vedai数据集yolo

VEDAI数据集是一个用于目标检测的遥感图像数据集。在该数据集上，SuperYOLO模型实现了75.09%的准确率（以mAP50计），比其他大型模型如YOLOv5l、YOLOv5x和RS设计的YOLOrs高出10%以上。同时，SuperYOLO的参数大小和GFLOPs比YOLOv5x少了约18倍和3.8倍。这表明我们提出的模型在精度和速度之间取得了有利的权衡。\[1\]

在表一中，不同基线YOLO框架的模型大小和推理能力是以层数、参数大小和GFLOPs来评价的。YOLOv4虽然实现了最好的检测性能，但它比YOLOv5s多了169层，参数大小是YOLOv5s的7.4倍，GFLOPs是YOLOv5s的7.2倍。相比之下，YOLOv5s虽然mAP略低于YOLOv4和YOLOv5m，但它的层数、参数大小和GFLOPs都比其他模型小很多。因此，在实际应用中，更容易在船上部署YOLOv5s来实现实时性能。这证实了将YOLOv5s作为基线检测框架的合理性。\[2\]

最近，多模态数据在许多实际应用场景中被广泛利用，包括视觉问题回答、自动驾驶汽车、显著性检测和遥感分类。人们发现，结合多模态数据的内部信息可以有效地传递互补的特征，避免单一模态的某些信息被遗漏。\[3\]
#### 引用[.reference_title]
- *1* *2* *3* [Super Yolo论文翻译](https://blog.csdn.net/qq_41048761/article/details/130304993)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]