做過很多目標檢測類的項目了，最近看到一個很早之前用過的數據集MSTAR，之前老師給的任務是基于這個數據集來搭建圖像識別模型，殊不知他也是可以用來做目標檢測的，今天正好有點時間就想著基于這個數據集來做一下目標檢測實踐。

首先來看效果圖：

?這里選用的模型是yolov5系列的最輕量級的原生的檢測模型yolov5n，主要是想快點訓練完，畢竟服務器還是有其他的任務要用到的，訓練還是挺快的，大概六個小時結束了。

首先來看下數據集：

?標注文件如下所示：

?模型配置如下：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters nc: 10 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.25 # layer channel multiple anchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32# YOLOv5 v6.0 backbone backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2[-1, 1, Conv, [128, 3, 2]], # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]], # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]], # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]], # 9]# YOLOv5 v6.0 head head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]], # cat backbone P4[-1, 3, C3, [512, False]], # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]], # cat backbone P3[-1, 3, C3, [256, False]], # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]], # cat head P4[-1, 3, C3, [512, False]], # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]], # cat head P5[-1, 3, C3, [1024, False]], # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)]

訓練完成結果如下所示：

?標簽可視化如下：

?可以看到：不同類別的目標對象的數據量相對來說還是比較均衡的。

F1值曲線：

?PR曲線：

?混淆矩陣：

?訓練過程評估：

?batch檢測樣例：

?為了使用直觀，這里開發了界面，實現推理過程的可視化，如下：

?點擊【上傳圖像】即可從本地選取圖像上傳到系統界面中，如下：

?點擊【目標檢測識別】即可啟動推理計算，如下：

總結

以上是生活随笔為你收集整理的基于yolov5n的轻量级MSTAR遥感影像目标检测系统设计开发实战的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。