AU-AIR数据集(https://bozcani.github.io/auairdataset):多用途航空数据集(AU-AIR)是由配备摄像头的无人机从多模态传感器(即视觉、时间、位置、高度、IMU、速度)捕获的大规模物体检测数据集,2020年被奥胡斯大学指定为公共数据集。该数据集包含8个视频序列,共提取32823个帧,拍摄地点为Skejby Nordlandsvej和P.O...
摘要:本文深入研究了基于YOLOv8/v7/v6/v5等深度学习模型的无人机目标检测技术,核心采用YOLOv8并整合了YOLOv7、YOLOv6、YOLOv5算法,进行性能指标对比;详述了国内外研究现状、数据集处理、算法原理、模型构建与训练代码,及基于Streamlit的交互式Web应用界面设计。在Web网页中可以支持图像、视频和实时摄像头进行无人机目标...
无人机集群目标检测数据集 喜爱 1 本项目通过对无人机集群系统算法的评估基准进行研究和分析,构建完整的评估数据集。该评估数据集覆盖复杂多样的场景和丰富完整的视角,包括在气候、光照等影响因素下生成的虚拟场景图像数据集,并使用生成对抗网络GAN对数据集进行丰富,建立一个包含多种图像增强方式、天候、光照、飞行场景...
UAVDT 全称 Unmanned Aerial Vehicle Benchmark Object Detection and Tracking,是关于无人机目标检测追踪的大规模视频数据集,包含 10 小时的原始视频,约 8,000 具有代表性的视频帧,这些视频帧带有手动标注边界框和一些有用的标签,例如车辆类别和遮挡。该数据集是由无人机在各种复杂场景下捕获的,主要用于执行三个基本...
本研究提出并实现了一种基于YOLOv8深度学习模型的无人机航拍小目标检测系统,旨在解决高空环境下汽车目标检测的技术难题。随着无人机技术的发展,航拍图像已广泛应用于交通监控、城市管理、灾害应急等多个领域。然而,由于无人机通常在较高的飞行高度下进行拍摄,目标物体(
UAVDT是一个具有大规模的挑战性的无人机检测和跟踪基准(即10小时原始视频中约8万帧的代表性帧),用于3项重要的基本任务,即目标检测(DET)、单目标跟踪(SOT)和多目标跟踪(MOT)。 数据集由无人机在各种复杂场景中捕获。本基准中关注的对象是车辆。使用边界框和一些有用的属性(例如,车辆类别和遮挡)对帧进行手动注...
【目标检测数据集】无人机拍摄行人车辆数据集8426张10类别VOC+YOLO格式,数据集格式:PascalVOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件):“遮阳三轮车”、“自行车”、“公共汽车”=185773。
AU-AIR数据集包含原始数据,可用于从录制的RGB视频中提取帧。此外,在目标检测任务的背景下,我们强调了自然图像和航摄图像之间的差异。我们在AU-AIR数据集上对可移动物体探测器(包括YOLOv3-Tiny和MobileNetv2-SSDLite)进行训练和测试,使其用于无人机的机载计算机进行实时物体检测。由于本文的数据集记录的数据类型具有...
现有的流行跟踪数据集大多是基于地面拍摄或特定场景拍摄的,其视频的特征和模式与无人机捕获的视频存在较大差异。这些数据集在目标的运动规律、背景的复杂性以及光照条件等方面,无法充分反映无人机视频的真实情况。因此,为了推动无人机视频跟踪技术的发展,创建一个专门针对无人机视频的数据集势在必行。
同时,利用迁移学习技术,从大规模通用数据集预训练的模型出发,对其在具体无人机目标检测数据集上进行微调,加快模型训练速度,提高准确率。 技术框架和开发工具 PyTorch框架:选择PyTorch作为开发深度学习模型的主要框架,它不仅提供灵活的编程环境,还支持强大的GPU加速功能,适合于需求迭代和模型优化。 基于Streamlit的Web界面...