| 现场环境 |
无人驾驶飞行器（UAV）航拍图像小目标检测，适用于复杂背景、目标微小且密集的场景。 |
| 使用对象 |
UAV航拍图像中的小目标，如行人、车辆、自行车 |
| 使用目的 |
提高UAV航拍图像中小目标的检测精度，降低漏检率，同时实现模型轻量化，便于在移动端部署。 |
| 硬件配置 |
CPU：13th Gen Intel(R) Core(TM) i7-13700K，16核24线程，主频3.4GHz。
GPU：GeForce RTX 4090，24GB显存。
内存：32GB。
操作系统：Windows 11。
CUDA版本：11.6。
PyTorch版本：2.2.0。 |
| 硬件兼容 |
无
|
| 软件配置 |
操作系统：Windows 11。
深度学习框架：PyTorch 2.2.0。
CUDA版本：11.6。 |
| 软件兼容 |
无
|
| 输入数据 |
UAV航拍图像，包含小目标的可见光波段图像帧。 |
| 输出数据 |
检测到的小目标的类别、位置坐标、置信度 |
| 样本获取 |
使用VisDrone2019和Tinyperson数据集，分别包含8629张和1610张图像，按7:2:1的比例划分为训练集、测试集、验证集。 |
| 测试结果 |
VisDrone2019数据集：
精确度（P）：64.1%
召回率（R）：48.7%
mAP50：50.0%
mAP50:95：30.4%
参数量（Param）：12.3M
计算量（GFLOPs）：37.8 |
| 执行速度 |
检测速度约为9.6ms/次 |
| 资源消耗 |
CPU：在4核CPU上，计算占比分别平均约50%、60%、70%、40% GPU：显存占用约6GB，显卡计算占比约80% 内存：使用占比约60% |
| 源码类型 |
本算法有Python版本源码，可提供授权使用。 |
| 文件大小 |
算法程序文件约30K，权重文件约220M。 |
| 相关备注 |
无 |
