基于 YOLOv8 的实时飞行物体检测
计算机视觉与模式识别
2024-05-24 v2 机器学习
摘要
本文提出了一个用于飞行物体实时检测的通用模型，可用于迁移学习和进一步研究，以及一个在飞行物体检测中达到最先进结果的精炼模型。我们通过在包含 40 种不同飞行物体类别的数据集上训练我们的第一个（通用）模型来实现这一点，迫使模型提取抽象特征表示。然后，我们在更具真实环境代表性（即更高频率的遮挡、极小的空间尺寸、旋转等）的数据集上利用这些学习到的参数进行迁移学习，以生成我们的精炼模型。由于物体空间尺寸/长宽比、速度、遮挡和聚集背景的巨大差异，飞行物体的目标检测仍然具有挑战性。为了应对一些提出的挑战同时最大化性能，我们利用当前最先进的单发检测器 YOLOv8，试图在推理速度和平均精度均值（mAP）之间找到最佳权衡。虽然 YOLOv8 被视为新的最先进技术，但迄今为止尚未发布官方论文。因此，我们深入解释了 YOLOv8 所采用的新架构和功能。我们最终的通用模型在 1080p 视频上实现了 79.2% 的 mAP50、68.5% 的 mAP50-95 以及 50 帧每秒（fps）的平均推理速度。我们最终的精炼模型保持了该推理速度，并实现了改进的 99.1% mAP50 和 83.5% mAP50-95。
引用
@article{arxiv.2305.09972,
title = {Real-Time Flying Object Detection with YOLOv8},
author = {Dillon Reis and Jordan Kupec and Jacqueline Hong and Ahmad Daoudi},
journal= {arXiv preprint arXiv:2305.09972},
year = {2024}
}
备注
10 pages, 7 figures