1. Toy模板网首页
  2. > Toy博客

基于YOLOv7开发构建MSTAR雷达影像目标检测系统

9月前 作者：Together_CZ 分类：Toy博客 阅读(43) 违法举报

这篇具有很好参考价值的文章主要介绍了基于YOLOv7开发构建MSTAR雷达影像目标检测系统。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集是一个基于合成孔径雷达（Synthetic Aperture Radar，SAR）图像的目标检测和识别数据集。它是针对目标检测、机器学习和模式识别算法的研究和评估而设计的。

MSTAR数据集由美国海军研究实验室（Naval Research Laboratory，NRL）创建，该数据集包含了多种类型和方位的车辆和目标的高分辨率合成孔径雷达图像。它提供了复杂的场景和多种目标类型，包括各种车辆和地面目标，如坦克、卡车、自行车等。

MSTAR数据集的特点如下：

  1. 分辨率高：MSTAR数据集的SAR图像具有高分辨率，能够提供细节丰富的目标信息，有助于进行精确的目标检测和识别。

  2. 方位变化：该数据集提供了目标在不同方位角下的合成孔径雷达图像，包括前视、靠近侧视、背视等多种视角，用于研究方位变化对目标识别的影响。

  3. 多样性目标：MSTAR数据集中包含了多种类型的目标，涵盖了各种车辆和地面目标，使得研究和评估的算法可以具有更好的泛化性能。

MSTAR数据集对于合成孔径雷达图像的目标检测和识别算法的研究和评估提供了有力的工具。它可以用于训练和测试基于机器学习和深度学习的目标检测模型，提高合成孔径雷达图像分析的准确性和鲁棒性。

在前面的博文中我已经基于MSTAR的数据集开发构建了目标检测系统，感兴趣的话可以自行移步阅读即可：

《基于yolov5n的轻量级MSTAR遥感影像目标检测系统设计开发实战》

之前是使用的yolov5模型去开发实现的，且使用的是最为轻量级的模型，这里考虑基于yolov7来开发构建MSTAR雷达影像目标检测识别系统，简单看下实例效果图：

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 接下来看下数据集情况：

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 共有2.4w+的数据。

本文使用到的YOLOv7模型配置文件如下所示：

# parameters
nc: 10  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# anchors
anchors:
  - [12,16, 19,36, 40,28]  # P3/8
  - [36,75, 76,55, 72,146]  # P4/16
  - [142,110, 192,243, 459,401]  # P5/32

# yolov7 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
  
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2      
   [-1, 1, Conv, [64, 3, 1]],
   
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  
   [-1, 1, Conv, [64, 1, 1]],
   [-2, 1, Conv, [64, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]],  # 11
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 16-P3/8  
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]],  # 24
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 29-P4/16  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 37
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [512, 1, 1]],
   [-3, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 42-P5/32  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 50
  ]

# yolov7 head
head:
  [[-1, 1, SPPCSPC, [512]], # 51
  
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [37, 1, Conv, [256, 1, 1]], # route backbone P4
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 63
   
   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [24, 1, Conv, [128, 1, 1]], # route backbone P3
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1]], # 75
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3, 63], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 88
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3, 51], 1, Concat, [1]],
   
   [-1, 1, Conv, [512, 1, 1]],
   [-2, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]], # 101
   
   [75, 1, RepConv, [256, 3, 1]],
   [88, 1, RepConv, [512, 3, 1]],
   [101, 1, RepConv, [1024, 3, 1]],

   [[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]

训练数据配置文件如下所示：

# path 
train: ./dataset/images/train
val: ./dataset/images/test
test: ./dataset/images/test



# number of classes
nc: 10

# class names
names: ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']

终端执行下面的命令即可启动训练：

python train.py --cfg cfg/training/yolov7.yaml --weights weights/yolov7_training.pt --name yolov7 --epochs 100 --batch-size 32 --img 640 640 --device 0 --data data/self.yaml

默认100次epoch的迭代计算，终端日志输出如下所示：

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 训练完成后来看下结果详情：

【精确率曲线】

精确率曲线（Precision-Recall Curve）是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率（Precision）是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 【召回率曲线】

召回率曲线（Recall Curve）是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。
召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度（Sensitivity）或真正例率（True Positive Rate）。

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 【PR曲线】

精确率-召回率曲线（Precision-Recall Curve）是一种用于评估二分类模型性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）和召回率（Recall）之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

【F1值曲线】

F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）、召回率（Recall）和F1分数的关系图来帮助我们理解模型的整体性能。
F1分数是精确率和召回率的调和平均值，它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点，以选择最佳的阈值。

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 【混淆矩阵】

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 【训练过程可视化】

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 可以看到整体的训练过程还是相对平稳的。

【batch计算实例】如下所示：

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 可视化推理实例这块，主要开发实现了：图像检测和视频检测两种类型数据的推理计算，如下图所示：

【图像检测】

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 【视频检测】

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

基于YOLOv7开发构建MSTAR雷达影像目标检测系统,YOLO,目标检测,目标跟踪

 整体检测的效果很不错，后面有时间考虑基于其他类型的检测模型开发尝试一下！文章来源地址https://www.toymoban.com/news/detail-633220.html

到了这里，关于基于YOLOv7开发构建MSTAR雷达影像目标检测系统的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包