自学笔记：DroneVehicle 红外可见光小目标数据集 配对

红外可见光融合的小目标检测 现在已经成为研究的主流，不仅克服光感不好的情况，充分利用红外的轮廓信息，以及充分利用可见光的纹理信息，实现全天候的检测已经成为趋势，模型轻量化，易部署。

1.数据预处理

数据集是天津大学拍摄制作。

首先需要数据处理，因为原本的数据集自带的有100*100的白边，对检测影响很大，特别是YOLO系列的检测模型

处理前后对比

2.YOLOv8训练

检测效果还不错

特别注意的是在数据集转换的时候，也就是转成YOLO的时候，可能会出现负坐标，或者是超过1的坐标值，这样就会导致模型训练不了，所以，需要进行针对那些数据集进行特殊的处理。

改进后参数少，模型轻量化，直接暴涨点：

数据集处理的方法：

去除白边

import numpy as np
import cv2
import os
from tqdm import tqdm


def create_file(output_dir_vi, output_dir_ir):
    if not os.path.exists(output_dir_vi):
        os.makedirs(output_dir_vi)
    if not os.path.exists(output_dir_ir):
        os.makedirs(output_dir_ir)
    print(f'Created folder:({output_dir_vi}); ({output_dir_ir})')


def update(input_img_path, output_img_path):
    image = cv2.imread(input_img_path)
    cropped = image[100:612, 100:740]  # 裁剪坐标为[y0:y1, x0:x1]
    cv2.imwrite(output_img_path, cropped)


dataset_dir_vi = r'root'
output_dir_vi = r'root'
dataset_dir_ir = r'root'
output_dir_ir = r'root'

# 检查文件夹是否存在，如果不存在则创建
create_file(output_dir_vi, output_dir_ir)
# 获得需要转化的图片路径并生成目标路径
image_filenames_vi = [(os.path.join(dataset_dir_vi, x), os.path.join(output_dir_vi, x))
                      for x in os.listdir(dataset_dir_vi)]

image_filenames_ir = [(os.path.join(dataset_dir_ir, x), os.path.join(output_dir_ir, x))
                      for x in os.listdir(dataset_dir_ir)]
# 转化所有图片
print('Start transforming vision images...')
for path in tqdm(image_filenames_vi):
    update(path[0], path[1])


print('Start transforming infrared images...')
for path in tqdm(image_filenames_ir):
    update(path[0], path[1])

有兴趣的小伙伴，同方向的小伙伴可以一起交流学习

11638688