| 使用环境 |
无人机拍摄场景，图像具有尺度变化大、背景复杂且充满干扰物、视角灵活等特点 |
| 使用对象 |
无人机拍摄图像中行人、车辆的各类目标 |
| 使用目的 |
提高无人机拍摄图像的目标检测性能，准确预测目标的边界框和类别标签，以应对无人机图像的复杂特性 |
| 输入数据 |
4096×3072像素的RGB图像帧 |
| 输出数据 |
无人机拍摄图像中的行人、车辆目标的边界框和类别标签 |
| 硬件配置 |
- CPU：Intel Core i7-9700K，8核心，主频3.6GHz
- GPU：NVIDIA GeForce RTX 2080 Ti，具有较高的计算能力和显存容量，适合深度学习算法的加速运行
- 内存：16GB DDR4，频率3200MHz，为算法运行提供足够的内存空间
- 摄像头：工业级高分辨率相机，分辨率不低于2048×2048像素
- 硬盘：1TB SSD，用于存储大量的图像数据和模型文件，读写速度快
- 网卡：千兆以太网卡，用于数据传输和远程监控 |
| 样本获取 |
在实际交通环境中，从不同角度和光照条件下拍摄实时图像，共获取10000帧样本图像，其中2000帧用于训练集，8000帧用于测试集。 |
| 测试结果 |
在VisDrone2019测试集上，mAP达到39.41%，在VisDrone2021目标检测挑战赛中取得了优异的成绩 |
| 执行速度 |
检测速度约为30ms/次 |
| 资源消耗 |
CPU：平均占用率约70% GPU：平均占用率约80% 内存：平均占用率约60% |
| 源码类型 |
提供Python版本源码 |
| 文件大小 |
算法程序文件约30K，权重文件约220M。 |
| 相关备注 |
|
