无人机型号识别数据集 | 无人机型号识别 细粒度分类 低空安防 无人机机型识别 大疆无人机 低空威胁9039期
数据集概述
本数据集专注于无人机型号的细粒度视觉识别，服务于低空空域管理、反无人机系统及航空安全监测。数据涵盖多种消费级与工业级无人机，适配机型分类、飞行器身份验证及空域流量统计等场景。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 18 类（详见下方完整类别列表） |
| 数量 | 2800 张图像 |
| 格式 | 图像为 JPG/PNG；标签为 YOLO 格式的txt文件（水平边界框） |
| 应用价值 | 1. 安防识别 ：辅助敏感区域对入侵无人机进行品牌与型号识别，支撑反制决策。 2. 空域监管 ：按机型分类统计低空飞行流量，为航线规划与容量管理提供数据依据。 3. 行业应用：支持无人机保险定损、设备管理与资产盘点。 |
完整类别列表（共18类）
| 序号 | 类别名称 | 中文参考释义 |
|---|---|---|
| 1 | AeroVironment-Puma-3-AE | 航空环境"美洲狮"3-AE型 |
| 2 | Autel-Lite | 道通Lite系列 |
| 3 | Boeing-Insitu-ScanEagle | 波音Insitu"扫描鹰" |
| 4 | DJI-FPV | 大疆FPV穿越机 |
| 5 | DJI-Matrice-300-RTK | 大疆经纬M300 RTK |
| 6 | DJI-Mavic-2-Enterprise-Dual | 大疆御2行业双光版 |
| 7 | DJI-Mavic-3 | 大疆御3 |
| 8 | DJI-Mavic-Air-2 | 大疆御Air 2 |
| 9 | DJI-Phantom-4-Pro | 大疆精灵4 Pro |
| 10 | FLIR-Skyranger-R70 | FLIR Skyranger R70 |
| 11 | General-Atomics-MQ-9-Reaper | 通用原子MQ-9"收割者" |
| 12 | Lockheed-Martin-Stalker-XE | 洛克希德·马丁"潜行者"XE |
| 13 | Parrot-Anafi-USA | 派诺特Anafi（美国版） |
| 14 | RQ-11B-Raven | RQ-11B"渡鸦"手抛无人机 |
| 15 | Skydio | Skydio（自主飞行无人机） |
| 16 | Wingtraone-Gen-2 | WingtraOne二代（垂直起降固定翼） |
| 17 | Yuneec | 昊翔（Yuneec）系列 |
| 18 | Drone | 通用/未分类无人机 |
数据三要素解析
类别与型号覆盖
- 数据集中包含 18 类不同无人机型号，覆盖大疆（DJI）多个消费级与行业级系列、美国军用无人机（如 MQ-9 Reaper、RQ-11B Raven）、以及中小型工业级无人机（如 WingtraOne、Skydio）。
- 型号列表兼顾了 主流消费级机型 （如Mavic系列、Phantom）、专业行业级平台 （如Matrice 300 RTK）及 军事/安防级无人机 ，具有较强的代表性与区分度。
数据规模与格式
- 图像总量约 2800 张，规模适中，适合作为细粒度无人机型号识别任务的数据集。
- 采用通用 YOLO 格式（txt），每张图像对应一个同名标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8 等主流检测框架。
- 图像与标签一一对应，数据结构规范，便于进行训练/验证集划分与预处理集成。
应用与扩展
- 数据集可扩展用于 无人机测距与定位 、集群无人机识别 及 违规飞行行为检测（如禁飞区闯入）等综合任务。
- 可迁移至 仿生飞行器（如鸟形无人机） 的识别任务，进行域适应微调。
- 型号级别的分类能力有助于构建 无人机指纹库，为射频指纹识别提供视觉辅助验证。
知识普及：细粒度无人机分类难点
不同型号无人机可能共享相似的整体构型（如均为四旋翼），但细节差异（机臂形状、起落架结构、云台位置）决定了具体型号。这对模型提出 细粒度特征提取 的要求。采用更高分辨率的输入（如 640×640）和注意力机制（如SENet、CBAM）引导网络关注关键部件区域，有助于提升细粒度分类精度。此外，部分型号仅在某些地区或市场常见，数据收集时应确保类别覆盖的全面性。
快速开始（代码示例）
配置文件 data.yaml 示例（需按实际类别顺序与名称补齐）：
yaml
train: ./dataset/images/train
val: ./dataset/images/val
nc: 18
names: ['aerovironment_puma_3_ae', 'autel_lite', 'boeing_insitu_scan_eagle',
'dji_fpv', 'dji_matrice_300_rtk', 'dji_mavic_2_enterprise_dual',
'dji_mavic_3', 'dji_mavic_air_2', 'dji_phantom_4_pro',
'flir_skyranger_r70', 'general_atomics_mq_9_reaper',
'lockheed_martin_stalker_xe', 'parrot_anafi_usa', 'rq_11b_raven',
'skydio', 'wingtraone_gen_2', 'yuneec', 'drone']启动 YOLOv8 训练（针对细粒度分类推荐使用更大的模型）：
python
from ultralytics import YOLO
model = YOLO('yolov8l.pt')
model.train(data='data.yaml', epochs=120, imgsz=640, batch=16)标签
无人机型号识别 细粒度分类 低空安防 目标检测 YOLO格式 深度学习数据集 计算机视觉