申请/专利权人：南京航空航天大学

申请日：2021-01-05

公开（公告）日：2024-03-22

公开（公告）号：CN112668663B

主分类号：G06V20/17

分类号：G06V20/17;G06V10/44;G06V10/80;G06V10/82;G06N3/0464;G06N3/0495;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.05.04#实质审查的生效;2021.04.16#公开

摘要：本发明公开了一种基于YOLOv4的航拍小汽车检测方法，该方法使用了darknet版本的YOLOv4模型，对开源航拍数据集中2000张图像的小汽车进行标注处理，整理成YOLOv4所需的数据集格式，然后用YOLOv4预训练权重训练自己的航拍数据集，使用L1损失来减少神经网络权重进行稀疏训练，应用通道剪枝技术对YOLOv4进行剪枝训练，压缩模型并提高训练速度，对剪枝后的权重进行微调，应用随机多尺度训练技术提高训练模型的泛化能力，使精度回升，最后用自己训练的权重对航拍图像测试集进行测试，在检测速度达到实时性要求以及不影响检测精度的前提下减小了内存占用空间。

主权项：1.一种基于YOLOv4的航拍小汽车检测方法，其特征在于，包括如下步骤：步骤1，获取无人机航拍图像数据集，对航拍图像中的小汽车进行标注，并将格式转换为YOLO格式；将数据集分为训练样本和验证样本；步骤2，对YOLOv4模型的参数进行初始化，所述参数包括输入图像尺寸、初始学习率、yolo层类别种类以及yolo前一层卷积核的深度，并使用学习率余弦退火策略降低初始学习率；步骤3，采用预训练权重对步骤1的数据集进行基础训练，得到基础训练后的模型，所述预训练权重根据darknet版本的YOLOv4模型对coco数据集训练得到；步骤4，对基础训练后的模型进行L1损失稀疏训练，得到稀疏训练后的模型；步骤5，采用silm-yolo极限通道剪枝策略对稀疏训练后的模型进行剪枝，得到剪枝后的模型；步骤6，对剪枝后的模型进行微调，得到训练好的YOLOv4模型；步骤7，采用训练好的YOLOv4模型对航拍图像进行测试，得到航拍小汽车检测结果。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于YOLOv4的航拍小汽车检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD