做过很多目标检测类的项目了，最近看到一个很早之前用过的数据集MSTAR，之前老师给的任务是基于这个数据集来搭建图像识别模型，殊不知他也是可以用来做目标检测的，今天正好有点时间就想着基于这个数据集来做一下目标检测实践。

首先来看效果图：

 这里选用的模型是yolov5系列的最轻量级的原生的检测模型yolov5n，主要是想快点训练完，毕竟服务器还是有其他的任务要用到的，训练还是挺快的，大概六个小时结束了。

首先来看下数据集：

 标注文件如下所示：

 模型配置如下：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 10  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

训练完成结果如下所示：

 标签可视化如下：

 可以看到：不同类别的目标对象的数据量相对来说还是比较均衡的。

F1值曲线：

 PR曲线：

 混淆矩阵：

 训练过程评估：

 batch检测样例：

 为了使用直观，这里开发了界面，实现推理过程的可视化，如下：

 点击【上传图像】即可从本地选取图像上传到系统界面中，如下：

 点击【目标检测识别】即可启动推理计算，如下：