【技术实现步骤摘要】
本专利技术属于目标检测，涉及一种基于yolov5的遥感小目标检测方法
技术介绍
1、目标检测一直是遥感图像和计算机视觉领域的一个长期问题。它通常被定义为识别输入图像中目标对象的位置以及识别对象类别。自动目标检测已广泛应用于许多实际应用中，如危险检测、环境监测、变化检测、城市规划等。在过去的几十年里，人们对目标检测进行了广泛的研究，并开发了大量方法来检测遥感图像中的人工目标(如车辆、建筑物、道路、桥梁等)和自然目标(如湖泊、海岸、森林等)。基于机器学习的方法在特征提取和目标分类方面具有强大的鲁棒性，并被许多最近的方法广泛研究，以实现这一问题的重大进展。在过去的几年里，为了完成场景分类、图像分割和目标检测的任务，少样本学习在计算机视觉领域得到了广泛的研究。而在遥感图像中，物体的大小可能非常不同，遥感图像的空间分辨率也可能非常不同，这使得在只提供少量注释样本的情况下，这个问题更加具有挑战性。
2、随着遥感图像技术的进步，遥感图像的特征信息也越来越多，基于深度学习的遥感图像检测方法通过大量的参数在算法模型上进行训练，获得图像中抽象语义信息，使目标识别具有更高的检测精度和更好的适应性。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于yolov5的遥感小目标检测方法，用vanillanet优化yolov5的网络结构，加入senet通道注意力机制，在训练的过程中，逐渐消除非线性层，以便在保存推理数据的同时轻松合并。让原网络能在更高效的情况下进行遥感图像小目标的识别。p>
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于yolov5的遥感小目标检测方法，包括以下步骤：
4、s1：采集遥感图像数据集，对所述数据集进行预处理，并划分为训练集、验证集和测试集；
5、s2：将数据集中的标签文件转换为yolov5格式；
6、s3：创建数据集的配置文件；
7、s4：构建rstargetnet网络：以yolov5网络为基础，使用vanillanet替代cspdarknet53骨干网络，并加入senet通道注意力机制，置信度损失和类别损失采用bceloss，定位损失采用ciouloss；
8、s5：使用训练集训练rstargetnet网络，使用验证集评估并优化rstargetnet网络，最后使用测试集进行测试，得到最优模型；
9、s6：利用最优模型对输入网络中的图片进行预测，获得各个检测目标的类别名称、置信度分数和目标框坐标信息，并展示在图片中，完成检测。
10、进一步，步骤s2所述将数据集中的标签文件转换为yolov5格式，具体包括：
11、标签文件格式每行包含一个边界框的信息；标签文件格式如下：
12、<class_id><x_center><y_center><width><height>
13、其中<class_id>表示类别id；<x_center>表示边界框中心的x坐标；<y_center>表示边界框中心的y坐标；<width>表示边界框的宽度；<height>表示边界框的高度。
14、进一步，步骤s3所述数据集的配置文件为‘hrrsd.yaml’，该配置文件的具体配置如下：
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、进一步，步骤s4所述构建rstargetnet网络的具体步骤如下：
20、s41：使用vanillanet网络构建yolov5的backbone，stem层用4×4×3×1024的卷积核，步长为4，将3通道的遥感图像映射到1024个通道的特征图中，在卷积层后加入bn层和relu激活函数，stage1-4均采用maxpooling，使用2×2的池化核，步长为2，下采样，同时通道数翻倍，卷积层采用1×1的卷积核，卷积层后加入bn层和relu激活函数；
21、s42：在yolov5的neck网络中的panet部分中融合使用senet通道注意力机制；
22、s43：使用dynamichead动态监测头实现对yolov5head网络的构建；
23、s44：置信度损失函数和类别损失函数均使用二元交叉熵bce loss，其中真实标签为y；对于置信度损失函数，如果某个位置存在目标，则标签为1，否则为0，预测值为yi，作为模型预测的置信度分数，表示该位置存在目标的概率；对于类别损失函数如果目标属于某个类别，则对应类别的标签为1；否则为0，预测值为yi，作为模型预测的每个类别的概率；
24、bceloss的公式为：
25、
26、s45：定位损失为ciouloss，ciouloss的计算公式为：
27、
28、其中iou是预测框和真实框的交并比；ρ2(b,bgt)是预测框中心点与真实框中心点之间的欧氏距离；c是包围框的对角线距离；v是一个度量，反映预测框和真实框的宽高比差异，v的计算公式为：
29、
30、α是一个平衡参数，用于调整对总损失的影响，α的计算公式为：
31、
32、s46：将主干网络、neck网络和head网络以及损失函数结合得到rstargetnet网络模型。
33、进一步，步骤s5具体包括：
34、s51：设置图形的输入尺寸为640×640，使用adam作为网络的优化函数，初始学习率为0.001，使用steplr进行学习率的调整批训练数量epochs为300，批量大小设为32；加载yolov5的预训练权重yolov5s.pt；
35、s52：将验证集的图形输入尺寸设置为640×640，每个epoch结束后，在验证集上进行评估，并调节学习率进行模型性能的优化；
36、s53：每个epoch结束后在验证集上评估后，训练更新网络模型参数，更新best.pt，epoch＝epoch+1；
37、s54：重复步骤s51-53，直到rstargetnet网络模型训练结束，保存最优模型best.pt，保存模型的权重last.pt；
38、s55：测试集的图形尺寸设置为640×640，并输入rstargenet本文档来自技高网...
【技术保护点】
1.一种基于YOLOv5的遥感小目标检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于YOLOv5的遥感小目标检测方法，其特征在于：步骤S2所述将数据集中的标签文件转换为YOLOv5格式，具体包括：
3.根据权利要求1所述的基于YOLOv5的遥感小目标检测方法，其特征在于：步骤S3所述数据集的配置文件为‘hrrsd.yaml’，该配置文件的具体配置如下：
4.根据权利要求1所述的基于YOLOv5的遥感小目标检测方法，其特征在于：步骤S4所述构建RStargetNet网络的具体步骤如下：
5.根据权利要求1所述的基于YOLOv5的遥感小目标检测方法，其特征在于：步骤S5具体包括：
【技术特征摘要】
1.一种基于yolov5的遥感小目标检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于yolov5的遥感小目标检测方法，其特征在于：步骤s2所述将数据集中的标签文件转换为yolov5格式，具体包括：
3.根据权利要求1所述的基于yolov5的遥感小目标检测方法，其特征在于：步骤s3所...
【专利技术属性】
技术研发人员：袁正午，杨汉卿，张哲齐，杨智威，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。