目标检测之实例和论文
1.前言
关于目标检测,我已经写了很多的文章了,但是还有很多的东西没有搞明白。
2.烟雾
参考文章:
【1】.YOLOv8目标检测,火灾烟雾数据集整理 1.D-Fire: an image dataset for fire and smoke detection。2.Fire and Smoke Tracking and Detection using YOLOv8。3.fire_detection数据集
【2】.基于视频信息的秸秆焚烧检测报警系统
【3】.一种基于目标检测技术的秸秆焚烧监测方法和系统 这里是一个发明的参考,其实内容都是简单的,都可以进行相应的数据处理。
【4】.fire-smoke-detect-yolov4 烟火检测-中文说明,这里提供了数据集,主要是火灾的识别,对于烟雾的识别,好像没有多少数据。这里总共有2504张火灾的照片。
【5】.目标检测 | 火焰烟雾检测论文(实验部分)
【6】.【深度学习目标检测】七、基于深度学习的火灾烟雾识别(python,目标检测,yolov8) 本文介绍了基于Yolov8的火焰烟雾检测模型,包括训练过程和数据准备过程,同时提供了推理的代码。火灾烟雾检测数据集,检测2种:火焰和烟雾。训练集总共6007张图,验证集667张图(部分数据集图片损坏,yolov8会自动剔除损坏的图片)。
【1】.YOLOv8目标检测,火灾烟雾数据集整理 1.D-Fire: an image dataset for fire and smoke detection。2.Fire and Smoke Tracking and Detection using YOLOv8。3.fire_detection数据集
【2】.基于视频信息的秸秆焚烧检测报警系统
【3】.一种基于目标检测技术的秸秆焚烧监测方法和系统 这里是一个发明的参考,其实内容都是简单的,都可以进行相应的数据处理。
【4】.fire-smoke-detect-yolov4 烟火检测-中文说明,这里提供了数据集,主要是火灾的识别,对于烟雾的识别,好像没有多少数据。这里总共有2504张火灾的照片。
【5】.目标检测 | 火焰烟雾检测论文(实验部分)
【6】.【深度学习目标检测】七、基于深度学习的火灾烟雾识别(python,目标检测,yolov8) 本文介绍了基于Yolov8的火焰烟雾检测模型,包括训练过程和数据准备过程,同时提供了推理的代码。火灾烟雾检测数据集,检测2种:火焰和烟雾。训练集总共6007张图,验证集667张图(部分数据集图片损坏,yolov8会自动剔除损坏的图片)。
3.垃圾
生活垃圾检测数据集,提取码:ocw8。
参考文章:
【1】.基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的景区垃圾识别系统(Python+PySide6界面+训练代码) 本文介绍了一个先进的基于深度学习的景区垃圾检测系统,该系统集成了最新的YOLOv8算法,并与YOLOv7、YOLOv6、YOLOv5等前代算法进行了性能对比,通过对比实验证明了其在图像、视频、实时视频流和批量文件处理中对景区垃圾进行精确识别和分类的能力。
【2】.基于GAM-YOLOv8算法的生活垃圾检测 为了准确的分拣生活垃圾,提出了一种基于GAM注意力机制的YOLOv8生活垃圾检测算法。该算法在YOLOv8优秀的目标检测基础上,加入GAM注意力机制,增强网络对重要通道特征信息的关注能力,提升高层网络中图像特征语义信息的提取能力,提高复杂环境垃圾分类检测精度的效果。本文选择 YOLO 系列最新版本的 YOLOv8 算法,对日常生活垃圾进行分类识别,在 YOLOv8 的基础上对其进行了改进。处理结果得到了一定的提升,我们选择了其中几组对比展示。如图 5(a),图 5(b)所示。
【3】.YOLOv5-waste 这里是采用了树莓派和 yolov5 进行垃圾检测的例子,有源代码,提供了数据集,是按照不同的类别进行分类的。
【4】.基于SU-RetinaNet的高分辨率遥感影像非正规垃圾堆检测
【1】.基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的景区垃圾识别系统(Python+PySide6界面+训练代码) 本文介绍了一个先进的基于深度学习的景区垃圾检测系统,该系统集成了最新的YOLOv8算法,并与YOLOv7、YOLOv6、YOLOv5等前代算法进行了性能对比,通过对比实验证明了其在图像、视频、实时视频流和批量文件处理中对景区垃圾进行精确识别和分类的能力。
【2】.基于GAM-YOLOv8算法的生活垃圾检测 为了准确的分拣生活垃圾,提出了一种基于GAM注意力机制的YOLOv8生活垃圾检测算法。该算法在YOLOv8优秀的目标检测基础上,加入GAM注意力机制,增强网络对重要通道特征信息的关注能力,提升高层网络中图像特征语义信息的提取能力,提高复杂环境垃圾分类检测精度的效果。本文选择 YOLO 系列最新版本的 YOLOv8 算法,对日常生活垃圾进行分类识别,在 YOLOv8 的基础上对其进行了改进。处理结果得到了一定的提升,我们选择了其中几组对比展示。如图 5(a),图 5(b)所示。
【3】.YOLOv5-waste 这里是采用了树莓派和 yolov5 进行垃圾检测的例子,有源代码,提供了数据集,是按照不同的类别进行分类的。
【4】.基于SU-RetinaNet的高分辨率遥感影像非正规垃圾堆检测
4.GAM
5.视频识别
关于视频识别,可以通过获取每一帧分别识别,然后再组成一个视频流的方式。这样虽然可以识别,但是如何确定这一帧是否有效呢,如果只识别出一帧,但是下一帧又没有了,这是一帧是不是就算失败了呢?
参考文章:
【1】.利用光流提升视频识别的速度和精度 传统的视频识别一般以下做法:1.一帧一帧做: 太慢了,相邻帧其实很接近重复地提特征浪费时间。2.复用上一帧在网络中某些计算量较大层的中间特征,然后把这些特征送到后面计算量较少的部分重新算得到最终的特征,快了一些但是精度损失严重。
【2】.视频流识别—python 1.常见的预处理操作:裁剪、降噪、增强、标准化。2.实现特征提取模块的基本步骤:加载预训练的深度学习模型、使用加载的模型对视频流中的每一帧进行特征提取、将每一帧的特征向量保存到一个数据集中。3.聚合:数据聚合、数据分类、数据排序。4.数据存储和输出模块是视频流项目的最后一个模块。
【1】.利用光流提升视频识别的速度和精度 传统的视频识别一般以下做法:1.一帧一帧做: 太慢了,相邻帧其实很接近重复地提特征浪费时间。2.复用上一帧在网络中某些计算量较大层的中间特征,然后把这些特征送到后面计算量较少的部分重新算得到最终的特征,快了一些但是精度损失严重。
【2】.视频流识别—python 1.常见的预处理操作:裁剪、降噪、增强、标准化。2.实现特征提取模块的基本步骤:加载预训练的深度学习模型、使用加载的模型对视频流中的每一帧进行特征提取、将每一帧的特征向量保存到一个数据集中。3.聚合:数据聚合、数据分类、数据排序。4.数据存储和输出模块是视频流项目的最后一个模块。
1 | # 对帧进行预处理,包括调整大小和均值归一化 |
6.裸土
参考文章:
【1】.一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法
【2】.裸露土堆识别 这是一个商城,可以卖算法的,但是具体如何收费,这个不太清楚。
【3】.裸土识别、工地裸土识别、裸土检测算法样本标注 1.应用场景:土地退化监测、水土流失预防、农田监测、城市规划与管理。2.优势:高效准确、实时性强、适应性强、成本效益。
【4】.无人机AI精准识别,加速大气污染管控数智化转型 这是一篇介绍,就是一家公司的产品。
【1】.一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法
【2】.裸露土堆识别 这是一个商城,可以卖算法的,但是具体如何收费,这个不太清楚。
【3】.裸土识别、工地裸土识别、裸土检测算法样本标注 1.应用场景:土地退化监测、水土流失预防、农田监测、城市规划与管理。2.优势:高效准确、实时性强、适应性强、成本效益。
【4】.无人机AI精准识别,加速大气污染管控数智化转型 这是一篇介绍,就是一家公司的产品。