1.简述

近年随着无人机的快速发展，通用无人机已广泛应用于摄影、农业、监控等多个领域。这里举个例子，比如我们要监控城市主干道的交通情况，就可以通过无人机传回画面来实时监控。我们可以通过人工智能技术来分析传回的图像，来统计行人、汽车的流通量。

然而，也是存在难点：（1）部分目标过小，无人机拍摄的画面比较远时，而行人在远景中就显得非常小，容易漏检；（2）航拍的视频画面中，有大量的检测物体，可能会同时出现几十上百个目标，而目标被遮挡或重叠，也造成不小的难度。

这里我采用YOLOv5算法及VisDrone2021数据集来实现自己的小目标检测任务。

2.数据集处理

（1）数据集下载

VisDrone2021数据集，是无人机视觉目标检测的数据集，VisDrone2021版本和VisDrone2019是同一个数据集，里面包含很多的小目标。这个数据集不需要注册，可以免费下载。作者提供了百度网盘和谷歌网盘的下载方式。

下载地址：Object Detection – VisDrone

（2）密集区域过滤

整理数据集的时候发现有一个分类是 "ignored regions"，这个是忽略的区域，因为有些区域包含了密集的很小的目标，是无法进行标注的，所以我们要把这个区域忽视掉。这里我直接用opencv来进行覆盖住就可以了。

 （遮挡前）

 

（密集小目标遮挡后）

（3）图片分割、标签生成

因为我们要检测的图像分辨率很大，比如无人机拍摄的图片尺寸为5630x4314，但又有些目标很小，如果直接把图像缩放到640x640训练的话，效果不好，很多小目标就检测不到了。

因为：yolov5使用了5次下采样，最后输出的特征图大小是20 * 20, 40 * 40, 80 * 80。

80* 80 负责检测小目标的，对应到640 * 640 上，每格特征图对应的感受野大小是 640/80=8 * 8。再对应到原图中，以长边为例，5630/640 * 8 = 71，即原图中目标小于71像素的目标，是无法学习到有效特征的。

所以要对原图分割成多个小图再进行检测，我这里把图像分割成 2行3列，即6个小图。

有一点值得注意的是，有一些目标正好位于两个小图中间，正好被截断了，这就可能导致检测不到目标。为了避免这种情况，我们在两个小图之间设置一个overlap重叠区域，这里我设置的重叠区域面积占总面积的20%。

然后把标签中boxes的坐标也要跟着做相应的变换，保存到VisDrone_chip文件夹中。同时，生成yolov5训练所需要的标签格式。

原图分割后生成的训练目录：

3.模型训练

（1）创建自己的数据

我们首先用git拉取YOLOv5的代码，github地址：

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLiteYOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite. Contribute to ultralytics/yolov5 development by creating an account on GitHub.https://github.com/ultralytics/yolov5.git

然后在yolov5/data/ 目录下创建自己的数据集配置文件 VisDrone_data.yaml：

# VisDrone2019-DET dataset https://github.com/VisDrone/VisDrone-Dataset

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
train: ./data/VisDrone_chip/images/train  # train images (relative to 'path')  6471 images
val: ./data/VisDrone_chip/images/val  # val images (relative to 'path')  548 images
test: ./data/VisDrone_chip/images/test  # test images (optional)  1610 images

# Classes
nc: 10  # number of classes
names: ['pedestrian', 'people', 'bicycle', 'car', 'van', 'truck', 'tricycle', 'awning-tricycle', 'bus', 'motor']

这里我们把 "others"这个分类去掉，一共10个类别。

（2）创建自己的模型

进入到yolov5/models/ 目录下，拷贝一个模型作为自己的模型，这里我分别尝试了YOLOv5的small版本和large版本模型，这里就用small版本进行讲解。

cp yolov5s.yaml yolov5s_visdrone.yaml

然后修改类别的数量，这里共有10个分类，把nc的参数改为10： 

（3）模型训练

下载pretrain模型模型 YOLOv5s , 存放在yolov5 目录里。

开始训练：

python train.py --img 640 --batch 16 --epochs 100 --data ./data/VisDrone_data.yaml --weights yolov5s.pt

这里我训练100个epochs，经过9个多小时的训练，训练结果如下：

 

 mAP@0.5 达到了0.591，效果挺好的。

YOLOv5l 版本则经过漫长的26个小时训练， mAP@0.5 达到了0.648，效果非常好。

4.推理合并

在模型推理的时候，输入的是一张无人机拍下是原始图像，我们同样也需要把原图切割成多个小图来推理，再把小图的推理的结果合并到原图，然后再统一做nms操作。

步骤：

（1）小图跑模型推理，得到推理结果pred；

（2）对pred的结果中boxes位置进行坐标转换，转换为对应于原图中的位置；

（3）把各个小图推理的结果用 torch.cat 来进行合并；

（4）使用nms非极大值抑制 过滤掉重复的框。

训练后模型检测效果：

显示标签的效果：

 

 

 可以看到效果是非常好的，无论对于大目标还是行人等小目标，无论夜间还是白天的画面，精度的表现都挺不错的。

---

转载文章请注明出处：YOLOv5 小目标检测_liguiyuan的博客-CSDN博客

参考：

深入浅出Yolo系列之Yolov5核心基础知识完整讲解 - 知乎

目标检测任务超大图像的切图实现_zengwb的博客-CSDN博客