOLO,该模型基于YOLOv8s,旨在处理复杂条件下和资源受限设备上的小目标检测问题。该模型不仅突破了传统无人机目标检测的局限,还为动态和复杂环境中的智能实时监测新时代铺平了道路,使其在实际应用中发挥重要作用。具体而言,我们提出了层次扩展路径聚...
本文,我们研究了仅通过相机信息对无人机进行队列控制。为此,我们采用基于深度学习模型YOLO的实时物体检测。YOLO目标探测器持续估计前方无人机的相对位置,通过该位置,每架无人机都由PD(比例导数)反馈控制器控制,以进行队列操作。我们用三架无人机进行的室内实验表明了该系统的有效性。
今天分享中,我们提出了Drone-YOLO,这是一系列基于YOLOv8模型的多尺度无人机图像目标检测算法,旨在克服与无人机图像目标检测相关的特定挑战。为了解决大场景大小和小检测对象的问题,我们对YOLOv8模型的颈部组件进行了改进。具体而言,我们采用了三层PAFPN结构,并结合了一个使用大规模特征图为小型目标量身定制的检测头,显...
最近,Alsanad等人提出了一种改进的YOLOv3算法,用于低空空域的小型无人机检测;实验表明,所公开的改进算法模型能够有效检测复杂环境下的低空无人机(见图12),并可成功应用于反无人机研究领域管理低空空域无人机。基于已有研究,该方法进一步提高了YBUT的低空小型无人机探测性能。
YOLOv8是目标检测算法的最新进展之一,继承了YOLO系列快速、准确的特点。针对无人机实时目标跟踪应用,YOLOv8在处理速度和精度上有显著提升,非常适合资源受限的无人机平台。该算法可以高效地处理连续输入的视频流,从而实现对目标的实时识别和跟踪。 应用使用场景 ...
摘要:本文介绍了一种基于深度学习的无人机目标检测系统系统的代码,采用最先进的YOLOv8算法并对比YOLOv7、YOLOv6、YOLOv5等算法的结果·,能够准确识别图像、视频、实时视频流以及批量文件中的无人机目标。文章详细解释了YOLOv8算法的原理,并提供了相应的Python实现代码、训练数据集,以及基于PySide6的用户界面(UI)。该...