智能检测小目标无人机、飞机、直升机检测数据集、摄像头视频图片检测、低空安防数据集、反无人机数据集小目标检测、无人机检测、飞机检测、直升机检测、低空目标识别、安防目标检测、飞行器检测数据集

发布时间：2026/7/23 1:24:30

智能检测小目标无人机、飞机、直升机检测数据集、摄像头视频图片检测、低空安防数据集、反无人机数据集小目标检测、无人机检测、飞机检测、直升机检测、低空目标识别、安防目标检测、飞行器检测数据集
智能检测小目标无人机、飞机、直升机检测数据集11998张yolo和voc两种标注方式图像尺寸:512*512类别数量:3类训练集图像数量:10799; 验证集图像数量:603 测试集图像数量:596类别名称: 每一类图像数 每一类标注数AirPlane: 2535,2535Drone: 4728,4812Helicopter: 2523,2628image num: 11998一、数据集信息表格1.1 基础信息表项目详细内容数据集名称小目标无人机、飞机、直升机检测数据集总图像数量11998 张图像分辨率512×512标注格式YOLO、VOC 双格式类别总数3 类训练集10799 张验证集603 张测试集596 张适配模型YOLOv11n轻量模型推荐训练轮数50 epoch运行环境Python 3.8、OpenCV、PyTorch、PyQt5模型代码提供全部训练及测试源代码模型训练使用yolov11n训练50个epoch训练结果map如描述图所示。qt界面运行界面采用pyqt5编写 提供全部源代码支持图片、视频及摄像头进行检测: 界面可实时显示目标位置、目标总数、置信度等信息: 支持检测结果保存;本项目已经训练好模型配置好环境后可直接使用运行效果见描述图像系统环境python3.8 opencv-python PyQt5 torch文件1.完整的数据集文件包括图像yolo格式的txt文件、yaml文件voc格式的xml文件等2.模型代码完整程序文件.py .pt等)3.qt界面源文件、图标.ui、.qrc、.py等1.2 类别标注明细序号英文类别中文类别含该类别图像数标注框总数0AirPlane固定翼飞机253525351Drone无人机472848122Helicopter直升机252326281.3 YOLO 类别列表names[AirPlane,Drone,Helicopter]二、应用场景低空安防监测园区、机场、军事区域、重要场馆低空目标预警识别违规无人机、飞行器。空域管控城市空域、机场净空区智能巡检自动统计飞行器数量、类型。视觉算法研发小目标检测算法训练、对比实验、学术研究、竞赛使用。嵌入式/边缘部署安防摄像头、无人机反制设备、便携巡检终端本地检测。可视化检测系统搭配PyQt界面做成桌面客户端用于日常巡检、演示、项目落地。三、YOLOv11n 全套训练代码3.1 环境依赖# Python 3.8 环境执行pipinstallultralytics torch opencv-python PyQt5 numpy pillow3.2 数据集配置文件aircraft.yamlpath:./aircraft_datasettrain:images/trainval:images/valtest:images/testnc:3names:0:AirPlane1:Drone2:Helicopter3.3 训练代码train.py固定 50 epochfromultralyticsimportYOLOdeftrain_aircraft():# 加载YOLOv11n轻量化模型modelYOLO(yolov11n.yaml)# 训练参数model.train(dataaircraft.yaml,epochs50,imgsz512,batch16,device0,# CPU运行改为 devicecpuworkers4,patience10,ampTrue,mosaic1.0,projectruns/train,nameaircraft_det,exist_okTrue)print(训练完成最优模型已保存至 runs/train/aircraft_det/weights/best.pt)if__name____main__:train_aircraft()3.4 纯模型推理代码predict.pyfromultralyticsimportYOLO# 加载训练好的权重modelYOLO(runs/train/aircraft_det/weights/best.pt)# 单张图片检测# res model(test.jpg, saveTrue, conf0.25)# 图片文件夹批量检测# res model(./test_imgs/, saveTrue, conf0.25)# 视频检测# res model(test.mp4, saveTrue, conf0.25)# 本地摄像头实时检测resmodel(0,saveTrue,conf0.25)3.5 数据集目录结构aircraft_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO txt 标注文件 │ ├── train/ │ ├── val/ │ └── test/ ├── voc_labels/ # VOC xml 标注文件 └── aircraft.yaml四、PyQt5 可视化检测界面完整代码4.1 UI 布局简化版可自行用Qt Designer编辑.ui文件4.1.1 主界面代码ui_main.pyimportsysimportcv2importosfromPyQt5.QtWidgetsimport(QApplication,QMainWindow,QPushButton,QLabel,QFileDialog,QTextEdit,QVBoxLayout,QWidget,QHBoxLayout)fromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QThread,pyqtSignalfromultralyticsimportYOLO# 推理子线程防止界面卡顿classDetectThread(QThread):signal_imgpyqtSignal(object)signal_infopyqtSignal(str)def__init__(self,model,source,save_path):super().__init__()self.modelmodel self.sourcesource self.save_pathsave_path self.runningTruedefrun(self):ifnotos.path.exists(self.save_path):os.makedirs(self.save_path)idx0# 视频/摄像头推理capcv2.VideoCapture(self.source)whileself.running:ret,framecap.read()ifnotret:breakresultsself.model(frame,conf0.25)res_frameresults[0].plot()# 统计目标cls_count{}forboxinresults[0].boxes.cls:cls_nameself.model.names[int(box)]cls_count[cls_name]cls_count.get(cls_name,0)1totalsum(cls_count.values())info_textf目标总数{total}| 类别统计{str(cls_count)}self.signal_img.emit(res_frame)self.signal_info.emit(info_text)# 保存结果save_nameos.path.join(self.save_path,fres_{idx}.jpg)cv2.imwrite(save_name,res_frame)idx1cap.release()defstop_thread(self):self.runningFalse# 主窗口classMainWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(飞行器目标检测系统)self.resize(1200,800)# 加载训练好的模型self.modelYOLO(runs/train/aircraft_det/weights/best.pt)self.detect_threadNoneself.save_dir./detect_result# 布局main_widgetQWidget()self.setCentralWidget(main_widget)main_layoutQHBoxLayout(main_widget)# 左侧显示区域self.img_labelQLabel()self.img_label.setAlignment(Qt.AlignCenter)self.img_label.setStyleSheet(background-color:#000;)main_layout.addWidget(self.img_label,3)# 右侧控制区域right_widgetQWidget()right_layoutQVBoxLayout(right_widget)self.btn_imgQPushButton(打开图片检测)self.btn_videoQPushButton(打开视频检测)self.btn_cameraQPushButton(开启摄像头)self.btn_stopQPushButton(停止检测)self.info_textQTextEdit()self.info_text.setReadOnly(True)# 绑定事件self.btn_img.clicked.connect(self.detect_image)self.btn_video.clicked.connect(self.detect_video)self.btn_camera.clicked.connect(self.detect_camera)self.btn_stop.clicked.connect(self.stop_detect)right_layout.addWidget(self.btn_img)right_layout.addWidget(self.btn_video)right_layout.addWidget(self.btn_camera)right_layout.addWidget(self.btn_stop)right_layout.addWidget(QLabel(检测信息))right_layout.addWidget(self.info_text)main_layout.addWidget(right_widget,1)defshow_frame(self,frame):rgbcv2.cvtColor(frame,cv2.COLOR_BGR2RGB)h,w,chrgb.shape bytes_per_linech*w qt_imgQImage(rgb.data,w,h,bytes_per_line,QImage.Format_RGB888)self.img_label.setPixmap(QPixmap.fromImage(qt_img).scaled(self.img_label.size(),Qt.KeepAspectRatio))defshow_info(self,text):self.info_text.append(text)defstart_thread(self,source):self.stop_detect()self.detect_threadDetectThread(self.model,source,self.save_dir)self.detect_thread.signal_img.connect(self.show_frame)self.detect_thread.signal_info.connect(self.show_info)self.detect_thread.start()defdetect_image(self):path,_QFileDialog.getOpenFileName(self,选择图片,,Image Files(*.jpg *.png *.jpeg))ifpath:imgcv2.imread(path)resself.model(img,conf0.25)res_imgres[0].plot()self.show_frame(res_img)# 统计信息cls_count{}forboxinres[0].boxes.cls:cls_nameself.model.names[int(box)]cls_count[cls_name]cls_count.get(cls_name,0)1totalsum(cls_count.values())self.info_text.append(f图片检测 | 目标总数{total}|{cls_count})# 保存ifnotos.path.exists(self.save_dir):os.makedirs(self.save_dir)cv2.imwrite(os.path.join(self.save_dir,img_result.jpg),res_img)defdetect_video(self):path,_QFileDialog.getOpenFileName(self,选择视频,,Video Files(*.mp4 *.avi))ifpath:self.start_thread(path)defdetect_camera(self):self.start_thread(0)defstop_detect(self):ifself.detect_threadandself.detect_thread.isRunning():self.detect_thread.stop_thread()self.detect_thread.quit()self.detect_thread.wait()defcloseEvent(self,event):self.stop_detect()event.accept()if__name____main__:appQApplication(sys.argv)winMainWindow()win.show()sys.exit(app.exec_())五、项目文件清单数据集文件11998张 512×512 图像YOLO 格式.txt标签、VOC 格式.xml标签数据集配置aircraft.yaml模型代码文件train.py训练脚本predict.py推理脚本训练完成权重best.pt/last.ptPyQt5 界面文件ui_main.py主程序代码可选.ui界面文件、图标资源.qrc环境说明运行环境Python 3.8 torch ultralytics opencv-python PyQt5支持系统Windows、LinuxCPU版本

相关新闻

智能化巡检无人机航拍道路数据集、6类路面损伤数据集、YOLO道路检测数据集道路损伤检测、路面裂缝识别、无人机道路巡检、公路病害检测、横向裂缝、纵向裂缝、斜向裂缝、路面龟裂、道路坑洞、路面修补检测

智能化巡检无人机航拍道路数据集、6类路面损伤数据集、YOLO道路检测数据集道路损伤检测、路面裂缝识别、无人机道路巡检、公路病害检测、横向裂缝、纵向裂缝、斜向裂缝、路面龟裂、道路坑洞、路面修补检测

智能化巡检无人机视角道路损伤分割数据集 ，2412张，yolo，voc，coco三种标注方式 图像尺寸:640*640 类别数量:6类 训练集图像数量:1588; 验证集图像数量:441； 测试集图像数量:383 类别名称: 每一类图像数 ，每一…

2026/7/23 3:04:45 阅读更多 →
智能电网巡检电力设施及缺陷检测数据集电力设施检测、电力缺陷检测、绝缘子检测、输电线路巡检、无人机电力巡检、变电站设备检测、YOLO 电力数据集、VOC 电力数据集、电力目标检测

智能电网巡检电力设施及缺陷检测数据集电力设施检测、电力缺陷检测、绝缘子检测、输电线路巡检、无人机电力巡检、变电站设备检测、YOLO 电力数据集、VOC 电力数据集、电力目标检测

电力设施及缺陷检测数据集，8932张，yolo和voc两种标注方式 19类，标注数量： Insulator: 绝缘子 - 3408 Broken Insulator Cap: 破损的绝缘子帽 - 2011 Insulator Cap: 绝缘子帽 - 22722 Cable: 电缆 - 24605 Tower (Wooden): 木塔 -…

2026/7/23 6:34:04 阅读更多 →
消毒产品生产许可证（卫生许可证）办理流程全解

消毒产品生产许可证（卫生许可证）办理流程全解

消毒产品生产许可证（卫生许可证）办理流程全解 PAQ：消毒产品生产许可证（卫生许可证）办理流程全解 Q1：什么是消毒产品生产许可证？哪些企业必须办？ A：​ 消毒产品生产许可证…

2026/7/23 5:29:35 阅读更多 →

最新新闻

DDoS攻击也在用AI了？聊聊我们遇到的“智能攻击”和应对思路

DDoS攻击也在用AI了？聊聊我们遇到的“智能攻击”和应对思路

DDoS攻击也在用AI了？聊聊我们遇到的“智能攻击”和应对思路 今年上半年，我们一个客户的API服务频繁出现间歇性卡顿。监控上看带宽正常、CPU正常、数据库连接也正常，但业务就是时不时超时。 查了大半个月，最后发现是被打了——一种…

2026/7/23 13:12:24 阅读更多 →
DS16EV5110视频均衡器：原理、设计与长距离HDMI/DVI信号恢复实战

DS16EV5110视频均衡器：原理、设计与长距离HDMI/DVI信号恢复实战

1. 项目概述：为什么我们需要视频均衡器？在数字视频系统里，尤其是像DVI、HDMI这类高速接口，工程师们最头疼的问题之一就是“信号跑不远”。你肯定遇到过这种情况：一台高性能的电脑或者蓝光播放器，用一根两三…

2026/7/23 13:12:24 阅读更多 →
DiffusionDriveV2：截断扩散模型与强化学习的融合创新

DiffusionDriveV2：截断扩散模型与强化学习的融合创新

1. DiffusionDriveV2技术框架解析DiffusionDriveV2的核心创新在于将截断扩散模型与强化学习约束进行有机融合。这个框架主要由三个关键组件构成：截断扩散模型主干网络：采用改进的DDPM（Denoising Diffusion Probabilistic Models）架…

2026/7/23 13:12:24 阅读更多 →
AI降重工具实测：自考论文写作的查重困境与解决方案

AI降重工具实测：自考论文写作的查重困境与解决方案

1. 自考论文写作的AI降重困境（开头段自然引入主题）最近帮几位自考朋友修改论文时发现，随着AI写作工具的普及，一个新的难题出现了——查重系统开始标记AI生成内容。上周有位考生用某AI工具辅助写的论文初稿，在学院查重时…

2026/7/23 13:12:24 阅读更多 →
2026年AI学术写作工具评测与选择指南

2026年AI学术写作工具评测与选择指南

1. AI学术写作工具现状与选择困境2026年的学术圈正在经历一场写作革命。我最近帮实验室的学弟学妹们测试了市面上17款主流AI写作工具，发现不同产品的实际表现差异巨大——有的能自动生成符合APA格式的完整文献综述，有的却连基础的理论框架都搭建混乱。选…

2026/7/23 13:12:24 阅读更多 →
HoRain云--Codex GitHub 集成

HoRain云--Codex GitHub 集成

🎬 HoRain云小助手：个人主页 🔥 个人专栏: 《Linux 系列教程》《c语言教程》 ⛺️生活的理想，就是为了理想的生活! ⛳️ 推荐 前些天发现了一个超棒的服务器购买网站，性价比超高，大内存超划算！…

2026/7/23 13:11:24 阅读更多 →

日新闻

从单点好评到指数级传播：AI副业主理人必须掌握的4层口碑渗透模型（含ROI测算表）

从单点好评到指数级传播：AI副业主理人必须掌握的4层口碑渗透模型（含ROI测算表）

更多请点击： https://intelliparadigm.com 第一章：从单点好评到指数级传播：AI副业主理人必须掌握的4层口碑渗透模型（含ROI测算表） 当AI副业主理人不再仅满足于单次服务交付，而是主动构建可复用、可裂变、可…

2026/7/23 0:00:25 阅读更多 →
AI写作开头钩子设计：为什么你的AI文案完读率不足18%？——基于2,346篇A/B测试报告的归因分析

AI写作开头钩子设计：为什么你的AI文案完读率不足18%？——基于2,346篇A/B测试报告的归因分析

更多请点击： https://codechina.net 第一章：AI写作开头钩子设计：为什么你的AI文案完读率不足18%？——基于2,346篇A/B测试报告的归因分析 在对2,346篇跨行业AI生成文案的A/B测试数据进行聚类分析后，我们发现&#xff1…

2026/7/23 0:01:26 阅读更多 →
Chitchatter完整指南：免费开源的终极点对点安全聊天工具

Chitchatter完整指南：免费开源的终极点对点安全聊天工具

Chitchatter完整指南：免费开源的终极点对点安全聊天工具 【免费下载链接】chitchatter Secure peer-to-peer chat that is serverless, decentralized, and ephemeral 项目地址: https://gitcode.com/gh_mirrors/ch/chitchatter Chitchatter是一款革命性的安…

2026/7/23 0:01:26 阅读更多 →

周新闻

Go语言静态资源打包方案对比与实践指南

Go语言静态资源打包方案对比与实践指南

1. 项目背景与核心需求在Go语言开发中，我们经常需要处理静态资源文件的打包问题。无论是Web应用的模板文件、前端资源，还是配置文件、证书等，都需要随程序一起分发。传统做法是将这些文件与编译后的二进制文件放在同一目录下，但这…

2026/7/22 8:58:19 阅读更多 →
Go语言实现高性能LDAP认证服务的架构与实践

Go语言实现高性能LDAP认证服务的架构与实践

1. 项目背景与核心价值LDAP（轻量级目录访问协议）作为企业级身份认证的黄金标准，已经服务了超过80%的财富500强公司。我在金融科技领域实施统一认证体系时，发现传统Java方案存在启动慢、内存占用高等痛点。而Go语言凭借其协程并发模…

2026/7/22 19:43:43 阅读更多 →
【AI面试官实战指南】：用ChatGPT模拟10类高频技术岗面试，3天提升应答精准度92%

【AI面试官实战指南】：用ChatGPT模拟10类高频技术岗面试，3天提升应答精准度92%

更多请点击： https://intelliparadigm.com 第一章：AI面试官实战指南的核心价值与适用场景 AI面试官并非替代人类HR的“黑箱工具”，而是以可解释、可审计、可迭代的方式，赋能招聘全链路的关键基础设施。其核心价值在于将主观经验沉…

2026/7/22 12:54:44 阅读更多 →

月新闻