目标检测数据集——无人机视觉VisDrone数据集

优质文章学习记录

— 4 min read
目标检测数据集——无人机视觉VisDrone数据集

随着无人机技术的飞速发展，无人机在航拍、监控、农业、物流等领域的应用日益广泛。与此同时，无人机视角下的视觉任务，如目标检测、目标跟踪和场景理解，也成为了计算机视觉研究的热点。然而，相比传统的地面视角数据集，无人机视角下的图像具有高度变化、小目标密集、复杂背景等独特挑战，这对现有算法提出了更高的要求。

为了应对这些挑战并推动无人机视觉技术的发展，天津大学机器学习与数据挖掘实验室推出了 VisDrone数据集。作为一个大规模、标注精细的无人机视觉数据集，VisDrone 不仅涵盖了丰富的场景和多样化的目标类别，还为研究人员提供了一个极具挑战性的测试平台。无论是小目标检测的精度提升，还是密集场景下的鲁棒性优化，VisDrone 都成为了学术界和工业界不可或缺的资源。该数据集采集自中国14个不同城市，覆盖复杂城市场景、交通枢纽、密集人群等多种环境。

VisDrone官方Github下载渠道可点击访问：

https://github.com/VisDrone/VisDrone-Dataset?tab=readme-ov-file

下载的数据集为VisDrone2019-DET-train，VisDrone2019-DET-val，VisDrone2019-DET-test-dev均含有标注，VisDrone2019-DET-test-challenge不含标注因此不在本文处理好的数据集中。

  • 训练集：6,471张图像
  • 验证集：548张图像
  • 测试集：1610张图像

下载下来的原始数据集为jpg+txt文件，这里的txt不是yolo训练可用的txt文件，需要对数据处理后才能使用。 这里我提供一个处理好的可直接用于目标检测训练的jpg+xml+txt文件。图片有两个文件夹，分别为原图和覆盖白色方块的图，可自行选择使用。

官方共有12个分类，分别为：

其中ignored regions为忽略的区域，有些区域包含了密集的很小的目标，无法进行标注的，所以我们要把这个区域忽视掉。因此对于这部分内容我们将这个区域从图片中覆盖白色方块进行遮挡。效果如下图。

带有白色方块及标注框的效果如下图

同样我提供了覆盖白色方块的图片和未覆盖白色方块的图片，需要用哪个可自行选择使用。

others忽略掉，因此转换后的类别共有10类，分别为：

["pedestrian", "people", "bicycle", "car", "van", "truck", "tricycle", "awning-tricycle", "bus", "motor"]

即获取的YOLO格式的类别顺序为上述顺序。

下图为训练过程中部分图像

下图为验证过程中部分图像

训练使用原图进行训练，整体精度在0.4左右。覆盖了白色方块的精度可自行测试精度。

下载数据集可以访问官网获取原始数据集：Github

需要处理后的数据集可通过 V🔍：笑脸惹桃花 获取。

Read more

Vivado完整license文件获取与配置指南

本文还有配套的精品资源，点击获取 简介：Vivado是由Xilinx开发的FPGA和SoC设计综合工具，支持Verilog、VHDL等硬件描述语言，提供高级综合、仿真、IP集成等功能。本资源包“Vivado_的license文件.zip”包含用于解锁Vivado完整功能的许可证文件。介绍了许可证服务器配置、.lic文件管理、浮动与固定许可证区别、激活流程、更新与诊断等核心内容。适用于FPGA开发者、嵌入式系统工程师及学习者，帮助其合法配置Vivado环境，提升开发效率和项目执行能力。 1. Vivado工具与FPGA开发环境概述 Xilinx Vivado设计套件是面向FPGA和SoC开发的集成化软件平台，广泛应用于通信、工业控制、人工智能、嵌入式视觉等多个高科技领域。其核心功能包括项目创建、综合、实现、仿真、调试及系统级集成，支持从设计输入到硬件验证的全流程开发。 Vivado不仅提供了图形化界面（GUI）便于初学者快速上手，还支持Tcl脚本自动化操作，满足高级用户的大规模工程管理需求。其模块化架构设计使得开发者可以灵活选择所需功能组件，如HLS（高层次综合）、IP In
UAV-Speed：基于 YOLO 目标跟踪与相机运动补偿的单目无人机车辆测速（二）——加权滑动平均速度优化

UAV-Speed：基于 YOLO 目标跟踪与相机运动补偿的单目无人机车辆测速（二）——加权滑动平均速度优化

文章目录 * 前言 * 一、pandas是什么？ * 1. 背景与研究动机 * 2. 置信度加权指数滑动平均方法 * 3. 组合置信度权重的定义 * 4. 目标框一致性权重（Bounding-Box Consistency Weight） * 5. 单应性质量权重（Homography Quality Weight） * 6. 图像边缘邻近权重（Image Border Proximity Weight） * 7. 速度突变门控权重（Speed Jump Gating Weight） * 8. 讨论与总结 * 总结 前言 在前期工作中，我们实现了一套基于单目无人机视频的车辆速度估计算法框架，结合目标检测、目标跟踪与单应性背景补偿，在复杂斜视场景下实现了连续的目标速度估计，并在多段真实无人机视频中完成了验证。（具体详情请看前文）欢迎大家给我们的项目点赞支持 相关代码与实验配置已开源于 GitHub： 👉 https://github.com/Thamkench/

FPGA小白学习日志二：利用LED实现2选1多路选择器

在上一篇文章中，主播利用炒菜的比喻帮大家介绍了LED工程的建立，所以在读这一篇文章前，大家可以简要回顾以下LED工程的建立流程。本篇内容，主播主要向大家介绍数据选择器工程的实现方法。   在开始之前，我们先来了解一下数据选择器是什么：所谓数据选择器，就是从多个输入的逻辑信号中选择一个逻辑信号输出，实现数据选择功能的逻辑电路就是数据选择器。我们用来打个比方，现在我们手中有两张电影票A和B,但这时我们是不知道到底哪张电影票是允许我们进入电影院的，这时候我们就要去问检票员，检票员说A，那就可以进；否则，B就可以进。通过这个比喻，我们就能理解数据选择器的大体思路了：这里的电影票A与B就相当于输入信号in1与in2，检票员就相当于数据选择信号sel（英文select），电影院就相当于输出信号out，注意这里的输出信号out只有一个。因此，我们就可以在Visio中设计出2-1数据选择器：                               同样，我们给出2-1数据选择器的真值表：                我们来分析以下这个真值表：当选择信号sel为0时，对应输入信号in
云开发 Copilot：AI 赋能的低代码革命

云开发 Copilot：AI 赋能的低代码革命

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。 云开发 Copilot：AI 赋能的低代码革命 目录： * 一、引言：AI 时代的开发新纪元 * 1.1 低代码与AI的完美融合 * 1.2 云开发 Copilot的革命性意义 * 二、云开发 Copilot 的核心特性解析 * 2.1 快速生成应用功能 * 2.2 低代码与AI的深度结合 * 三、实战演练：云开发 Copilot 的应用案例 * 3.1 从需求到实现的快速迭代 * 3.2 低代码页面的AI生成 * 四、云开发 Copilot 的技术亮点 * 4.1 全栈开发支持 * 4.