本系统整合了高分辨率遥感影像和DOTA公开数据集作为数据源，使用Yolov5作为模型框架，对车辆监测的任务进行了编写。
本次汽车监测任务提取使用DOTA数据集图像以及其他收集图像作为数据源，首先需要利用ROI绘图部分绘制相应的标签框。此次训练一共准备了2000张数据集，训练集、验证集与测试集的比例为6:2:2。
根据城市环境复杂，监测时效性的要求，任务选择Yolov5作为此次监测模型。网络结构图如图13所示。该算法采用Spatial Pyramid Pooling（SPP），使用具有不同采样率的多个并行卷积层，通过不同的核的大小来感受不同范围的信息，用来获取多尺度物体信息，有利复杂情况地物的提取。
Yolov5算法：
Yolov5网络主要由四部分构成，输入部分、backbone骨干网络、neck颈部结构、head头部预测结构。YOLOv5的网络结构为全卷积网络，即网络结构全由卷积、批归一化层等构成，不包含全连接层。

图10 Yolov5框架
上图展示了YOLOv5目标检测算法的整体框图。对于一个目标检测算法而言，我们通常可以将其划分为4个通用的模块，具体包括：输入端、骨干网络、Neck网络与Head输出端。
输入端：该阶段通常包含一个图像预处理阶段，即将输入图像缩放到网络的输入大小，并进行归一化等操作。在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度，该算法是在CutMix数据增强方法的基础上改进而来的。CutMix仅仅利用了两张图片进行拼接，而Mosaic数据增强方法则采用了4张图片，并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成。这种增强方法可以将几张图片组合成一张，这样不仅可以丰富数据集的同时极大的提升网络的训练速度，而且可以降低模型的内存需求。
骨干网络：骨干网络通常是一些性能优异的分类器种的网络，对初级特征进行提取，骨干网络会生成浅层特征数据，这些浅层特征会随着网络输入到下一部分。YOLOv5中不仅使用了CSPDarknet53结构，而且使用了Focus结构作为骨干网络。
Neck网络：网络通常位于骨干网络和头网络的中间位置，使用卷积操作对特征进行进一步的提取增强，并输出到三个不同结果，最后在头部对这三块进行综合预测，利用它可以进一步提升特征的多样性及鲁棒性。在该阶段YOLOv5用到了SPP模块、FPN+PAN模块。SPP是利用1×1、5×5、9×9和13×13的最大池化方式，提取不同范围的特征数据，起到对特征进行增强的效果。
Head输出端：该模块用来完成目标检测结果的输出。针对不同的检测算法，输出端的分支个数不尽相同，通常包含一个分类分支和一个回归分支。YOLOv5利用GIOU_Loss来代替Smooth L1 Loss函数，从而进一步提升算法的检测精度。