我们提出的Drone-YOLO (large)在$mAP_{0.95}$上表现最佳,而MS-YOLOv7 [31]在$mAP_{0.5}$上表现最佳。 在这里插入图片描述 在嵌入式环境下,我们在VisDrone2019-val数据集上评估了我们提出的Drone- yolo(nano)和Drone- yolo(tiny)方法的性能,以及YOLOv5-n、YOLOv5-s、YOLOv8-n和YOLOv8-s的比较方法,用于...
Drone-YOLO的架构 重参数模块 三文治融合块 深度可分离卷积层的内核和通道大小 主干中建议的模型参数 颈部建议的模型参数 实验: 数据集:VisDrone2019,训练和推理的分辨率:640*640 VisDrone2019-test 测试的实验结果 VisDrone2019-val 的实验结果 NVIDIA Tegra TX2、VisDrone2019-val 数据集上的实验结果 VisDrone2019-val...
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...
结果显示，我们的Drone-YOLO（L）在目标检测准确性方面显著优于其他基线方法。特别是在mAP0.5指标上，与YOLOv8相比，我们的方法在VisDrone2019测试集上提升了13.4%，而在VisDrone2019-val.上更是达到了17.40%的增幅。同时，参数高效的Drone-YOLO（tiny）仅以5.25M参数便在数据集上取得了与9.66M参数基线方法相...
在VisDrone2019-test测试效果 基于NVIDIA Tegra TX2的结果 Drone-YOLO实际效果 左边是Yolov8的结果,可以看出红色框中大部分目标没有检测出来 论文地址:www.mdpi.com/2504-446X/7/8/526 本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请...
无人机图像中的目标检测是各个研究领域的重要基础。然而,无人机图像带来了独特的挑战,包括图像尺寸大、检测对象尺寸小、分布密集、实例重叠和照明不足,这些都会影响对象检测的有效性。 01 前景概要 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...
我参照YoloV6中的源码,结合YoloV8,对BiC模块做了适当的修改,适应channel的输入和输出,代码如下: 改进一 测试结果 基本上没有变化,反而增加了计算量! 改进二 测试结果 原数据集测试结果 ViSDrone2019数据集测试结果 比论文的结果低一些,这个和batchsize以及epoch有关系! 我选用的epoch为150,batchsize为8。如果按照论...
20.04环境中使用NVIDIA 3080ti进行训练，NVIDIA Tegra TX2在嵌入式实验中的性能验证了该方法在不同场景下的有效性。通过对比，Drone-YOLO在实际检测中展现出了优于YOLOv8的性能，特别是在目标检测的准确性和实时性方面。论文链接提供了深入研究Drone-YOLO及其在无人机图像目标检测任务中的详细信息。
Detecting small objects in complex scenes, such as those captured by drones, is a daunting challenge due to the difficulty in capturing the complex features of small targets. While the YOLO family has achieved great success in large target detection, its performance is less than satisfactory when...
来自专栏 · 高质量CV论文翻译 摘要 Drone-Yolo在无人机数据集上取得了巨大的成功,mAP0.5指标上取得了显著改进,在VisDrone2019-test上增加了13.4%,在VisDrone2019-val上增加了17.40%。这篇文章我首先复现Drone-Yolo,然后,在Drone-Yolo的基础上加入我自己对小目标检测的改进。 完整链接: YoloV8改进策略:独家原创,全...