案例简介

本案例基于搭载了华为昇腾310芯片的Atlas 200 DK实现对YOLOv3目标检测网络的推理功能，快速实现遥感图像中的飞机目标检测，并将检测的结果在图片中画框标识出来。

系统总体设计

本系统总体设计流程可分为模型训练阶段和模型推理阶段。

1. 模型训练阶段主要在服务器端完成，而模型推理阶段在华为Atlas 200 DK上完成构建。

2. 模型推理阶段模块主要功能：

 （1）遥感图像处理模块

          读取目标文件夹下的所有遥感图片，获取图片信息，完成将图片从jpeg格式转换为yuv格式，并对图片进行resize，使其满足模型输入大小。

 （2）模型推理模块

          对遥感图像中的飞机目标通过模型进行推理，将推理得到的输出结果发送给后处理模块进行解析。

 （3）后处理模块

          对输入图片的推理结果进行获取，解析推理结果，将目标检测结果在图片中进行标记，作为检测结果进行输出。

数据集介绍

（1）数据集来源：NWPU VHR-10、 RSOD-Dataset

分别选取446张大小为1044×915的遥感图像和80张大小约为958×808的遥感图像。

（2）数据集扩增：

旋转90度、180度、270度三种旋转方式，对图像数据进行扩增操作。采用mixup数据增强方法，将RSOD-Dataset与NWPU VHR-10数据集中的部分图像按照一定比例融合，将融合后的图像添加至训练集。

模型介绍

本系统采用YOLOv3算法，下图为YOLOv3网络结构图，图中前184层使用DarkNet-53网络作为深度残差结构的基础网络。

（1）输入图像尺寸大小为416*416，经过DarkNet-53网络作用，实现32倍缩小的特征图变换，得到13*13的特征图。

（2）通过上采样以及与DarkNet-53 26*26、52*52特征图融合的方法，实现了3个scale上的目标检测：输出预测1位于203层。输出预测2融合了第152层的特征图信息，在网络的227层输出。输出预测3融合了第92层的特征图信息，在网络的第251层输出。最后在Yolo v3模型的最后一层（第252层），融合输出预测1、输出预测2和输出预测3的预测结果得到最终检测结果。

效果展示