通过使用 YOLOv8 目标检测和侦察无人机拍摄的航空图像来利用地理空间情报（GEOINT）统计敌方飞机，从而规划军事行动。
使用 YOLOv8 识别敌方空军基地的飞机
在本文中，我们将深入探讨地理空间情报（GEOINT）作为跟踪敌方军事空军基地的工具。通过有效地监控这些位置及其飞机，可以为针对它们的作战行动进行充分准备。
YOLOv8 目标检测
YOLOv8 是由 Ultralytics 开发的流行实时目标检测系统，广泛应用于包括军事监视和侦察在内的各种应用。它旨在实时检测图像或视频帧中的物体。在军事场景中，快速准确地指示车辆、人员或设备等目标对于态势感知和目标跟踪至关重要。
通过将 PyTorch 与深度学习和卷积神经网络（CNN）结合使用，YOLOv8 展示了同时检测场景中多个物体的能力，具有良好的速度和精度。因此，我们选择在任务中使用它。
前提条件
首先，我选择在 Google Compute Engine 后端使用 Python 3，并在 Google Colab 中执行代码。让我们安装依赖项。
!pip install ultralytics在安装过程中，它会安装 opencv-python、torch、pandas 以及此包所需的其他依赖项。
import cv2
import urllib.request
from ultralytics import YOLO, checks, hub
from google.colab.patches import cv2_imshow如上所述，我们导入了实验中将要使用的所有必要库。除了 ultralytics 模块外，还有 cv2_imshow，这是一个在 Google Colab 中正确工作的 cv2 热修复程序。urllib.request 用于从公共存储下载图像示例。
YOLOv8 模型
YOLOv8 是为目标检测设计的深度学习模型，它通过将输入图像分割成网格，然后预测每个网格单元中物体的边界框和类别概率。该模型的高效性在于其能够在单次前向传递中处理整个图像。
通常，为了创建模型，我们需要通过为每个图像添加图像和标签来正确准备数据集，以教模型识别物体。然而，现有的数据库已经包含了任何项目初期所需的大多数数据集。今天，我们将在实验中使用这些数据集。让我们访问 Roboflow 网站。
AeroSat 数据集 > 概览（roboflow.com）
如上图所示，您需要为项目找到合适的数据集。在我们的示例中，我选择了 yolov8 作为模型类型，目标检测作为项目类型，并输入 aerial 作为搜索词。系统提供了广泛的数据集列表，我根据图像数量选择了一个更符合我们需求的数据集：1192 张图像和 1 个类别。
下载数据集
一旦确定数据集适合您的任务，您需要通过选择适当的导出格式下载它。在我们的场景中，我选择了 YOLOv8 格式，因为我们之前已经决定使用它。
导出至 YOLOv8 格式的压缩文件
选择 ZIP 文件作为存储建议数据集的选项，如上图所示，并按照进一步的说明下载。当您准备好后，可以解压文件并探索数据集的结构和包含的图像及其标签。在大多数情况下，您会看到三个文件夹：test、train 和 valid，以及一些文件，其中一个是描述数据和类别的 data.yaml。
接下来的步骤，由于我们要使用 YOLOv8，我们必须前往 Ultralytics Hub，注册，创建项目、模型，并上传数据集，最终准备好您的模型进行训练。
在 Ultralytics HUB 创建新项目
如上图所示，我输入了项目名称 AER_AIR_04s，简短描述为通过航空图像在空军基地检测飞机，并添加了一个示例图像，以便在我的列表中正确识别此项目。您可以照此操作。
接下来的步骤是转到“Datasets”并从下载文件夹中上传 ZIP 文件，选择数据集类型 Detect、数据集名称和描述，如下所示。
从 ZIP 文件上传数据集
点击“Create”按钮并完成上传过程后，您将看到数据集列表，其中包含您的新数据集。
航空飞机检测数据集
深入检查图像及其标签，然后按“Train model”按钮继续 YOLOv8 模型训练。
训练 YOLOv8 模型
在下一个窗口中，您需要从列表中选择项目，输入模型名称 YOLOv8sAir，选择 YOLOv8 架构 YOLOv8s，并点击“Continue”按钮。
选择模型名称及其架构（YOLOv8s）
Ultralytics Hub 提供了广泛的选项来训练模型，但我们将使用以下选项——“Google Colab”。
YOLOv8 模型训练的参数
如上图所示，您将获得认证密钥和 URL（https://hub.ultralytics.com/models/BN8V8tA1pOt6thjZKq6V）用于模型训练。只需复制整个代码并将其粘贴到您的 Google Colab 中。
hub.login('[YOUR_AUTH_KEY]')
model = YOLO('https://hub.ultralytics.com/models/BN8V8tA1pOt6thjZKq6V')
results = model.train()接下来，导航到“Runtime”菜单，选择“Change runtime type”，并选择“T4 GPU”以加速训练，使用 NVIDIA T4 GPU 作为加速器。
Nvidia Tesla T4 GPU
完成后，您可以像通常在 Google Colab 脚本中那样启动 YOLOv8 模型训练过程。
在 Google Colab 中训练
对于如此大的数据集，训练过程大约需要 3-4 小时。然而，您不仅可以在 Google Colab 列表中监控进度，这可能不太方便，还可以使用 YOLOv8 模型网页上的特殊进度条。
在 Ultralytics Hub 中训练过程
如前所述，这可能需要一些时间。完成后，导航到“Deploy”选项卡并下载最终模型（*.pt）文件。然后，您可以使用 YOLOv8 包在任何设备上，包括 Raspberry Pi 和智能应用程序中，使用此模型进行目标检测，识别空军基地或战场上的目标，甚至在侦察无人机上进行您的任务。
YOLOv8 的使用
到目前为止，您已经拥有了 YOLOv8 模型的 PyTorch (*.pt) 文件，该文件大小为 21.4 MB。这使我们可以在任何应用程序中使用它，只需几行代码。为了方便起见，我将 PT 文件、实验中将使用的图像和视频源上传到持久区块链存储 Arweave。要下载这些三个文件并将它们保存到我们的 Google Compute Engine 的工作目录中，我们需要编写并执行以下代码。
yolov8sair_url = 'https://6bq43uyscbhniu4kvl6hayy3zosqjnl5x2v2jm7zlfse6nnqrqsa.arweave.net/8GHN0xIQTtRTiqr8cGMby6UEtX2-q6Sz-VlkTzWwjCQ'
urllib.request.urlretrieve(yolov8sair_url, 'yolov8sair.pt')
source_file = 'https://6x77tjsjpqn6ze2k7izx36xgtipzff6yi2jfnp2xxf6lvmtyy7oa.arweave.net/9f_5pkl8G-yTSvozffrmmh-Sl9hGkla_V7l8urJ4x9w'
urllib.request.urlretrieve(source_file, 'Aerial_AirBase.jpg')
source_video = 'https://3tghzdwlhmyajv5eadufzesdo7epc5queknepym6hv2p737mgvxa.arweave.net/3Mx8jss7MATXpADoXJJDd8jxdhQimkfhnj10_-_sNW4'
urllib.request.urlretrieve(source_video, 'airport_video_source.mp4')如您所见，有三个文件：yolov8sair.pt 是模型的权重文件，Aerial_AirBase.jpg 是我们将在实验中用于目标检测的侦察无人机拍摄的图像示例，airport_video_source.mp4 是将用于目标识别的视频源示例。
model = YOLO('yolov8sair.pt')
results = model.predict('Aerial_AirBase.jpg')
annotated_frame = results[0].plot()
cv2_imshow(annotated_frame)这里我们基于训练好的模型创建 YOLO 对象。然后，我们尝试预测并找到 Aerial_AirBase.jpg 图像中的任何物体，最后显示结果中的第0个标注框。
使用 yolov8sair 模型进行目标检测
如上图所示，检测到三架飞机，概率均约为 84%，表明高度的置信度。在这种情况下，您可以通过自动统计 results[] 数组中的物体列表来轻松统计它们。置信度和概率水平可能会因天气条件而异。然而，尽管存在如天气阴云等显著缺点，这种侦察方法在规划军事行动和支持战斗行动中仍具有重要意义。
正如您所见，其易用性只需几行代码即可使其在各种应用中得以使用，包括小型飞行控制器的自主无人机。想象一下，通过结合这种目标检测机制，您可以构建的智能应用程序。想象一下，配备自动驾驶仪、目标检测和跟踪能力的作战无人机，直到摧毁目标。让您的想象力引导您。
另一个您可以用于军事解决方案的好例子：
model = YOLO('yolov8sair.pt')
# Object Detection in Video-stream
cap = cv2.VideoCapture(f"airport_video_source.mp4")
img_array = []
while cap.isOpened():
success, frame = cap.read()
if success:
results = model(frame)
annotated_frame = results[0].plot()
img_array.append(annotated_frame)
else:
break
cap.release()
# Saving to output video file
size = img_array[0].shape[1], img_array[0].shape[0] # (384, 640)
writer = cv2.VideoWriter(f"airport_video_output.mp4", cv2.VideoWriter_fourcc(*"mp4v"), 25, size)
for frame in img_array:
img_n = cv2.resize(frame, size)
writer.write(img_n)
writer.release()这涉及从视频流中进行目标检测，在我们的例子中从 airport_video_source.mp4 文件中提取。然后，它将视频分成帧，检测每帧上的飞机，并将它们编译到 airport_video_output.mp4 文件中。
您可以从 Google Compute Engine 的工作目录中下载此文件。我相信您已经熟悉这个过程。
视频流中的目标检测
