【阅读文献笔记】Drone-YOLO: An Efficient Neural Network Method for Target Detection in Drone Images

最新推荐文章于 2025-07-03 11:57:32 发布

梨V_v

最新推荐文章于 2025-07-03 11:57:32 发布

阅读量633

点赞数 5

CC 4.0 BY-SA版权

分类专栏：文献文章标签：笔记 YOLO

本文链接：https://blog.csdn.net/qq_46460379/article/details/143716461

存在的问题

无人机获得的图像与人工捕获的地面图像相比存在显著差异。包括大图像尺寸、小尺寸检测对象、密集分布、重叠实例和影响目标检测有效性的光照不足。

本文改进

1.对YOLOv8模型的颈部组件采用了三层PAFPN结构，并结合了一个使用大规模特征图为小尺寸物体量身定制的检测头。

2.将三明治融合模块集成到颈部上下分支的每一层中。

3.在网络骨干网中，我们采用RepVGG模块作为下采样层，增强了网络学习多尺度特征的能力，并且优于传统的卷积层。

模型架构

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

梨V_v

关注关注

5
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

Drone-Yolo:一种高效的无人机图像目标检测神经网络方法

m0_47867638的博客

11-01

6411

近15年来，随着无人机控制技术的逐步成熟，无人机遥感影像因其性价比高、易于获取等优点，已成为低空遥感研究领域的重要数据源。在此期间，深度神经网络方法得到了广泛的研究，并逐渐成为图像分类[1-3]、目标检测[4-6]和图像分割[7-9]等任务的最佳方法。然而，目前应用的大多数深度神经网络模型，如VGG[1]、RESNET[2]、U-NET[7]、PSPNET[8]，主要是使用手动采集的图像数据集开发和验证的，如VOC2007[10]、VOC2012[11]、MS-COCO[12]，如图1所示。

番外篇 | YOLOv8改进之结合Drone-YOLO：一种有效的无人机图像目标检测

突然好想你

06-04

828

YOLOv8改进之结合Drone-YOLO：一种有效的无人机图像目标检测。🌈

参与评论您还未登录，请先登录后发表或查看评论

Drone-YOLO：一种有效的无人机图像目标检测

gzq0723的博客

09-04

6922

点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式计算机视觉研究院专栏Column of Computer Vision Institute无人机图像中的目标检测是各个研究领域的重要基础。然而，无人机图像带来了独特的挑战，包括图像尺寸大、检测对象尺寸小、分布密集、实例重叠和照明不足，这些都会影响对象检测的有效性。01前景概要今天分享中，...

【数据集】【YOLO】【目标检测】无人机检测数据集 7261 张，YOLO无人机识别算法实战训练教程，yolo无人机检测毕业设计。

07-03

1178

【数据集】【YOLO】【目标检测】无人机检测数据集 7261 张，YOLO无人机识别算法实战训练教程，yolo无人机检测毕业设计，包含YOLO/VOC格式标注。数据集中包含 1 种分类，具体分类为：names: ['drone']，为无人机。检测场景为园区、工厂、机场等禁飞区，可以应用于空中秩序管理，信息安全保密领域等工作。基于QT的yolo可视化界面实战详细步骤。

Drone-YOLO

whaosoft143ai的博客

09-04

662

如下图所示，我们提出了sandwich-fusion（SF），这是一种三尺寸特征图的新融合模块，它优化了目标的空间和语义信息，用于检测头。然而，目前应用的大多数深度神经网络模型，如VGG、RESNET、U-NET、PSPNET，主要是使用手动收集的图像数据集开发和验证的，如VOC2007、VOC2012、MS-COCO，如下图所示。它们的设计应满足飞行后数据处理的要求，可以提供高精度和召回率的结果，或者它们应设计为具有较小规模参数的模型，可以部署在嵌入式硬件环境中，用于无人机上的实时处理。whaosoft

计算机视觉研究院 | Drone-YOLO：一种有效的无人机图像目标检测

csdn_xmj的博客

04-07

9493

无人机图像中的目标检测是各个研究领域的重要基础。然而，无人机图像带来了独特的挑战，包括图像尺寸大、检测对象尺寸小、分布密集、实例重叠和照明不足，这些都会影响对象检测的有效性。

YOLOv8改进 | Neck篇 | 利用Damo-YOLO的RepGFPN改进特征融合层（全新YOLOv8改进策略）

Snu77的博客

12-15

9276

本文给大家带来的改进机制是Damo-YOLO的RepGFPN（重参数化泛化特征金字塔网络），利用其优化YOLOv8的Neck部分，可以在不影响计算量的同时大幅度涨点（亲测在小目标和大目标检测的数据集上效果均表现良好涨点幅度超级高！），RepGFPN不同于以往提出的改进模块，其更像是一种结构一种思想(一种处理事情的方法)，RepGFPN相对于BiFPN和之前的FPN均有一定程度上的优化效果。RepGFPN（重参数化泛化特征金字塔网络）是DAMO-YOLO框架中用于实时目标检测的新方法。

YOLO综述：从YOLOV1到YOLOV8

qq_33287871的博客

04-08

3186

YOLO 已成为机器人、无人驾驶汽车和视频监控应用的中央实时目标检测系统。我们对 YOLO 的演变进行了全面分析，检查了从原始 YOLO 到 YOLOv8 的每次迭代中的创新和贡献。我们首先描述标准指标和后处理；然后，我们讨论了每个模型的网络架构和训练技巧的主要变化。最后，我们总结了 YOLO 发展的重要经验教训，并展望了其未来，强调了增强实时目标检测系统的潜在研究方向。

YOLO-Drone：一种用于微型无人机目标检测的优化YOLOv8网络

gzq0723的博客

06-16

658

点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式https://www.mdpi.com/2079-9292/12/17/3664计算机视觉研究院专栏Column of Computer Vision Institute随着无人机在商业和工业领域的广泛应用，无人机检测在公共安全等领域受到越来越多的关注，无人机目标检测技术也随之快速发展。然而，无人机尺寸小、空域背景复杂、光照条件多变等问题，仍为此领域的研究带来重大挑战。PART/1 概述

【超详细】基于YOLOv8改进1-Drone-YOLO复现

weixin_45679938的博客

05-20

8061

如下图，改进 3（加小目标分支）是提升最显著，为 6.8 个点，无人机小目标较多（P2 是 v8 自。改进 2：三明治结构（作者提出），相比于原先的 concat 操作，多融合了一个上层大尺度特征。（1）性能主要提升来自增加对小目标检测的 P2 层（即增加一个 160*160 的大尺度检测。如下图所示，在 yolov8-n 基础改进上，精度有所提升，参数变化不大，但是推理速度大幅。积核被合并为一个 3×3 卷积层。（2）增加 P2 分支与多支路融合虽然在模型参数方面略微增加，但推理耗时显著增加，不。

YOLO无人机检测数据集-drone-part2.zip

04-17

1、YOLOv5、v3、v4、SSD、FasterRCNN系列算法旋翼无人机目标检测，数据集，都已经标注好，标签格式为VOC和YOLO两种格式，可以直接使用，共两部分，由于数量量太大，分为两部分，这里是第一部分 2、part2 数量：6000多张 3、classes: drone 4、有需要的可以下载

yolov5多旋翼航拍无人机目标检测数据集 yolo-drone-detect-dataset-1.zip

08-05

几千张yolov5多旋翼航拍无人机目标检测数据集dataset1，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： names: ['Drones'] train: ./train/images val: ./valid/images test: ./test/image

基于YOLOv3的视频中无人机的目标检测（包括CUDA等环境配置）

Supdan的技术博客

12-05

5222

在SLAM毫无建树的我又投入了深度学习的大坑，由于项目需求需要做无人机的目标检测，这里把搭建系统中的一些问题记录下来，方便之后复现。系统搭建采用YOLOv3来进行无人机的检测，yolo的安装：YOLO: Real-Time Object Detection 这作者可太牛逼了，居然c语言直接就撸了一个网络，下下来直接make就行了，不用搭建任何环境就能简单的看到效果，当然其本身的网络是不支持无人...

无人机图像目标检测：Drone-YOLO的创新与应用

zhangjiaofa的专栏

02-23

797

下图显示了我们提出的Drone-YOLO（L）网络模型的架构。该网络结构是对YOLOv8-l模型的改进。在网络的主干部分，我们使用RepVGG结构的重新参数化卷积模块作为下采样层。在训练过程中，这种卷积结构同时训练3×3和1×1卷积。在推理过程中，两个卷积核被合并为一个3×3卷积层。这种机制使网络能够在不影响推理速度或扩大模型大小的情况下学习更稳健的特征。在颈部，我们将PAFPN结构扩展到三层，并附加了一个小尺寸的物体检测头。

基于YOLOv10模型与Drone Dataset数据集的无人机目标检测与应用

YOLO

04-23

396

是一个专门针对无人机目标检测的图像数据集，包含了不同场景下的无人机图像。类别：无人机（Drone）——该数据集专注于无人机目标的识别。数据量：包含大量的图像数据，每个图像中通常只包含一个无人机目标。图像质量：图像涵盖不同的拍摄条件（如不同的时间、天气、视角），具有一定的多样性和挑战性。数据集的标注信息包括目标类别以及其在图像中的位置，通常以边界框（Bounding Box）的形式呈现。

论文阅读 RRNet: A Hybrid Detector for Object Detection in Drone-captured Images

weixin_45935290的博客

08-06

3246

我们提出了一种名为RRNet的混合检测器，用于在城市场景无人机（UAVs）和无人机拍摄的图像中进行目标检测。在这种具有挑战性的任务中，目标通常呈现出各种不同的大小，并且非常密集。因此，我们将anchor free检测器与re-regression模块相结合。通过摒弃prior anchors，我们的模型不再需要对边界框大小进行回归，从而在密集场景中实现了更好的多尺度目标检测性能。

数据集drone vs bird 标签转换为YOLO格式

weixin_51154380的博客

09-15

989

数据集drone vs bird 标签转换为YOLO格式 import os from PIL import Image """"转换drone标签文件为YOLO格式""" anns = './2019_09_02_C0002_3700_mavic.txt' #原来的标签文件 img_path = './img/' #图片路径 ann_write = './ann/' #转换后yolo格式的标签保存路径 class_ids = {'drone':'0'} #首先获取图片名称 images =

drone-yolo:一种有效的无人机图像目标检测

11-22

drone-yolo是一种有效的无人机图像目标检测技术。该技术采用You Only Look Once (YOLO)算法，可在无人机拍摄的图像中快速准确地检测目标物体。 drone-yolo的有效性在于其高速和精确度。由于无人机拍摄的图像通常具有大量的细节和复杂场景，传统的目标检测方法在处理这些图像时往往较慢或无法准确识别目标。然而，drone-yolo通过将目标物体识别任务转化为回归问题，采用单次前向传递的方式，能够以非常快的速度检测图像中的目标。同时，该技术通过将图像划分为较小的网格单元并结合多尺度特征，可以准确地定位目标的位置和大小。此外，drone-yolo还具有较低的硬件要求和易于应用的特点。相较于其他目标检测算法，drone-yolo所需的计算资源和内存较少，可以在较低性能的无人机上运行。同时，该技术提供了易于部署和使用的API，使得无人机操作员可以快速应用这个目标检测技术。总之，drone-yolo是一种非常有效的无人机图像目标检测技术，能够通过高速和准确的目标识别，帮助无人机操作员快速获取目标对象并进行相关操作，具有良好的实际应用前景。