三门峡建设局网站贵州省城乡建设厅网站材料价

当前位置： 首页 > news >正文

三门峡建设局网站,贵州省城乡建设厅网站材料价,中国建设银行怎么查询余额,怎么用网站视频做自媒体摘要#xff1a;基于YOLOv5的舰船检测与识别系统用于识别包括渔船、游轮等多种海上船只类型#xff0c;检测船舰目标并进行识别计数#xff0c;以提供海洋船只的自动化监测和管理。本文详细介绍船舰类型识别系统#xff0c;在介绍算法原理的同时#xff0c;给出Python的实… 摘要基于YOLOv5的舰船检测与识别系统用于识别包括渔船、游轮等多种海上船只类型检测船舰目标并进行识别计数以提供海洋船只的自动化监测和管理。本文详细介绍船舰类型识别系统在介绍算法原理的同时给出Python的实现代码、训练数据集以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别可对图像中存在的多目标进行识别分类。博文提供了完整的Python代码和使用教程适合新入门的朋友参考完整代码资源文件请转至文末的下载链接。本博文目录如下 文章目录前言1. 效果演示2. 数据集和YOLOv5训练3. 舰船检测识别下载链接结束语➷点击跳转至文末所有涉及的完整代码文件下载页☇ 基于YOLOv5的舰船检测与识别系统演示与介绍前言 准确有效的海上船舶识别技术对于提高船舶航行安全是非常重要的同时也是船舶智能化发展的关键技术。传统的船舶识别主要依靠船舶自动识别系统(Automatic identification system,AIS)和雷达等通信导航设备完成。船舶雷达主要用于航行避让、船舶定位和狭水道引航等是船舶航行必要的导航设备但其也存在目标误识别、目标丢失和易受环境噪声影响等缺点。船舶自动识别系统能够准确获得船舶基本信息可辅助识别船只、协助追踪目标、简化信息交流和提供其他辅助信息以避免碰撞发生但对于未装配该系统或终端关机的船舶则无法获取相关信息。上述基于通信导航设备的船舶识别方法有其优点但因无法获取船舶直观图像在港口等交通密集水域有较大的局限性。目前基于深度学习的船舶识别方法的研究已取得了一定进展通过自动提取船舶图像特征及不断学习与训练实现对海上交通视频和图像中船舶的识别其代表模型有CNN、R-CNN、Faster R-CNN、SSD和YOLO等。其中针对卷积神经网络的船舶识别结果易受到图像背景干扰的问题。 本系统基于YOLOv5对于图片、视频和摄像头捕获的实时画面可检测舰船系统支持结果记录、展示和保存每次检测的结果记录在表格中。这里给出了博主设计的界面同款的简约风功能也可以满足图片、视频和摄像头的识别检测希望大家可以喜欢初始界面如下图 检测类别时的界面截图点击图片可放大如下图可识别画面中存在的多个类别也可开启摄像头或视频检测 详细的功能演示效果参见博主的B站视频或下一节的动图演示觉得不错的朋友敬请点赞、关注加收藏系统UI界面的设计工作量较大界面美化更需仔细雕琢大家有任何建议或意见和可在下方评论交流。 1. 效果演示 我们还是通过动图看一下识别的效果系统主要实现的功能是对图片、视频和摄像头画面中的舰船进行识别识别的结果可视化显示在界面和图像中另外提供多个目标的显示选择功能演示效果如下。 一系统介绍 基于YOLOv5的舰船检测与识别系统主要用于海上船只类型的智能检测与识别基于深度学习技术识别包括渔船、游轮、货轮、军舰等多种常见的船舰类型输出船只的标记框坐标和类别以辅助自动化监测海上船只航行情况软件提供登录注册功能可进行用户管理软件能够有效识别相机采集的图片、视频等文件检测船只类型情况并记录识别结果在界面表格中方便查看可开启摄像头实时监测和统计当前视野范围各种类型船舰支持结果记录、展示和保存。 二用户注册登录界面 这里设计了一个登录界面可以注册账号和密码然后进行登录。界面还是参考了当前流行的UI设计左侧是一个logo右侧输入账号、密码、验证码等等。 三选择图片识别 系统允许选择图片文件进行识别点击图片选择按钮图标选择图片后显示所有识别的结果可通过下拉选框查看单个结果以便具体判断某一特定目标。本功能的界面展示如下图所示 四视频识别效果展示 很多时候我们需要识别一段视频中的多个舰船这里设计了视频选择功能。点击视频按钮可选择待检测的视频系统会自动解析视频逐帧识别多个舰船并将舰船的分类和计数结果记录在右下角表格中效果如下图所示 五摄像头检测效果展示 有时需要开启摄像头对舰船进行识别如下图所示点击摄像头按钮后系统进入准备状态系统显示实时画面并开始检测画面中的舰船识别结果展示如下图 2. 数据集和YOLOv5训练 本文的实验数据集包含海峡、港口、海面等背景下的图像也包含不同气候环境干扰的图像。其中训练集4022张图片验证集1130张图片测试集574张图片共计5726张图片选取部分数据部分样本数据集如图所示。 每张图像均提供了图像类标记信息图像中舰船的bounding box舰船的关键part信息以及舰船的属性信息数据集并解压后得到如下的图片 船舰数据集的类别信息如下 Chinese_name {a: A型, buoy: 浮标, container: 货轮, cruise: 游轮, fish-b: 渔船, warship: 军舰}YOLOv5算法具有4个版本具体包括Yolov5s、Yolov5m、Yolov5l、Yolov5x四种不同的版本在网络上有一定加深与加宽。Yolov5网络结构是由Input、Backbone、Neck、Prediction组成。Yolov5的Input部分是网络的输入端采用Mosaic数据增强方式对输入数据随机裁剪然后进行拼接。Backbone是Yolov5提取特征的网络部分特征提取能力直接影响整个网络性能。Yolov5的Backbone相比于之前Yolov4提出了新的Focus结构。Focus结构是将图片进行切片操作将W宽、H高信息转移到了通道空间中使得在没有丢失任何信息的情况下进行了2倍下采样操作。 输入端-输入端表示输入的图片。该网络的输入图像大小为608*608该阶段通常包含一个图像预处理阶段即将输入图像缩放到网络的输入大小并进行归一化等操作。在网络训练阶段YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度并提出了一种自适应锚框计算与自适应图片缩放方法。 基准网络-基准网络通常是一些性能优异的分类器种的网络该模块用来提取一些通用的特征表示。YOLOv5中不仅使用了CSPDarknet53结构而且使用了Focus结构作为基准网络。 Neck网络-Neck网络通常位于基准网络和头网络的中间位置利用它可以进一步提升特征的多样性及鲁棒性。虽然YOLOv5同样用到了SPP模块、FPNPAN模块但是实现的细节有些不同。 Head输出端-Head用来完成目标检测结果的输出。针对不同的检测算法输出端的分支个数不尽相同通常包含一个分类分支和一个回归分支。YOLOv4利用GIOU_Loss来代替Smooth L1 Loss函数从而进一步提升算法的检测精度。 以上就是YOLOv5的整体介绍接下来进行训练。本项目使用Yolov5训练了一个海上船舶目标检测模型在笔记本的3070显卡下训练了300 epoch训练集和验证集上损失、精确率、召回率、mAP的变化图 在深度学习中我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv5训练时主要包含三个方面的损失矩形框损失(box_loss)、置信度损失obj_loss和分类损失(cls_loss)在训练结束后我们也可以在logs目录下找到生成对若干训练过程统计图。下图为博主训练舰船类识别的模型训练曲线图。 一般我们会接触到两个指标分别是召回率recall和精度precision两个指标p和r都是简单地从一个角度来判断模型的好坏均是介于0到1之间的数值其中接近于1表示模型的性能越好接近于0表示模型的性能越差为了综合评价目标检测的性能一般采用均值平均密度map来进一步评估模型的好坏。我们通过设定不同的置信度的阈值可以得到在模型在不同的阈值下所计算出的p值和r值一般情况下p值和r值是负相关的绘制出来可以得到如下图所示的曲线其中曲线的面积我们称AP目标检测模型中每种目标可计算出一个AP值对所有的AP值求平均则可以得到模型的mAP值。以PR-curve为例可以看到我们的模型在验证集上的均值平均准确率为0.753。 3. 舰船检测识别 在训练完成后得到最佳模型接下来我们将帧图像输入到这个网络进行预测从而得到预测结果预测方法predict.py部分的代码如下所示 if name main:img_path ./UIrec/test/Bobolink_0079_10736.jpgimage cv_imread(img_path)img0 image.copy()img letterbox(img0, new_shapeimgsz)[0]img np.stack(img, 0)img img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416img np.ascontiguousarray(img)pred, useTime predict(img)det pred[0]p, s, im0 None, , img0if det is not None and len(det): # 如果有检测信息则进入det[:, :4] scale_coords(img.shape[1:], det[:, :4], im0.shape).round() # 把图像缩放至im0的尺寸number_i 0 # 类别预编号detInfo []for *xyxy, conf, cls in reversed(det): # 遍历检测信息c1, c2 (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))# 将检测信息添加到字典中detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], %.2f % conf])number_i 1 # 编号数1label %s %.2f % (names[int(cls)], conf)# 画出检测到的目标物plot_one_box(image, xyxy, labellabel, colorcolors[int(cls)])# 实时显示检测画面cv2.imshow(Stream, image)# if cv2.waitKey(1) 0xFF ord(q):# breakc cv2.waitKey(0) 0xff执行得到的结果如下图所示图中舰船的种类和置信度值都标注出来了预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统在界面上选择图片、视频或摄像头然后调用模型进行检测。 博主对整个系统进行了详细测试最终开发出一版流畅得到清新界面就是博文演示部分的展示完整的UI界面、测试图片视频、代码文件以及Python离线依赖包方便安装运行也可自行配置环境均已打包上传感兴趣的朋友可以通过下载链接获取。 下载链接 若您想获得博文中涉及的实现完整全部程序文件包括测试图片、视频py, UI文件等如下图这里已打包上传至博主的面包多平台见可参考博客与视频已将所有涉及的文件同时打包到里面点击即可运行完整文件截图如下 在文件夹下的资源显示如下下面的链接中也给出了Python的离线依赖包读者可在正确安装Anaconda和Pycharm软件后复制离线依赖包至项目目录下进行安装离线依赖的使用详细演示也可见本人B站视频win11从头安装软件和配置环境运行深度学习项目、Win10中使用pycharm和anaconda进行python环境配置教程。 注意该代码采用PycharmPython3.8开发经过测试能成功运行运行界面的主程序为runMain.py和LoginUI.py测试图片脚本可运行testPicture.py测试视频脚本可运行testVideo.py。为确保程序顺利运行请按照requirements.txt配置Python依赖包的版本。Python版本3.8请勿使用其他版本详见requirements.txt文件 完整资源中包含数据集及训练代码环境配置与界面中文字、图片、logo等的修改方法请见视频项目完整文件下载请见参考博客文章里面或参考视频的简介处给出➷➷➷ 参考博客文章https://zhuanlan.zhihu.com/p/615306023 参考视频演示https://www.bilibili.com/video/BV19b411o76q/ 离线依赖库下载链接https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwdoy4n 提取码oy4n 界面中文字、图标和背景图修改方法 在Qt Designer中可以彻底修改界面的各个控件及设置然后将ui文件转换为py文件即可调用和显示界面。如果只需要修改界面中的文字、图标和背景图的可以直接在ConfigUI.config文件中修改步骤如下         1打开UI_rec/tools/ConfigUI.config文件若乱码请选择GBK编码打开。         2如需修改界面文字只要选中要改的字符替换成自己的就好。         3如需修改背景、图标等只需修改图片的路径。例如原文件中的背景图设置如下 mainWindow :/images/icons/back-image.png可修改为自己的名为background2.png图片位置在UI_rec/icons/文件夹中可将该项设置如下即可修改背景图 mainWindow ./icons/background2.png结束语 由于博主能力有限博文中提及的方法即使经过试验也难免会有疏漏之处。希望您能热心指出其中的错误以便下次修改时能以一个更完美更严谨的样子呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。