无人机航拍俯视小目标检测｜多色彩场景交通基建航空船舶识别数据集

文章目录

无人机航拍俯视小目标检测｜多色彩场景交通基建航空船舶识别数据集
数据集概览
- 核心信息
数据集亮点
适用方向
[YOLOv8 训练与推理代码（带场景经验注释）](#YOLOv8 训练与推理代码（带场景经验注释）)
- [1. 数据集目录结构](#1. 数据集目录结构)
- [2. 数据集配置 data.yaml](#2. 数据集配置 data.yaml)
- [3. 训练代码（航拍小目标优化参数）](#3. 训练代码（航拍小目标优化参数）)
- [4. 推理代码（高空小目标优化）](#4. 推理代码（高空小目标优化）)
- [在这里插入图片描述 ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/0d53575ceb2143fda7fd82388bd51f16.png) 希望以上信息可以帮助你更好的构建计算机视觉平台，专注致力于目标检测建设10128](#在这里插入图片描述希望以上信息可以帮助你更好的构建计算机视觉平台，专注致力于目标检测建设10128)
标签

无人机航拍俯视小目标检测｜多色彩场景交通基建航空船舶识别数据集

在城市交通、基建巡检、空域监控、海事监管等场景中，无人机高空鸟瞰小目标检测 正成为智能化感知的核心刚需。高空俯视、目标尺寸小、背景复杂、色彩干扰大，是当前算法落地的主要难点。本数据集专为多色系、多场景、小目标检测设计，可显著提升复杂环境下目标识别精度，快速支撑交通、基建、航空、航海一体化视觉检测系统开发。

数据集概览

本数据集为无人机航拍俯视视角目标检测数据集，以BGR、RED、TI三大色彩体系为核心维度，对飞机、桥梁、建筑、汽车、跑道、船舶等对象做精细化区分，搭配通用车辆类别，形成覆盖多场景的细粒度检测体系，特别适合高空小目标、色彩区分、多类别共存场景。

核心信息

信息类别	详情
数据集类型	目标检测数据集，多色彩细分类
数据规模	300张航拍俯视标注图像
标注格式	YOLO标准格式，开箱即用
适用场景	交通监测、基建巡检、空域识别、海事监控

数据集亮点

色彩维度细分：基于BGR、RED、TI色系做对象区分，解决特殊涂装/标记/光照下的误检问题。
目标覆盖全面：包含飞机、桥梁、建筑、汽车、卡车、跑道、船舶等多领域目标。
俯视视角统一：纯鸟瞰图，与真实无人机巡检视角完全一致，小目标特征突出。
工程友好：YOLO格式，无需转换，直接对接YOLOv5/v7/v8等主流框架训练。

适用方向

交通场景：车辆、道路、桥梁智能检测与流量统计。
基建场景：建筑、桥梁、跑道状态巡检与异常识别。
航空场景：飞机、跑道空域目标监控。
海事场景：水面船舶监控。
算法研究：多色彩环境、小目标、复杂背景下的检测模型优化。

YOLOv8 训练与推理代码（带场景经验注释）

1. 数据集目录结构

复制代码

dataset/
├── train/
│   ├── images/  # 训练图片
│   └── labels/  # 训练标注
├── val/
│   ├── images/  # 验证图片
│   └── labels/  # 验证标注
└── data.yaml    # 配置文件

2. 数据集配置 data.yaml

yaml 复制代码

# 无人机航拍多色彩小目标检测配置
train: ./train/images
val: ./val/images
# 类别数量按数据集实际填写
nc: 65
# 类别名称替换为数据集真实类别
names: ["飞机1","桥梁1","建筑1","汽车1","跑道1","船舶1",...,"卡车"]

3. 训练代码（航拍小目标优化参数）

python 复制代码

from ultralytics import YOLO

# 加载YOLOv8预训练模型
# 小目标航拍场景优先使用yolov8s/m，兼顾精度与速度
model = YOLO("yolov8s.pt")

# 无人机小目标检测训练（行业经验参数）
if __name__ == "__main__":
    model.train(
        data="data.yaml",       # 数据集配置
        epochs=120,             # 小样本+细分类别适当增加轮数
        imgsz=960,              # 小目标必须提升分辨率，优于640
        batch=4,                # 高分辨率适当降低batch防止爆显存
        device=0,               # 使用GPU
        lr0=0.01,               # 航拍小目标学习率经验值
        lrf=0.01,
        momentum=0.937,
        weight_decay=0.0005,
        warmup_epochs=3.0,      # 稳定训练
        hsv_h=0.015,            # 色彩增强，适配多色系数据集
        hsv_s=0.7,
        hsv_v=0.4,
        degrees=10.0,           # 无人机姿态抖动增强
        flipud=0.2,             # 俯视允许上下翻转
        fliplr=0.5,
        patience=15,            # 早停防止过拟合
        name="drone_smallobject"
    )

4. 推理代码（高空小目标优化）

python 复制代码

from ultralytics import YOLO
import cv2

# 加载训练好的无人机小目标模型
model = YOLO("./runs/detect/drone_smallobject/weights/best.pt")

# 航拍小目标推理：降低置信度，提高小目标召回率
results = model.predict(
    source="test.jpg",         # 测试图/视频/RTSP流
    conf=0.2,                  # 小目标降低置信度
    iou=0.45,                  # 放宽NMS避免小目标被抑制
    imgsz=960,                 # 与训练尺寸一致
    show=True,                 # 实时显示
    save=True                  # 保存结果
)

# 输出巡检识别结果
for r in results:
    for box in r.boxes:
        cls_name = r.names[int(box.cls)]
        conf = round(float(box.conf), 2)
        print(f"[无人机检测] 目标：{cls_name} 置信度：{conf}")

希望以上信息可以帮助你更好的构建计算机视觉平台，专注致力于目标检测建设10128

无人机航拍俯视小目标检测｜多色彩场景交通基建航空船舶识别数据集

文章目录

无人机航拍俯视小目标检测｜多色彩场景交通基建航空船舶识别数据集

数据集概览

核心信息

数据集亮点

适用方向

YOLOv8 训练与推理代码（带场景经验注释）

1. 数据集目录结构

2. 数据集配置 data.yaml

3. 训练代码（航拍小目标优化参数）

4. 推理代码（高空小目标优化）

标签