Visdrone 无人机图像目标检测

本仓库是人工智能课程的课程作业仓库，主要是完成无人机图像目标检测的任务，我们对 visdrone 数据集进行了处理，在 yolo 和 ssd 两种框架下进行了训练和测试，并编写 demo 用于实时的无人机图像目标检测。

requirements

ssd: pytorch1.4

yolo:pytorch1.0 tensorflow1.14

结构

visdrone_detection ├─ readme.md ├─ ssd ├─ yolo └─ 人工智能大作业_流程.md

数据集

本作业使用的数据集是 VisDrone 数据集，包含了 10 个类（即行人、人、汽车、面包车、公共汽车、卡车、汽车、自行车、遮阳三轮车和三轮车），数据集下载地址为： VisDrone 数据集下载地址

由于本次作业我们使用 SSD 和 YOLO 框架来完成目标检测的任务，需要对原先的数据标注格式进行处理，数据集原始的标注形式为 XML 文件，我们将标注转化为了常用的 voc 形式和 yolo 形式，您可以使用代码中的 utils 下的代码文件自行处理数据，也可以联系我们获取。

训练

ssd 训练

首先请 cd 到 ssd 目录下，调试 visdrone_train.py 下数据集和配置文件的路径信息，本作业的配置文件为 configs/vgg_ssd300_visdrone0413.yaml ，执行：

python visdrone_train.py

训练好的模型文件将会保存在 outputs 目录下

yolo 训练

首先请 cd 到 yolo 目录下，生成 cfg 文件和 custom.data

python train.py --model_def config/yolov3-custom.cfg --data_config config/custom.data--pretrained_weights weights/darknet53.conv.74

训练好的模型文件将会保存在 checkpoints 目录下

测试

ssd 测试

首先请 cd 到 ssd 目录下, 执行

python visdrone_test.py python visdrone_demo.py

yolo 测试

首先请 cd 到 yolo 目录下, 执行

python test.py --weights_path weights/yolov3.weights python3 detect.py --image_folder data/samples/

结果

mAP 指标

# yolo +-------+-----------------+---------+ | Index | Class name | AP | +-------+-----------------+---------+ | 0 | pedestrian | 0.08822 | | 1 | people | 0.02340 | | 2 | bicycle | 0.00165 | | 3 | car | 0.43279 | | 4 | van | 0.07407 | | 5 | truck | 0.07747 | | 6 | tricycle | 0.00995 | | 7 | awning-tricycle | 0.01727 | | 8 | bus | 0.25008 | | 9 | motor | 0.05405 | | 10 | others | 0.00366 | +-------+-----------------+---------+ ---- mAP 0.09387386786609676 # ssd 2020-11-04 14:56:20,698 SSD.inference INFO: mAP: 0.1524 pedestrian : 0.1170 people : 0.0909 bicycle : 0.0909 car : 0.4377 van : 0.1740 truck : 0.2258 tricycle : 0.1048 awning-tricycle : 0.0413 bus : 0.3754 motor : 0.0800 others : 0.0909 * FPS

# yolo fps: 19.17227602398063 83.97542357444763s / 1610imgs # ssd FPS:64.44748916337679 24.98157835006714s / 1610imgs * 部分结果

yolo