yolov3/yolov4/yolov5/yolov6/yolov7/lite/fastdet/efficientdet各系列模型开发、项目交付、组合改造创新之—无人机航拍小目标检测系统设计开发

目前单阶段目标检测模型依旧是主流技术，yolo系列一直是但阶段目标检测领域的翘楚，迭代更新至今，已经从yolov3、yolov4、yolov5更新到了如今的yolov6和yolov7，相信随着新技术的不断涌现，一定还有更快更准更强的检测模型面世，yolo全系列的模型都有很高的学习研究和应用实践价值，对于每一个想要入门目标检测领域的人来讲都是必不可少的一堂课。
当然了出来yolo以外还有很多其他的检测模型，比如：lite、fastestdet、effcientdet、fasterrcnn、maskrcnn、fcos等等，都是不错的检测模型，都有学习借鉴的价值，可以根据自身的具体的也无需求进行技术选型即可，当然了如果有项目开发的需求也都是可以的，深耕CV领域数十载，自建海量的数据资源库，积累了大量的项目经验。
文本主要是简单讲解无人机航拍小目标检测这一目标检测任务。

数据样例如下：
 

 

 YOLO格式标注文件截图如下所示：

 该项目主要是基于三种模型开发完成，每种模型均以yolov5s为基准网络结构进行改造融合。

1、【yolov5s+mobilenet】替换backbone为mobilenet，提升轻量化水平

 2、【yolov5s+shufflenetv2】替换backbone为shufflenetv2，提升轻量化水平

 3、【yolov5s+ghostconv+bifpn+ca】替换为ghostconv同时替换fpn为bifpn还加入了注意力机制CA模块

 模型推理样例如下所示：

 基于PYQT开发了专用的界面，启动如下：

 上传图像：

点击识别检测计算：

 本项目的开发初衷主要是研究模型轻量化技术，不断地尝试替换更加轻量化的backbon或者是其他轻量化的组件来开发轻量化的模型。

模型轻量化可以带来推理速度的大幅提升，同事能够降低边缘设备端的计算压力，但是由于模型的轻量化也会带来精度的下降，在无人机航拍场景下，三种模型的检测效果表现都是差强人意的，在这种密集型、小目标较多的场景下，轻量级模型并不适用，本文主要的目的是在于轻量化模型的探索研究，而非实际应用，建议尝试其他数据业务场景。