无人机航拍巡检数据集｜城市乡镇港口工业区｜高分辨率旋转目标检测｜深度学习训练基准

无人机航拍巡检数据集｜城市乡镇港口工业区｜高分辨率旋转目标检测｜深度学习训练基准

无人机低空智能巡检已成为智慧城市、工业安防、港口物流的核心刚需，但场景单一、标注稀疏、无姿态信息、格式不兼容 长期制约模型泛化与工程落地。本数据集直击行业痛点，覆盖多场景高分辨率真实航拍，带完整姿态标注与双格式标注，可直接用于旋转目标检测、姿态感知、多尺度识别等前沿算法研发，快速构建强鲁棒性低空视觉检测系统。

---

📝 项目简介

本数据集为无人机定向目标检测 专项数据集，聚焦真实巡检场景，突破传统数据集仅聚焦车辆的局限，覆盖城市、乡镇、港口、工业区等复杂环境，提供3840×2160超高分辨率图像、精细标注与飞行姿态参数，支持旋转目标检测模型训练与无人机姿态感知研究，是低空视觉算法研发与工程落地的优质基准数据。

---

📊 核心指标

指标项	详细数值
图像总数量	10000 张 无人机实拍高清图
标注目标总数	596700 个 高精度标注框
目标类别数	12 类 巡检核心目标
图像分辨率	3840×2160 4K 级真实场景
覆盖场景	城市、乡镇、港口、工业区
标注格式	DOTA 格式 + VOC 格式 双输出
附加标注	采集高度、相机角度、姿态参数
核心价值	构建无人机定向检测基准、支撑姿态感知研究、推动高分辨率多场景检测技术

---

🎯 数据集亮点

1. 场景全覆盖，打破单一域限制
   不只聚焦车辆，覆盖城市公共设施、港口装备、工业设备、乡镇建筑等12 类实用目标，模型一次训练适配多域巡检，大幅降低迁移成本。
2. 规模与精度双优
   10000 张 4K 图 + 59.67 万标注框，兼顾训练充足性与标注质量，有效抑制过拟合，提升小目标/密集目标检测能力。
3. 姿态参数增强，赋能姿态感知
   每张图像标注飞行高度、相机倾角、拍摄角度，可用于研究飞行状态对检测性能的影响，支撑姿态自适应检测算法研发。
4. 双标注格式，开箱即用
   同时提供 DOTA（适配旋转检测）与 VOC（适配通用检测），兼容 YOLO-OBB、R3Det、RetinaNet、Faster R-CNN 等主流框架，零格式转换成本。

---

🧠 深度学习实战代码（带场景注释）

1. 数据集加载与预处理（适配旋转目标检测）

# -*- coding: utf-8 -*-
"""
无人机航拍巡检数据集 - DOTA/VOC 格式加载
适配：旋转目标检测(OBB)、高分辨率多尺度训练
场景：城市/港口/工业区 低空巡检
"""
import os
import cv2
import numpy as np
from torch.utils.data import Dataset

class DroneDetDataset(Dataset):
    def __init__(self, data_root, mode="train", img_size=(3840,2160), use_obb=True):
        self.data_root = data_root
        self.mode = mode
        self.img_size = img_size
        self.use_obb = use_obb
        # 标注路径：DOTA(annfile) / VOC(labels)
        self.ann_dir = os.path.join(data_root, "annfile" if use_obb else "labels")
        self.img_dir = os.path.join(data_root, "images")
        self.img_list = [f for f in os.listdir(self.img_dir) if f.endswith((".jpg",".png"))]

    def __getitem__(self, idx):
        # 1. 读取图像与姿态元信息（高度/角度）
        img_name = self.img_list[idx]
        img_path = os.path.join(self.img_dir, img_name)
        img = cv2.imread(img_path)
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        # 2. 读取旋转框/水平框标注
        ann_path = os.path.join(self.ann_dir, os.path.splitext(img_name)[0] + ".txt")
        targets = self._load_annotations(ann_path)
        return img, targets

    def _load_annotations(self, ann_path):
        """解析 DOTA 格式 OBB 标注：x1 y1 x2 y2 x3 y3 x4 y4 class"""
        targets = []
        if not os.path.exists(ann_path): return np.array(targets)
        with open(ann_path,"r",encoding="utf-8") as f:
            for line in f.readlines():
                line = line.strip().split()
                coords = list(map(float, line[:8]))
                cls_id = int(line[8])
                targets.append(coords + [cls_id])
        return np.array(targets, dtype=np.float32)

2. YOLOv8-OBB 旋转检测训练配置

# drone_uav_config.yaml
# 无人机航拍巡检数据集 - 旋转目标检测训练配置
path: ./drone_dataset  # 数据集根目录
train: images/train    # 训练集
val: images/val        # 验证集
test: images/test      # 测试集

# 类别数（本数据集12类）
nc: 12
# 类别名称（按实际标注填写）
names:
  0: vehicle
  1: ship
  2: container
  3: building
  4: tower
  5: bridge
  6: crane
  7: equipment
  8: tree
  9: road
  10: person
  11: fence

# 旋转框任务
obb: true

3. 模型训练启动代码

"""
YOLOv8-OBB 训练无人机航拍旋转目标检测
场景：港口/工业区/城市 多姿态高分辨率目标
功能：支持高度/角度信息融合训练
"""
from ultralytics import YOLO

if __name__ == "__main__":
    # 加载旋转框预训练模型
    model = YOLO("yolov8m-obb.pt")
    # 开始训练
    model.train(
        data="drone_uav_config.yaml",
        imgsz=1280,          # 输入尺寸（适配高分辨率下采样）
        epochs=100,
        batch=8,
        device=0,
        workers=4,
        cache=True,
        amp=True,
        patience=10,
        # 航拍增强
        hsv_h=0.1,
        hsv_s=0.5,
        hsv_v=0.3,
        degrees=30,          # 角度增强（贴合无人机姿态变化）
        perspective=0.1,    # 透视增强
    )

---

📌 适用方向

• 旋转目标检测（OBB）算法研发与验证
• 无人机姿态感知、视角自适应检测
• 智慧城市、港口自动化、工业巡检、安防监控
• 高分辨率小目标检测、密集目标检测
• 低空视觉数据集基准、学术评测与竞赛数据

---

📎 项目标签

#无人机数据集 #航拍巡检 #旋转目标检测 #DOTA数据集 #VOC格式 #高分辨率航拍 #智慧城市 #工业视觉 #港口检测 #深度学习数据集 #目标检测 #低空AI

---