基于 YOLOv8 的目標檢測實例應用
通過使用 YOLOv8 目標檢測和偵察無人機拍攝的航空圖像來利用地理空間情報（GEOINT）統計敵方飛機，從而規劃軍事行動。
使用 YOLOv8 識別敵方空軍基地的飛機
在本文中，我們將深入探討地理空間情報（GEOINT）作為跟蹤敵方軍事空軍基地的工具。通過有效地監控這些位置及其飛機，可以為針對它們的作戰行動進行充分準備。
YOLOv8 目標檢測
YOLOv8 是由 Ultralytics 開發的流行實時目標檢測系統，廣泛應用于包括軍事監視和偵察在內的各種應用。它旨在實時檢測圖像或視頻幀中的物體。在軍事場景中，快速準確地指示車輛、人員或設備等目標對于態勢感知和目標跟蹤至關重要。
通過將 PyTorch 與深度學習和卷積神經網絡（CNN）結合使用，YOLOv8 展示了同時檢測場景中多個物體的能力，具有良好的速度和精度。因此，我們選擇在任務中使用它。
前提條件
首先，我選擇在 Google Compute Engine 后端使用 Python 3，并在 Google Colab 中執行代碼。讓我們安裝依賴項。
!pip install ultralytics在安裝過程中，它會安裝 opencv-python、torch、pandas 以及此包所需的其他依賴項。
import cv2
import urllib.request
from ultralytics import YOLO, checks, hub
from google.colab.patches import cv2_imshow如上所述，我們導入了實驗中將要使用的所有必要庫。除了 ultralytics 模塊外，還有 cv2_imshow，這是一個在 Google Colab 中正確工作的 cv2 熱修復程序。urllib.request 用于從公共存儲下載圖像示例。
YOLOv8 模型
YOLOv8 是為目標檢測設計的深度學習模型，它通過將輸入圖像分割成網格，然后預測每個網格單元中物體的邊界框和類別概率。該模型的高效性在于其能夠在單次前向傳遞中處理整個圖像。
通常，為了創建模型，我們需要通過為每個圖像添加圖像和標簽來正確準備數據集，以教模型識別物體。然而，現有的數據庫已經包含了任何項目初期所需的大多數數據集。今天，我們將在實驗中使用這些數據集。讓我們訪問 Roboflow 網站。
AeroSat 數據集 > 概覽（roboflow.com）
如上圖所示，您需要為項目找到合適的數據集。在我們的示例中，我選擇了 yolov8 作為模型類型，目標檢測作為項目類型，并輸入 aerial 作為搜索詞。系統提供了廣泛的數據集列表，我根據圖像數量選擇了一個更符合我們需求的數據集：1192 張圖像和 1 個類別。
下載數據集
一旦確定數據集適合您的任務，您需要通過選擇適當的導出格式下載它。在我們的場景中，我選擇了 YOLOv8 格式，因為我們之前已經決定使用它。
導出至 YOLOv8 格式的壓縮文件
選擇 ZIP 文件作為存儲建議數據集的選項，如上圖所示，并按照進一步的說明下載。當您準備好后，可以解壓文件并探索數據集的結構和包含的圖像及其標簽。在大多數情況下，您會看到三個文件夾：test、train 和 valid，以及一些文件，其中一個是描述數據和類別的 data.yaml。
接下來的步驟，由于我們要使用 YOLOv8，我們必須前往 Ultralytics Hub，注冊，創建項目、模型，并上傳數據集，最終準備好您的模型進行訓練。
在 Ultralytics HUB 創建新項目
如上圖所示，我輸入了項目名稱 AER_AIR_04s，簡短描述為通過航空圖像在空軍基地檢測飛機，并添加了一個示例圖像，以便在我的列表中正確識別此項目。您可以照此操作。
接下來的步驟是轉到“Datasets”并從下載文件夾中上傳 ZIP 文件，選擇數據集類型 Detect、數據集名稱和描述，如下所示。
從 ZIP 文件上傳數據集
點擊“Create”按鈕并完成上傳過程后，您將看到數據集列表，其中包含您的新數據集。
航空飛機檢測數據集
深入檢查圖像及其標簽，然后按“Train model”按鈕繼續 YOLOv8 模型訓練。
訓練 YOLOv8 模型
在下一個窗口中，您需要從列表中選擇項目，輸入模型名稱 YOLOv8sAir，選擇 YOLOv8 架構 YOLOv8s，并點擊“Continue”按鈕。
選擇模型名稱及其架構（YOLOv8s）
Ultralytics Hub 提供了廣泛的選項來訓練模型，但我們將使用以下選項——“Google Colab”。
YOLOv8 模型訓練的參數
如上圖所示，您將獲得認證密鑰和 URL（https://hub.ultralytics.com/models/BN8V8tA1pOt6thjZKq6V）用于模型訓練。只需復制整個代碼并將其粘貼到您的 Google Colab 中。
hub.login('[YOUR_AUTH_KEY]')
model = YOLO('https://hub.ultralytics.com/models/BN8V8tA1pOt6thjZKq6V')
results = model.train()接下來，導航到“Runtime”菜單，選擇“Change runtime type”，并選擇“T4 GPU”以加速訓練，使用 NVIDIA T4 GPU 作為加速器。
Nvidia Tesla T4 GPU
完成后，您可以像通常在 Google Colab 腳本中那樣啟動 YOLOv8 模型訓練過程。
在 Google Colab 中訓練
對于如此大的數據集，訓練過程大約需要 3-4 小時。然而，您不僅可以在 Google Colab 列表中監控進度，這可能不太方便，還可以使用 YOLOv8 模型網頁上的特殊進度條。
在 Ultralytics Hub 中訓練過程
如前所述，這可能需要一些時間。完成后，導航到“Deploy”選項卡并下載最終模型（*.pt）文件。然后，您可以使用 YOLOv8 包在任何設備上，包括 Raspberry Pi 和智能應用程序中，使用此模型進行目標檢測，識別空軍基地或戰場上的目標，甚至在偵察無人機上進行您的任務。
YOLOv8 的使用
到目前為止，您已經擁有了 YOLOv8 模型的 PyTorch (*.pt) 文件，該文件大小為 21.4 MB。這使我們可以在任何應用程序中使用它，只需幾行代碼。為了方便起見，我將 PT 文件、實驗中將使用的圖像和視頻源上傳到持久區塊鏈存儲 Arweave。要下載這些三個文件并將它們保存到我們的 Google Compute Engine 的工作目錄中，我們需要編寫并執行以下代碼。
yolov8sair_url = 'https://6bq43uyscbhniu4kvl6hayy3zosqjnl5x2v2jm7zlfse6nnqrqsa.arweave.net/8GHN0xIQTtRTiqr8cGMby6UEtX2-q6Sz-VlkTzWwjCQ'
urllib.request.urlretrieve(yolov8sair_url, 'yolov8sair.pt')
source_file = 'https://6x77tjsjpqn6ze2k7izx36xgtipzff6yi2jfnp2xxf6lvmtyy7oa.arweave.net/9f_5pkl8G-yTSvozffrmmh-Sl9hGkla_V7l8urJ4x9w'
urllib.request.urlretrieve(source_file, 'Aerial_AirBase.jpg')
source_video = 'https://3tghzdwlhmyajv5eadufzesdo7epc5queknepym6hv2p737mgvxa.arweave.net/3Mx8jss7MATXpADoXJJDd8jxdhQimkfhnj10_-_sNW4'
urllib.request.urlretrieve(source_video, 'airport_video_source.mp4')如您所見，有三個文件：yolov8sair.pt 是模型的權重文件，Aerial_AirBase.jpg 是我們將在實驗中用于目標檢測的偵察無人機拍攝的圖像示例，airport_video_source.mp4 是將用于目標識別的視頻源示例。
model = YOLO('yolov8sair.pt')
results = model.predict('Aerial_AirBase.jpg')
annotated_frame = results[0].plot()
cv2_imshow(annotated_frame)這里我們基于訓練好的模型創建 YOLO 對象。然后，我們嘗試預測并找到 Aerial_AirBase.jpg 圖像中的任何物體，最后顯示結果中的第0個標注框。
使用 yolov8sair 模型進行目標檢測
如上圖所示，檢測到三架飛機，概率均約為 84%，表明高度的置信度。在這種情況下，您可以通過自動統計 results[] 數組中的物體列表來輕松統計它們。置信度和概率水平可能會因天氣條件而異。然而，盡管存在如天氣陰云等顯著缺點，這種偵察方法在規劃軍事行動和支持戰斗行動中仍具有重要意義。
正如您所見，其易用性只需幾行代碼即可使其在各種應用中得以使用，包括小型飛行控制器的自主無人機。想象一下，通過結合這種目標檢測機制，您可以構建的智能應用程序。想象一下，配備自動駕駛儀、目標檢測和跟蹤能力的作戰無人機，直到摧毀目標。讓您的想象力引導您。
另一個您可以用于軍事解決方案的好例子：
model = YOLO('yolov8sair.pt')
# Object Detection in Video-stream
cap = cv2.VideoCapture(f"airport_video_source.mp4")
img_array = []
while cap.isOpened():
success, frame = cap.read()
if success:
results = model(frame)
annotated_frame = results[0].plot()
img_array.append(annotated_frame)
else:
break
cap.release()
# Saving to output video file
size = img_array[0].shape[1], img_array[0].shape[0] # (384, 640)
writer = cv2.VideoWriter(f"airport_video_output.mp4", cv2.VideoWriter_fourcc(*"mp4v"), 25, size)
for frame in img_array:
img_n = cv2.resize(frame, size)
writer.write(img_n)
writer.release()這涉及從視頻流中進行目標檢測，在我們的例子中從 airport_video_source.mp4 文件中提取。然后，它將視頻分成幀，檢測每幀上的飛機，并將它們編譯到 airport_video_output.mp4 文件中。
您可以從 Google Compute Engine 的工作目錄中下載此文件。我相信您已經熟悉這個過程。
視頻流中的目標檢測
