四川目标跟踪应用

SpeedDP作为一个服务型AI平台，它能提供从数据标注、模型训练、测试验证到RockChip嵌入式硬件平台模型部署的可视化AI开发功能。平台所需算法并不是固定的，使用者可以根据自身实际应用场景进行AI算法的定制化开发，例如平台经过不断的迭代，目前能够支持YOLOv8系列算法进行图像标注。SpeedDP这个平台使用起来十分简便，在图像标注领域其基本使用方法是：1.首先有一个比较好的预选模型2.用这个预选模型做自动标注3.后期人工审核修正目标跟踪为用户提供场景内多个目标的ID编号。四川目标跟踪应用

YOLO算法具有以下几个明显的优势：快速高效：YOLO算法采用单次前向传播的方式进行目标检测和跟踪，相比传统方法的多次扫描图像，速度更快，适用于实时应用。准确性较高：通过引入先进的卷积神经网络和相关技术，YOLO算法在目标定位和类别预测方面具有较高的准确性。多尺度处理：YOLO算法通过特征金字塔网络和多尺度预测技术，可以处理不同大小的目标，并保持对小目标的有效检测。端到端训练：YOLO算法可以进行端到端的训练，避免了多阶段处理的复杂性，简化了算法的实现和使用。吉林目标跟踪经验丰富RV1126系列的AI视频跟踪板。

当两个图像之间还有旋转或比例变化时，往往使用基于控制点的方法进行图像配准。所谓特征点匹配就是在一帧图像中寻找具有不变性质的结构—特征点，例如，灰度局部极大值、局部边缘、角等，与另一帧图像中的同类特征点作匹配，从而求得该两帧图像之间的变换关系。从现实的观点看，在全部特征点中，只有部分能得到正确的匹配，这是因为特征点寻找算法并非完美无缺。特征点匹配方法具有：处理的数据量不断减少、可能匹配的数目少于互相关方法和受照度、几何的变化影响较小的优点。根据具体的振动情况，选择合适的特征点和速度较快的匹配策略是该任务研究的重点。目前的研究工作都致力于图像间的自动配准，如直接相关匹配，基于图像分割技术的配准，利用封闭轮廓的形心作为控制点的配准等。

这种智慧化的建设就是采用图像处理。在无人机内部安装图像处理板，这些图像处理板和相机、算法的有机结合就形成了无人机的智慧眼，有了这个智慧眼，无人机就能够对视野范围内的物体进行AI识别，从而自动完成避障、巡检等操作。成都慧视开发的小型化图像处理板Viztra-LE026就是专门为无人机设计的一款“智慧眼”处理器。这块板卡采用了RV1126开发而成，具备2.0TOPS的算力，外形呈圆形化设计，整体外观大小为Ф38mm*12mm，重量只有12g，功耗不高于4W，用在无人机领域具有功耗低、尺寸小的优势，不会过多占用和消耗无人机的内部空间和续航。慧视微型双光吊舱能够实现昼夜成像。

在深度学习中，解决训练数据不足常用的一个技巧是“预训练-微调”（Pretraining-finetune），即大数据集上面预训练模型，然后在小数据集上去微调权重。但是，在训练数据极其稀少的时候（只有个位数的训练图片），这个技巧是无法奏效的。图2展示了一个检测模型预训练过后，在单张训练图片上微调的过程：尽管训练集上逐渐收敛，但是检测器仍无法检测出测试图片中的物体。这反映出了“预训练-微调”框架的泛化能力不足。利用SpeedDP经过大量的数据训练后，机器就能够精确检测跟踪图像中的物体。输出目标相对于视野中心的脱靶量信息，实现对目标的实时跟踪功能。四川目标跟踪应用

目标跟踪图像传感器。四川目标跟踪应用

瑞芯微推出的RK3588系列图像处理板作为国产化板卡的性能前列，成为了各领域研究开发的优先，它能在诸多行业实现目标检测、识别以及跟踪等功能，具有重要的研究开发价值。特别是对于高校而言，将RK3588作为课题进行研究开发，是一个不错的选择。但是在这些功能实现过程中，算法的能力就十分重要，如何让算法更加精细的识别检测例如人、车、船等目标成为首要解决的问题。要想让AI算法更能精确的识别检测目标，可以利用AI的深度学习能力，让AI不断学习这些目标的特征，从而达到精细识别的能力。这个过程，可以通过大量的数据标注，来训练AI。但大量待标注工作，常常让开发者头疼。如果采用传统方式用人工挨个挨帧标注，将会耗费大量时间精力，让成本不可控。四川目标跟踪应用