做过很多目标检测类的项目了，最近看到一个很早之前用过的数据集MSTAR，之前老师给的任务是基于这个数据集来搭建图像识别模型，殊不知他也是可以用来做目标检测的，今天正好有点时间就想着基于这个数据集来做一下目标检测实践。
首先来看效果图：
这里选用的模型是yolov5系列的最轻量级的原生的检测模型yolov5n，主要是想快点训练完，毕竟服务器还是有其他的任务要用到的，训练还是挺快的，大概六个小时结束了。
首先来看下数据集：
标注文件如下所示：
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)]
训练完成结果如下所示：
标签可视化如下：
可以看到：不同类别的目标对象的数据量相对来说还是比较均衡的。
F1值曲线：
PR曲线：
混淆矩阵：
训练过程评估：
batch检测样例：
为了使用直观，这里开发了界面，实现推理过程的可视化，如下：
点击【上传图像】即可从本地选取图像上传到系统界面中，如下：
点击【目标检测识别】即可启动推理计算，如下：
