一种基于YOLOv4的航拍小汽车检测方法技术

本发明专利技术公开了一种基于YOLOv4的航拍小汽车检测方法，该方法使用了darknet版本的YOLOv4模型，对开源航拍数据集中2000张图像的小汽车进行标注处理，整理成YOLOv4所需的数据集格式，然后用YOLOv4预训练权重训练自己的航拍数据集，使用L1损失来减少神经网络权重进行稀疏训练，应用通道剪枝技术对YOLOv4进行剪枝训练，压缩模型并提高训练速度，对剪枝后的权重进行微调，应用随机多尺度训练技术提高训练模型的泛化能力，使精度回升，最后用自己训练的权重对航拍图像测试集进行测试，在检测速度达到实时性要求以及不影响检测精度的前提下减小了内存占用空间。减小了内存占用空间。减小了内存占用空间。

【技术实现步骤摘要】
一种基于YOLOv4的航拍小汽车检测方法


[0001]本专利技术涉及一种基于YOLOv4的航拍小汽车检测方法，属于目标检测


技术介绍

[0002]在无人机图像处理领域中，目标检测是时下最热门的方向之一，针对无人机图像小目标、数量多、自然环境复杂以及目标易被遮挡等特点，给无人机航拍图像目标检测技术提出了更高的要求，传统的目标检测算法是通过图像预处理、滑窗进行特征提取、使用分类器进行分类，然后再进行特征匹配和定位等步骤完成的，这种方法虽然具有一定的准确性，但是需要耗费一定的时间以及人力资源。随着基于深度学习的目标检测算法的快速发展，越来越多的目标检测模型被提出，深度学习下的目标检测算法可以通过卷积神经网络对输入的图像直接进行特征提取，并通过深层神经网络模型的学习直接回归输出结果，实现了端到端的目标检测。YOLOv4就是基于这种端到端的检测模型，具有非常高的实时性和不错的检测精度。YOLOv4有多尺度的检测锚框，可以对大中小三种类型的目标进行检测，基本满足无人机航拍图像小目标的检测要求。但是由于YOLOv4是将CSPDarknet53、SP本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv4的航拍小汽车检测方法，其特征在于，包括如下步骤：步骤1，获取无人机航拍图像数据集，对航拍图像中的小汽车进行标注，并将格式转换为YOLO格式；将数据集分为训练样本和验证样本；步骤2，对YOLOv4模型的参数进行初始化，所述参数包括输入图像尺寸、初始学习率、yolo层类别种类以及yolo前一层卷积核的深度，并使用学习率余弦退火策略降低初始学习率；步骤3，采用预训练权重对步骤1的数据集进行基础训练，得到基础训练后的模型，所述预训练权重根据darknet版本的YOLOv4模型对coco数据集训练得到；步骤4，对基础训练后的模型进行L1损失稀疏训练，得到稀疏训练后的模型；步骤5，采用silm
‑
yolo极限通道剪枝策略对稀疏训练后的模型进行剪枝，得到剪枝后的模型；步骤6，对剪枝后的模型进行微调，得到训练好的YOLOv4模型；步骤7，采用训练好的YOLOv4模型对航拍图像进行测试，得到航拍小汽车检测结果。2.根据权利要求1所述基于YOLOv4的航拍小汽车检测方法，其特征在于，所述步骤1的具体过程如下：步骤11，选取开源航拍图像数据集，将数据集整理为VOCdevkit格式；步骤12，对数据集中的小汽车进行标注，并将标注格式转换为YOLO格式；步骤13，将数据集按照9:1的比例分为训练样本和验证样本。3.根据权利要求1所述基于YOLOv4的航拍小汽车检测方法，其特征在于，步骤2所述使用学习率余弦退火策略的计算公式为：其中，L表示学习率，i表示第i次训练，分别表示第i次训练的学习率的最大值、最小值，N
i
表示第i次训练中总的迭代次数，n表示第i次训练中第n次迭代，n＝1,
…
,N
i
。4.根据权利要求1所述基于YOLOv4的航拍小汽车检测方法，其特征在于，所述步骤3的具体过程如下：步骤31，采用darknet版本的YOLOv4模型对coco数据集训练，得到预训练权重；步骤32，对于步骤1的数据集...

【专利技术属性】
技术研发人员：王浩雪，曹杰，韩玉洁，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：