使用 YOLOv5 从图像和视频中进行火灾检测
研究显示使用人工智能、机器学习和计算机视觉,采取早期检测措施可以帮助检测火灾并减少灾害风险,其中,YOLOv7 是一个有效的算法来训练物体检测模型,可在初期火灾烟柱的早期探测中得到良好的效果。
Jan, 2023
YOLO 是一种新的目标检测方法,使用单个神经网络从完整图像中直接预测边界框和类别概率,具有实时处理速度、误检低和物体的通用表示等优势。
Jun, 2015
本文综述了 YOLO(You Only Look Once)目标检测算法的演进,着重介绍了 YOLOv5、YOLOv8 和 YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展,并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡,为选择特定边缘计算应用的最合适的 YOLO 版本提供指导。
Jul, 2024
通过结合超分辨率和经过修改的轻量级 YOLOv5 架构,我们提出了一种创新的方法,用于在航空影像中准确检测小型密集目标,并通过一系列数据集的评估,证明该模型在高密度遮挡条件下能够实现更好的检测结果,从而为航空影像中的目标检测领域带来显著进展。
Jan, 2024
本文提出了一种名为 Fast YOLO 的新框架,通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入,从而在保持性能的同时,在嵌入式设备上实现实时物体检测。实验结果表明,Fast YOLO 框架可以在平均 3.3 倍的速度加速下,将嵌入式系统上的检测性能提高到 18FPS。
Sep, 2017
本文研究了如何通过修改 YOLOv5 模型的结构和参数来提高其在自动驾驶赛车中检测小目标的性能,最终提出了一系列新模型 YOLO-Z,并取得了最多 6.9% 的 mAP 改进。
Dec, 2021
本研究提出了一种神经网络模型,能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头,其中骨干网络基于 YOLOv5 结构,结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性,同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行,结果表明,与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比,本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明,本模型实现了实时计算,并具有超过 90% 的稳定性率。
Feb, 2024
在小物体检测领域,针对计算代价大且预测性能有待提高的问题,提出了一种改进的 YOLOv5 模型:HIC-YOLOv5。它通过添加特定于小物体的额外预测头部以提供更高分辨率的特征图进行更精确的预测,采用了 involution 块在主干网和 neck 之间以增加特征图的通道信息,并在主干网的末端应用了一种名为 CBAM 的注意力机制,从而不仅减少了与先前方法相比的计算代价,还加强了通道和空间域中的重要信息。在 VisDrone-2019-DET 数据集上,HIC-YOLOv5 的 mAP@[.5:.95] 提高了 6.42%,[email protected] 提高了 9.38%。
Sep, 2023
通过结合相关滤波器和交并比(IOU)约束的人物追踪系统,以及基于 YOLOv5 的深度学习模型进行跨摄像头人员再识别,快速实时跟踪嫌疑人,适用于安全监控应用。
Sep, 2023
本文提出了一种广义飞行物实时检测模型,可用于迁移学习和进一步研究,同时提出了一种可用于实现的改进模型。通过将第一通用模型训练在包含 40 种不同类别的飞行物数据集上,我们可以使模型提取抽象特征表示,然后在代表真实世界环境的数据集上执行传递学习,从而生成改进的模型,并且我们尝试使用当前最先进的单发探测器 YOLOv8 来解决一些出现的挑战。最后得到的模型达到了 0.685 的 mAP50-95 和 50fps 的平均推断速度。
May, 2023