目录

3.2 实验平台和环境  

3.3 实验评价指标 

3.4 基础框架YOLOv5在无人机数据集上的实验 

3.4.1 实验结果 

3.4.2 结果分析 

4基于深度学习的无人机影像目标检测算法 

4.1 基于改进YOLOv5的小目标检测算法研究 

4.1.1 增加注意力机制 

4.1.2 增加检测层 

4.1.3多尺度特征融合 

4.1.4 优化损失函数 

4.1.5 增加MobileNet网络 

4.1.6 改进后的网络框架 

4.2 实验与分析

 4.2.1 实验步骤 

5无人机影像小目标检测平台 

 5.1 目标检测可视化平台 

5.2 前后端分离技术 

5.3 系统客户端设计  

5.3.1 MVVM设计模式 

5.3.2 基于Vue搭建检测系统页面 

5.3.3 基于Echart实现数据可视化 

5.3.4 基于Webpack进行项目打包 

5.4 后端服务层设计  

5.4.1 Node.js开发环境搭建 

5.4.2 基于Express后端系统设计 

5.5 MySQL数据库设计 

5.6 客户端与后端系统跨域问题 

---

本文篇幅较长，分为上下两篇，上篇详见基于深度学习的无人机影像小目标识别

3.2 实验平台和环境  

在深度学习的整个训练与计算中，存在着大量的矩阵操作。常规CPU的优势是串行运 算，故GPU是大规模矩阵操作的首选。目前主流的算法都是利用GPU的强大并行运算能力， 对深度学习模型进行训练。 表3-2显示了本实验的软件和硬件配置，CUDA是由NVIDIA开发的集成计算平台，它 可以加快对深度学习中的卷积等方面的矩阵操作。在Pytorch神经网络框架下进行训练和预 测时，CUDANN能够利用CUDA+ CUDANN来调用GPU加快模型的训练和预测，提升用户 体验。 
Pytorch是基于Torch编写的，