深度学习目标检测项目实战(三)—基于Yolov5的遥感图像目标检测及其界面封装

深度学习目标检测项目实战(三)—基于Yolov5的遥感图像目标检测

这里使用官方的yolov5.60进行训练，yolov5的好处就是使用起来便利，只要定义好数据集格式，加上硬件不差，基本上可以跑出来。这里以遥感图像目标检测为例子进行实战。

yolov5的模型学习

这里直接参考大佬们讲解，向大佬学习：
Yolov5 系列1— Yolo发展史以及Yolov5模型详解.
Yolov5 模型详解.

数据集下载

遥感图像数据集有很多，我们选择最轻量级的rsod数据集进行演示，当然也可以其他数据集，不过文件比较大，具体可参考：
遥感图像目标检测常用数据集及下载链接汇总.

里面附有RSOD数据集的下载链接：
https://github.com/RSIA-LIESMARS-WHU/RSOD-Dataset-

数据集包含飞机，油箱，运动场和立交桥，以PASCAL VOC数据集的格式进行标注。
数据集包括4个文件夹，每个文件夹包含一种对象：
1.飞机数据集，446幅图像中的4993架飞机
2.操场，189副图像中的191个操场。
3.立交桥，176副图像中的180座立交桥。
4.油箱，165副图像中的1586个 油箱。

数据集预处理

注意PASCAL VOC数据集的格式并不适合于yolov代码进行训练，我们必须进行一个转换和数据集分割（分为训练集合验证集），形成满足yolov训练的数据集格式。

将 RSOD 遥感图像数据集转为 PASCAL VOC 格式：
将 RSOD 遥感图像数据集转为 PASCAL VOC 格式.

将 PASCAL VOC 格式转为yolov数据格式，这里写了一个转换的函数：

def convert_annotation(image_name):
    in_file = open('./ANNOTATIONS/'+image_name[:-3]+'xml')
    out_file = open('./LABELS/'+image_name[:-3]+'txt','w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        cls = obj.find('name').text
        if cls not in classes:
            print(cls)
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

转化前：

转化后：

训练

训练过程可参考这篇：
工业缺陷检测项目实战(二)——基于深度学习框架yolov5的钢铁表面缺陷检测

这里可以选用模型较大的yolov5m进行训练，以下是这些模型的对比：

训练完之后，训练结果：


效果还可以。

上位机界面封装

使用pyrhon pyqt进行实现，可以实现摄像头的实时检测，也可以上传图片检测：

网页界面封装

使用python flask进行封装，实现上传图片，云检测（网页挂载到腾讯云阿里云），记录识别历史：

需要代码的私信我。