Drone-YOLO：一種有效的無人機圖像目標(biāo)檢測

作者：計算機視覺研究院 2025-01-02 10:30:00

無人機圖像中的目標(biāo)檢測是各個研究領(lǐng)域的重要基礎(chǔ)。然而，無人機圖像帶來了獨特的挑戰(zhàn)，包括圖像尺寸大、檢測對象尺寸小、分布密集、實例重疊和照明不足，這些都會影響對象檢測的有效性。

01 前景概要

今天分享中，我們提出了Drone-YOLO，這是一系列基于YOLOv8模型的多尺度無人機圖像目標(biāo)檢測算法，旨在克服與無人機圖像目標(biāo)檢測相關(guān)的特定挑戰(zhàn)。為了解決大場景大小和小檢測對象的問題，我們對YOLOv8模型的頸部組件進(jìn)行了改進(jìn)。具體而言，我們采用了三層PAFPN結(jié)構(gòu)，并結(jié)合了一個使用大規(guī)模特征圖為小型目標(biāo)量身定制的檢測頭，顯著增強了算法檢測小型目標(biāo)的能力。此外，我們將夾層融合模塊集成到頸部上下分支的每一層中。這種融合機制將網(wǎng)絡(luò)特征與低級特征相結(jié)合，提供了關(guān)于不同層檢測頭處物體的豐富空間信息。我們使用深度可分離進(jìn)化來實現(xiàn)這種融合，它平衡了參數(shù)成本和大的感受野。在網(wǎng)絡(luò)主干中，我們使用RepVGG模塊作為下采樣層，增強了網(wǎng)絡(luò)學(xué)習(xí)多尺度特征的能力，并優(yōu)于傳統(tǒng)的卷積層。

所提出的Drone-YOLO方法已在消融實驗中進(jìn)行了評估，并在VisDrone2019數(shù)據(jù)集上與其他最先進(jìn)的方法進(jìn)行了比較。結(jié)果表明，我們的Drone-YOLO（L）在目標(biāo)檢測的準(zhǔn)確性方面優(yōu)于其他基線方法。與YOLOv8相比，我們的方法在mAP0.5指標(biāo)上實現(xiàn)了顯著改進(jìn)，VisDrone2019測試增加了13.4%，VisDrone 2019-val.增加了17.40%。此外，只有5.25M參數(shù)的參數(shù)高效Drone-YOLO（tiny）在數(shù)據(jù)集上的性能與9.66M參數(shù)的基線方法相當(dāng)或更好。這些實驗驗證了Drone-YOLO方法在無人機圖像中目標(biāo)檢測任務(wù)中的有效性。

02 背景

在過去的15年里，隨著無人機控制技術(shù)的逐漸成熟，無人機遙感圖像以其成本效益和易獲取性成為低空遙感研究領(lǐng)域的重要數(shù)據(jù)源。在此期間，深度神經(jīng)網(wǎng)絡(luò)方法得到了廣泛的研究，并逐漸成為圖像分類、目標(biāo)檢測和圖像分割等任務(wù)的最佳方法。然而，目前應(yīng)用的大多數(shù)深度神經(jīng)網(wǎng)絡(luò)模型，如VGG、RESNET、U-NET、PSPNET，主要是使用手動收集的圖像數(shù)據(jù)集開發(fā)和驗證的，如VOC2007、VOC2012、MS-COCO，如下圖所示。

與人工拍攝的真是圖像相比，從無人機獲得的圖像顯示出顯著差異。這些無人機拍攝的圖像如下：

除了這些圖像數(shù)據(jù)特征外，無人機遙感目標(biāo)檢測方法還有兩種常見的應(yīng)用場景。第一個涉及使用大型臺式計算機進(jìn)行飛行后數(shù)據(jù)處理。無人機飛行后，捕獲的數(shù)據(jù)在臺式計算機上進(jìn)行處理。第二個涉及飛行過程中的實時處理，無人機上的嵌入式計算機實時同步處理航空圖像數(shù)據(jù)。該應(yīng)用程序通常用于無人機飛行期間的避障和自動任務(wù)規(guī)劃。因此，應(yīng)用神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法需要滿足每個場景的不同要求。對于適用于臺式計算機環(huán)境的方法，需要高檢測精度。對于適用于嵌入式環(huán)境的方法，模型參數(shù)需要在一定范圍內(nèi)才能滿足嵌入式硬件的操作要求。在滿足操作條件后，該方法的檢測精度也需要盡可能高。

因此，無人機遙感圖像中目標(biāo)檢測的神經(jīng)網(wǎng)絡(luò)方法需要能夠適應(yīng)這些數(shù)據(jù)的特定特征。它們的設(shè)計應(yīng)滿足飛行后數(shù)據(jù)處理的要求，可以提供高精度和召回率的結(jié)果，或者它們應(yīng)設(shè)計為具有較小規(guī)模參數(shù)的模型，可以部署在嵌入式硬件環(huán)境中，用于無人機上的實時處理。

03 新框架設(shè)計介紹

下圖顯示了我們提出的Drone-YOLO（L）網(wǎng)絡(luò)模型的架構(gòu)。該網(wǎng)絡(luò)結(jié)構(gòu)是對YOLOv8-l模型的改進(jìn)。在網(wǎng)絡(luò)的主干部分，我們使用RepVGG結(jié)構(gòu)的重新參數(shù)化卷積模塊作為下采樣層。在訓(xùn)練過程中，這種卷積結(jié)構(gòu)同時訓(xùn)練3×3和1×1卷積。在推理過程中，兩個卷積核被合并為一個3×3卷積層。這種機制使網(wǎng)絡(luò)能夠在不影響推理速度或擴(kuò)大模型大小的情況下學(xué)習(xí)更穩(wěn)健的特征。在頸部，我們將PAFPN結(jié)構(gòu)擴(kuò)展到三層，并附加了一個小尺寸的物體檢測頭。通過結(jié)合所提出的三明治融合模塊，從網(wǎng)絡(luò)主干的三個不同層特征圖中提取空間和信道特征。這種優(yōu)化增強了多尺度檢測頭收集待檢測對象的空間定位信息的能力。

如下圖所示，我們提出了sandwich-fusion（SF），這是一種三尺寸特征圖的新融合模塊，它優(yōu)化了目標(biāo)的空間和語義信息，用于檢測頭。該模塊應(yīng)用于頸部自上而下的層。該模塊的靈感來自YOLOv6 3.0【YOLOv6 v3.0: A Full-Scale Reloading】中提出的BiC模型。SF的輸入如圖所示，包括主干較低階段、相應(yīng)階段和較高階段的特征圖。目標(biāo)是平衡低級特征的空間信息和高級特征的語義信息，以優(yōu)化網(wǎng)絡(luò)頭部對目標(biāo)位置的識別和分類。

04 項目落地效果

項目中，我們使用Ubuntu 20.04作為操作系統(tǒng)，Python 3.8、PyTorch 1.16.0和Cuda 11.6作為軟件環(huán)境。實驗采用NVIDIA 3080ti圖形卡作為硬件。神經(jīng)網(wǎng)絡(luò)的實現(xiàn)代碼是在Ultralytics 8.0.105版本的基礎(chǔ)上修改的。在項目中的訓(xùn)練、測試和驗證過程中使用的超參數(shù)保持一致。訓(xùn)練epoch被設(shè)置為300，并且輸入到網(wǎng)絡(luò)中的圖像被重新縮放到640×640。在下面列出的一些結(jié)果中，所有YOLOv8和我們提出的Drone-YOLO網(wǎng)絡(luò)都具有來自我們檢測結(jié)果。在這些落地中，這些網(wǎng)絡(luò)都沒有使用預(yù)訓(xùn)練參數(shù)。

在嵌入式應(yīng)用實驗中，我們使用NVIDIA Tegra TX2作為實驗環(huán)境，該環(huán)境具有256核NVIDIA Pascal架構(gòu)GPU，提供1.33 TFLOPS的峰值計算性能和8GB的內(nèi)存。軟件環(huán)境為Ubuntu 18.04 LTS操作系統(tǒng)、NVIDIA JetPack 4.4.1、CUDA 10.2和cuDNN 8.0.0。

在VisDrone2019-test測試效果