一、背景介绍
山东某客户希望我们能够利用深度学习技术进行遥感影像的大气排污烟囱检测，快速发现生态环境问题，以便给相关主管部门提供决策依据。考虑到客户对数据时效性的要求，我们决定采用高分2号卫星0.8米分辨率影像进行烟囱检测。
这次先写个总体介绍，分享下整体的技术路线，后续会很快将各步骤的细节完善出来，敬请期待！
二、算法框架介绍
我们选择了YOLOv8算法，它是Ultralytics公司继YOLOv5之后推出的新一代目标检测算法。算法继承了YOLO系列一贯的速度快、精度高的特点，并在此基础上进行了多项改进和优化。不仅支持图像分类、物体检测和实例分割任务，还引入了新的功能和改进，以进一步提升性能和灵活性。
官方也给出了YOLOv8不同参数量大小的模型在COCO数据集上训练后的Benchmark：
Model | size(pixels) | mAPval50-95 | SpeedCPU ONNX(ms) | SpeedA100 TensorRT(ms) | params(M) | FLOPs(B) |
|---|---|---|---|---|---|---|
YOLOv8n | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 |
YOLOv8s | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 |
YOLOv8m | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 |
YOLOv8l | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 |
YOLOv8x | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 |
YOLOv8的优势（官方英文介绍）
- Advanced Backbone and Neck Architectures: YOLOv8 employs state-of-the-art backbone and neck architectures, resulting in improved feature extraction and object detection performance.
- Anchor-free Split Ultralytics Head: YOLOv8 adopts an anchor-free split Ultralytics head, which contributes to better accuracy and a more efficient detection process compared to anchor-based approaches.
- Optimized Accuracy-Speed Tradeoff: With a focus on maintaining an optimal balance between accuracy and speed, YOLOv8 is suitable for real-time object detection tasks in diverse application areas.
- Variety of Pre-trained Models: YOLOv8 offers a range of pre-trained models to cater to various tasks and performance requirements, making it easier to find the right model for your specific use case.
Ultralytics框架的优势
丰富的API和工具：Ultralytics框架提供了大量的API和工具，使得我们能够快速搭建和训练模型。这极大地降低了我们的工作量，并提高了开发效率。
易于使用和扩展：Ultralytics框架具有简洁明了的接口和文档，使得我们能够轻松上手并进行二次开发。同时，该框架还支持多种硬件平台和操作系统，使得我们能够在不同的环境下进行模型训练和部署。
强大的社区支持：Ultralytics框架拥有庞大的用户社区和开发者社区。这些社区成员经常分享他们的经验和技巧，为我们提供了宝贵的帮助和支持。
官方源码和文档链接：
Ultralytics官方文档：Home - Ultralytics YOLO Docs
Ultralytics源码库：GitHub - ultralytics/ultralytics: NEW - YOLOv8
