天空红外小目标检测数据集 | 红外小目标 天空目标检测 无人机检测 鸟类识别 低空安防9099期
数据集概述
本数据集专注于天空背景下的红外小目标检测与分类 ，服务于低空安防、反无人机系统及航空目标监测。数据涵盖飞机、无人机、直升机与鸟类四类空中目标，适配红外成像条件下的目标识别、空域态势感知及鸟击防范等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 4 类：飞机、无人机、直升机、鸟 |
| 数量 | 8362 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. 低空安防 ：支撑机场、重要设施周边的空中目标入侵检测与分类。 2. 反无人机 ：识别违规升空飞行器，辅助反制决策。 3. 鸟击防范 ：区分鸟类与飞行器，降低机场鸟击风险。 4. 算法研发：为红外小目标检测、相似目标区分等视觉任务提供标准化训练与评测数据。 |
完整类别列表（共4类）
| 序号 | 英文名称 | 中文释义 |
|---|---|---|
| 0 | Plane | 飞机 |
| 1 | Drone | 无人机 |
| 2 | Helicopter | 直升机 |
| 3 | Bird | 鸟类 |
数据三要素解析
类别与目标覆盖
- 数据集定义 4 类空中目标：飞机 、无人机 、直升机 、鸟，覆盖了低空监测场景中常见的人造飞行器与生物目标。
- 鸟类与无人机的区分是低空安防中的经典难题，本数据集为训练高判别力模型提供了关键数据。
- 类别设置兼顾军事/民用航空器与生态保护对象，具有较强的应用综合性。
数据规模与模态
- 图像总量约 8362 张，规模充足，能支撑红外小目标检测模型的稳健训练。
- 数据为红外成像，不依赖外部光照，适用于夜间、雾霾等低能见度环境下的目标检测。
- 红外图像中目标呈高亮热特征，但纹理细节少、目标尺度小，对检测算法提出较高要求。
格式与配套资源
- 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 YOLOv8 等主流检测框架。
- 附赠完整的 YOLOv8 训练脚本 、评估脚本 、推理与可视化脚本，均带有中文注释，用户可直接运行。
- 提供 data.yaml 配置文件示例 与 数据集目录结构说明，便于快速上手。
知识普及：红外小目标检测的技术要点
- 小目标挑战：红外图像中，远距离飞机、无人机等目标像素占比极小（可能仅占图像面积的0.1%以下），常规检测模型易漏检。需采用高分辨率输入、多尺度特征融合或专门的小目标检测头。
- 红外成像特点：红外图像依赖物体自身热辐射成像，不依赖外部光源，适合夜间与低能见度环境。但分辨率较低、纹理细节少，目标轮廓可能模糊。
- 类间区分：飞机、无人机、直升机与鸟类在红外图像中形态相似，尤其远距离时难以区分。模型需依赖轮廓、尺寸、飞行姿态等特征进行判别。
- 数据增强策略：针对小目标与相似目标区分，可采用Mosaic、MixUp等增强策略，增加模型对复杂场景的适应能力。
- 应用闭环：检测结果可结合雷达、射频信号，构建多传感器融合的低空安防系统，实现"发现-识别-反制"的闭环流程。
快速开始（代码示例）
1. 准备配置文件 (data.yaml)
yaml
train: ./dataset/images/train/
val: ./dataset/images/val/
nc: 4
names: ['Plane', 'Drone', 'Helicopter', 'Bird']2. 启动 YOLOv8 训练
python
from ultralytics import YOLO
model = YOLO('yolov8n.yaml')
results = model.train(
data='./path/to/data.yaml',
epochs=200,
imgsz=640,
batch=16,
project='./runs/detect',
name='sky_infrared_target_detection',
optimizer='SGD',
device='0',
save=True,
cache=True
)3. 模型评估
python
from ultralytics import YOLO
model = YOLO('./runs/detect/sky_infrared_target_detection/weights/best.pt')
metrics = model.val(data='./path/to/data.yaml')
print(metrics.box.map)4. 推理与可视化
python
import cv2
from PIL import Image
from ultralytics import YOLO
model = YOLO('./runs/detect/sky_infrared_target_detection/weights/best.pt')
def detect_sky_objects(image_path):
results = model.predict(source=image_path)
img = cv2.imread(image_path)
for result in results:
boxes = result.boxes.numpy()
for box in boxes:
r = box.xyxy
x1, y1, x2, y2 = int(r[0]), int(r[1]), int(r[2]), int(r[3])
label = result.names[int(box.cls)]
confidence = box.conf
if confidence > 0.5:
cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv2.putText(img, f'{label} {confidence:.2f}', (x1, y1 - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
return img
result_image = detect_sky_objects('your_test_image.jpg')
Image.fromarray(cv2.cvtColor(result_image, cv2.COLOR_BGR2RGB)).show()标签
红外小目标 天空目标检测 无人机检测 鸟类识别 低空安防 目标检测 YOLO格式 深度学习数据集 计算机视觉