红外多类型无人机检测数据集 | 红外检测 无人机识别 多类型分类 低空安防 反无人机 9139期
数据集概述
本数据集专注于红外热成像场景下多类型无人机的视觉检测与分类 ，服务于低空安防、反无人机系统及空域监测。数据涵盖固定翼无人机与直升机式无人机两类目标，适配红外成像条件下的目标识别、威胁预警及智能监控等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 2 类：固定翼无人机、直升机式无人机 |
| 数量 | 6271 张图像 |
| 格式 | 图像为 JPG/PNG（分辨率 640×640 ）；同时提供 YOLO 、VOC 、COCO 三种标注格式 |
| 数据划分 | 训练集 4390 张，验证集 1255 张，测试集 626 张 |
| 应用价值 | 1. 低空安防 ：支撑机场、军事设施等敏感区域的红外无人机入侵检测与分类。 2. 反无人机 ：区分固定翼与多旋翼/直升机式无人机，辅助针对性反制决策。 3. 全天候监测 ：红外成像不受光照影响，适用于夜间、雾霾等低能见度环境。 4. 算法研发：为红外目标检测、多类别无人机分类等视觉任务提供标准化训练与评测数据。 |
完整类别列表（共2类）
| 序号 | 英文名称 | 中文释义 | 包含该类图像数 | 标注框数量 |
|---|---|---|---|---|
| 1 | aircraft-type_uav | 固定翼无人机 | 592 | 592 |
| 2 | helicopter-type_uav | 直升机式无人机 | 4162 | 4191 |
数据三要素解析
类别与目标覆盖
- 数据集定义 2 类无人机：固定翼无人机 与 直升机式无人机，覆盖低空监测场景中最常见的两种无人机技术构型。
- 两类无人机在飞行性能、外观轮廓及任务类型上差异显著，为模型提供了清晰的判别依据。
- 直升机式无人机样本较多（4162张），固定翼样本较少（592张）
数据规模与模态
- 图像总量约 6271 张，按约 70:20:10 比例划分为训练集（4390张）、验证集（1255张）与测试集（626张），划分规范。
- 数据为红外热成像，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。
- 图像分辨率统一为 640×640，可直接输入常见检测网络。
格式与配套资源
- 同时提供 YOLO 、VOC 、COCO 三种通用标注格式，灵活适配不同检测框架。
- 附赠基于 YOLOv11n 训练的模型（训练80轮），用户可直接推理或作为迁移学习起点。
- 提供 PyQt5 可视化界面（含源码、.ui、.qrc、图标文件），支持图片、视频、摄像头实时检测，实时显示目标位置、总数、置信度等信息，支持结果导出。
- 运行环境：Python=3.8、opencv-python、PyQt5、torch，支持 Windows、Linux 系统。
知识普及：红外无人机检测的技术要点
- 红外成像特点：红外热成像依赖物体自身热辐射成像，不受光照影响，但分辨率较低、纹理细节少，目标轮廓可能模糊。
- 构型区分：固定翼无人机通常具有较长翼展、流线型机身和尾翼；直升机式无人机（多旋翼）具有旋翼臂和垂直起降构型。模型需学习这些形态差异。
- 小目标检测：无人机在红外图像中通常尺寸较小，需采用高分辨率输入或多尺度特征融合策略。
- 背景干扰：天空、云层、建筑等背景以及热源干扰可能与无人机混淆，模型需依赖轮廓与运动特征进行区分。
- 应用闭环：检测结果可结合雷达或射频信号，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
path: ./infrared_uav
train: images/train
val: images/val
test: images/test
nc: 2
names: ['aircraft-type_uav', 'helicopter-type_uav']2. 启动 YOLOv11 训练
python
from ultralytics import YOLO
model = YOLO('yolo11n.pt')
model.train(
data='data.yaml',
epochs=80,
imgsz=640,
batch=8,
device=0
)3. PyQt5 可视化检测界面（核心逻辑）
python
import sys
import cv2
from ultralytics import YOLO
from PyQt5.QtWidgets import *
from PyQt5.QtGui import *
class UAVDetect(QMainWindow):
def __init__(self):
super().__init__()
self.setWindowTitle("基于YOLOv11的红外多类型无人机检测系统")
self.resize(1250, 950)
self.model = YOLO("best.pt")
self.label_img = QLabel(self)
self.label_img.setGeometry(20, 80, 620, 520)
QPushButton("文件导入", self).setGeometry(680, 80, 180, 40)
self.table = QTableWidget(self)
self.table.setGeometry(20, 620, 950, 280)
self.table.setColumnCount(5)
self.table.setHorizontalHeaderLabels(["序号", "路径", "类别", "置信度", "坐标"])
def open_img(self):
path, _ = QFileDialog.getOpenFileName()
img = cv2.imread(path)
result = self.model(img, conf=0.5)
for box in result[0].boxes:
x1, y1, x2, y2 = map(int, box.xyxy[0])
conf = float(box.conf)
cls = self.model.names[int(box.cls)]
cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
self.label_img.setPixmap(QPixmap.fromImage(
QImage(rgb.data, rgb.shape[1], rgb.shape[0], rgb.shape[1] * 3, QImage.Format_RGB888)))
if __name__ == "__main__":
app = QApplication(sys.argv)
win = UAVDetect()
win.show()
sys.exit(app.exec_())标签
红外检测 无人机识别 多类型分类 低空安防 反无人机 目标检测 YOLO格式 深度学习数据集 计算机视觉