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：2026/10/17 21:39:44

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…

2026/10/17 21:39:34 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 -…

2026/10/16 4:06:21 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…

2026/10/17 16:55:40 阅读更多 →

最新新闻

算法习题答案背后的机制：递归、复杂度与工程避坑

算法习题答案背后的机制：递归、复杂度与工程避坑

简介：《数据结构与算法分析（Java语言描述）》第三版教材的配套习题答案文档，适合正在系统学习数据结构和算法、需要用习题检验自身理解的Java学习者与备考学生。文档覆盖文件处理与递归调用、递归算法设计（如求整数二进…

2026/10/17 21:39:43 阅读更多 →
MySQL学生成绩管理系统数据库设计与建表实战指南

MySQL学生成绩管理系统数据库设计与建表实战指南

简介：一套完整的基于Python Flask与MySQL数据库的学生成绩管理系统课程设计报告，适用于计算机科学与技术、软件工程等专业的学生，也适合自学Web开发并需要完成数据库课程设计任务的人。系统围绕学生成绩管理核心业务展开，覆盖在线…

2026/10/17 21:39:43 阅读更多 →
语音识别中的CTC与RNN-T：端到端对齐与工程选型详解

语音识别中的CTC与RNN-T：端到端对齐与工程选型详解

如果你正好在啃语音识别的经典教材或者课程，大概率会在前几章就碰到 CTC 和 RNN-T 这两个名字。我当年第一次看到这两个缩写，脑子里全是问号：CTC 不是通讯技术么，RNN-T 和 RNN 又差在哪？后来在几个语音项目里真正把这两…

2026/10/17 21:39:43 阅读更多 →
144页Transformer讲义精读指南：从注意力机制到工程实践

144页Transformer讲义精读指南：从注意力机制到工程实践

简介：这份144页PPT配套视频课程，面向希望系统掌握Transformer架构的NLP学习者、算法工程师与高校师生，从序列建模的经典方法讲起，逐步深入到注意力机制、大语言模型与高效Transformer等前沿内容。包内共1个PDF文件，约5…

2026/10/17 21:39:43 阅读更多 →
Kafka接入AI的三种路线：MCP提案、会话记忆与实时上下文

Kafka接入AI的三种路线：MCP提案、会话记忆与实时上下文

1. 从一条业务问题说起：Kafka 和 AI 之间到底缺了什么我大概从 2016 年开始重度使用 Kafka，最开始是帮一家电商公司搭日志管道，后来陆续做过金融风控事件流、IoT 设备数据上报、实时数仓同步，再到近两年开始给大模型应用做数据底座…

2026/10/17 21:39:43 阅读更多 →
Python Flask+MySQL学生成绩管理系统：数据库设计与触发器实践

Python Flask+MySQL学生成绩管理系统：数据库设计与触发器实践

简介：围绕 MySQL 学生成绩管理系统展开的数据库课程设计文档，完整覆盖系统总体设计、需求分析、概要设计、系统实现与测试总结全流程，适合计算机专业学生用于数据库课设、毕业设计或 FlaskMySQL 入门实践。文档以华东交通大学课程设计报告为原…

2026/10/17 21:38:42 阅读更多 →

日新闻

DeepSeek选型与部署：V3/R1、Ollama、API全攻略

DeepSeek选型与部署：V3/R1、Ollama、API全攻略

简介：《DeepSeek使用方法.pdf》是一份面向DeepSeek入门及进阶用户的完整使用指南，重点围绕V3与R1两款模型的能力差异与适用场景展开，帮助读者根据任务类型与成本选择合适的模型。资源共1个PDF文件，压缩包大小约311KB，篇…

2026/10/17 0:00:25 阅读更多 →
200+Deepseek润色指令拆解：从底层原理到场景落地的完整指南

200+Deepseek润色指令拆解：从底层原理到场景落地的完整指南

简介：这是一份聚焦DeepSeek提示词优化的《200Deepseek润色指令》PDF文档，共收录两百余条可直接套用的润色指令，涵盖语法修正、风格统一、逻辑梳理、表达精炼等维度，并针对商务写作、学术论文、广告文案等场景给出差异化建议。文档…

2026/10/17 0:00:25 阅读更多 →
OpenCV轮廓法物体计数系统：轻量、可控、可落地的工业级实现

OpenCV轮廓法物体计数系统：轻量、可控、可落地的工业级实现

简介：本资源是一份基于OpenCV的本科课程设计完整报告，面向计算机视觉初学者、图像处理学习者及高校通信/信息类专业学生，解决物体智能计数与检测结果结构化记录的实际问题。项目覆盖图像预处理、轮廓检测、边界框绘制、轨迹栏交互式参数调节、…

2026/10/17 0:00:25 阅读更多 →

周新闻

流感时间序列预测实战：ARIMA/LSTM全流程拆解与避坑指南

流感时间序列预测实战：ARIMA/LSTM全流程拆解与避坑指南

简介：基于 ARIMA、LSTM、Transformer 等模型的流感时间序列预测 Python 源码，面向计算机相关专业课程设计与期末大作业学生，以及项目实战学习者。内容覆盖预处理、平稳性检验、定阶、残差分析、多模型对比预测的完整时序建模流程，…

2026/10/16 21:35:51 阅读更多 →
影刀RPA新手教程：键盘模拟输入实战——输入文本与模拟按键的区别

影刀RPA新手教程：键盘模拟输入实战——输入文本与模拟按键的区别

影刀RPA新手教程：键盘模拟输入实战——输入文本与模拟按键的区别 做影刀RPA自动化，十个新手有八个栽在"往输入框里填东西"这件事上：要么填不进去，要么填了一半，要么直接把原来内容追加在后面。这背后的根因&…

2026/10/17 1:44:59 阅读更多 →
影刀RPA新手教程：阅文起点小说数据采集实战——书籍信息与章节内容

影刀RPA新手教程：阅文起点小说数据采集实战——书籍信息与章节内容

影刀RPA新手教程：阅文起点小说数据采集实战——书籍信息与章节内容 1. 认识影刀：什么场景该用RPA采小说数据 起点中文网的页面结构相对稳定——分类榜单、书籍详情、章节内容三块独立页面，跳转链路清晰。这种场景非常适合影刀自动化&#x…

2026/10/16 15:04:24 阅读更多 →

月新闻

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/16 21:54:38 阅读更多 →
Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/17 17:22:31 阅读更多 →
黑夜航拍船只数据集训练YOLOV5模型全流程解析

黑夜航拍船只数据集训练YOLOV5模型全流程解析

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/16 14:23:36 阅读更多 →