简介飞机型号识别数据集04面向从事目标检测与细粒度图像分类的算法研究者、军工爱好者及高校学生采集自俄罗斯机场覆盖苏霍伊、米格、安东诺夫、伊尔、雅克、图波列夫等47种军民机型可用于飞机检测、型号识别与军机分类等任务。资源包共2001个文件含1000张1024×768可见光RGB图像、1000个labelimg标注的xml标签及1个说明txt压缩包约250.43MB图像与标签一一对应可直接用于YOLO、Faster R-CNN等框架的训练与验证。目前已有218人学习下载。该批次与02、03、05等批次采集地点和机型种类均不相同适合作为多场景泛化实验的补充数据帮助读者快速搭建飞机识别基线、验证模型跨域表现并积累细粒度分类经验。1. 飞机型号识别数据集从“能框住”到“认出是哪一型”的分水岭很多人第一次做飞机检测都会卡在同一个地方模型能把天空里的飞机框出来但框完就结束了问它是歼-20、F-16 还是波音 737答不上来。这不是模型不行而是数据集的任务定义从一开始就分成了两条路——飞机目标检测只要求定位飞机型号识别要求定位加细粒度分类。标题里这一串词本质上是在讲一个从粗到细的完整链路飞机分类数据集解决“是什么”飞机目标检测数据集解决“在哪里”军机识别则把两者叠在一起还要面对类间差异极小、类内差异极大的问题。这套数据适合三类人做遥感图像目标检测的、做细粒度图像分类的、以及想把检测和识别串成流水线的。如果你手里只有通用 COCO 里那个“airplane”类你会发现它把所有机型揉成一类训出来的模型换个机场就翻车。真正能用的飞机型号识别数据集标注粒度必须落到具体型号而不是“飞机”两个字。接下来我会按数据组织、检测训练、分类训练、避坑、进阶验证的顺序把这条链路拆开讲清楚。2. 飞机型号识别数据集怎么组织目录、标注与类别体系2.1 检测数据集和分类数据集的目录结构差异飞机目标检测数据集和飞机分类数据集虽然都叫“飞机数据集”但目录组织逻辑完全不同。检测数据集的核心是“一张图 一个标注文件”标注文件里每行是一个框分类数据集的核心是“一张图 一个类别文件夹”类别信息藏在路径里。很多人把两者混在一个目录里结果训练脚本读标注时找不到图读分类时又把框坐标当成了噪声。我一般会这样分dataset/ ├── detection/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ ├── labels/ │ │ ├── train/ │ │ └── val/ │ └── data.yaml └── classification/ ├── train/ │ ├── A320/ │ ├── B737/ │ ├── F16/ │ └── J20/ └── val/ ├── A320/ ├── B737/ ├── F16/ └── J20/检测部分用 YOLO 格式时labels下每个.txt和images下的图一一对应每行是class_id x_center y_center width height全部归一化到 0~1。分类部分直接按类别建文件夹ImageFolder或tf.keras.utils.image_dataset_from_directory都能直接读。这样拆开的好处是检测模型和分类模型可以独立迭代不会因为一边改标注把另一边搞崩。注意检测标注里的类别 id 和分类文件夹名必须有一张映射表否则后面串流水线时会出现“框对了但标签错位”的玄学问题。2.2 类别体系怎么定军机识别和民航分类不能混在一层军机识别和民航飞机分类的类别体系设计逻辑不一样。民航机型之间差异相对固定比如 A320 和 B737 的翼尖小翼、发动机短舱形状有稳定区别军机则经常出现同一型号不同改型、不同涂装、不同挂载类内差异极大。如果你把“歼-20”“F-22”“苏-57”和“A320”“B737”放在同一个 softmax 层里模型会学到“军机 vs 民航”这种粗分而不是真正的型号识别。常见做法是分两级第一级做“军机 / 民航 / 其他”粗分第二级在各自子集里做细粒度分类。检测阶段可以只用一个“aircraft”类把定位做好分类阶段再按子任务分别训模型。这样检测模型不用频繁改类别数分类模型可以针对军机或民航单独调参。# 类别映射表示例检测 id - 分类文件夹名 det_to_cls { 0: A320, 1: B737, 2: F16, 3: J20, } # 军机和民航分组用于两级分类 group_map { A320: civil, B737: civil, F16: military, J20: military, }这段映射的作用是检测模型输出框和class_id后用det_to_cls找到对应分类模型再用group_map决定走哪一级分类器。参数上det_to_cls的 key 必须和data.yaml里的names顺序一致否则会出现“框的是 F16分类器却按 J20 去认”的翻车现场。2.3 标注工具选型和标注质量检查目标检测常用标注工具里LabelImg、CVAT、Labelme 都能做飞机框标注。飞机目标检测的难点在于小目标多、密集排列多、部分遮挡多。用 LabelImg 画框时如果图分辨率是 4000×3000飞机只占 80×60 像素框稍微偏几个像素归一化后 IoU 就掉到 0.5 以下。我一般会先把大图切块再标或者直接用 CVAT 的放大视图。标完之后必须做一轮质量检查重点看三件事框是否越界、类别 id 是否写错、空标注文件是否残留。下面这段脚本用来快速扫一遍 YOLO 格式标注import os def check_yolo_labels(label_dir, img_dir): issues [] for txt in os.listdir(label_dir): if not txt.endswith(.txt): continue path os.path.join(label_dir, txt) img_name txt.replace(.txt, .jpg) if not os.path.exists(os.path.join(img_dir, img_name)): issues.append(f缺图: {txt}) continue with open(path) as f: lines [l.strip() for l in f if l.strip()] if len(lines) 0: issues.append(f空标注: {txt}) continue for i, line in enumerate(lines): parts line.split() if len(parts) ! 5: issues.append(f字段数错: {txt} 第{i1}行) continue cls, x, y, w, h map(float, parts) if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): issues.append(f越界: {txt} 第{i1}行) return issues issues check_yolo_labels(dataset/detection/labels/train, dataset/detection/images/train) print(f共发现 {len(issues)} 个问题) for it in issues[:20]: print(it)逻辑说明遍历labels/train下所有.txt先检查对应图片是否存在再检查是否空文件最后逐行验证字段数和归一化范围。参数上label_dir和img_dir必须指向同一 split否则会把 val 的图当成 train 的缺图。跑完如果问题数超过总标注文件的 2%建议先修再训不然后面 mAP 上不去你会以为是模型问题。3. 用 YOLO 跑通飞机目标检测从 data.yaml 到训练命令3.1 data.yaml 的四个必填字段和路径坑飞机目标检测数据集接 YOLO 训练时data.yaml是最容易出问题的地方。常见字段就四个path、train、val、names。path是数据集根目录train和val是相对path的图片目录names是类别名列表。很多人把train写成绝对路径换台机器就找不到也有人把names写成字典YOLO 直接报类型错。path: /data/aircraft/detection train: images/train val: images/val names: 0: aircraft如果要做军机识别可以把names改成具体型号names: 0: A320 1: B737 2: F16 3: J20参数说明path建议用绝对路径避免训练脚本工作目录变化导致找不到train和val不要带前导斜杠names的 key 必须从 0 连续递增中间断号会让类别 id 和标签对不上。改完data.yaml后先跑一次yolo checks或手动ls确认路径存在再开始训练。3.2 训练命令和关键超参小目标检测要改哪几个飞机目标检测里小目标占比高默认 YOLO 配置直接跑小飞机召回率往往很低。我一般会改三个地方输入分辨率、imgsz、以及数据增强里的mosaic和scale。输入分辨率从 640 提到 1024 或 1280小目标像素数翻倍召回明显改善但显存也翻倍。mosaic对小目标有帮助但飞机图如果背景单一mosaic可能把飞机拼到奇怪背景上反而引入噪声可以适当降低概率。yolo detect train \ data/data/aircraft/detection/data.yaml \ modelyolov8n.pt \ imgsz1024 \ epochs100 \ batch8 \ mosaic0.5 \ scale0.3 \ degrees0.0 \ fliplr0.5 \ projectruns/aircraft \ namedet_v1逻辑说明imgsz1024提升小目标分辨率batch8是在显存允许下尽量大太小 BN 统计不稳mosaic0.5保留一半概率做拼接增强scale0.3控制随机缩放幅度飞机尺度变化大时可以调到 0.5degrees0.0是因为航拍图旋转后标注框也要跟着转YOLO 默认旋转增强对水平框不友好容易把框转歪。训练完看runs/aircraft/det_v1/results.csv重点看metrics/mAP50-95和metrics/recall如果 recall 低但 precision 高说明漏检多优先提imgsz或降conf阈值。3.3 推理和导出把检测结果接到分类模型上检测训完后推理阶段要把框裁出来送给分类模型。这里有个细节裁框时不要刚好裁到框边界要往外扩 10%~20%否则机翼、尾翼容易被切掉分类模型看到的是一截机身型号识别准确率会掉。下面这段是检测加裁剪的示例from ultralytics import YOLO import cv2 det_model YOLO(runs/aircraft/det_v1/weights/best.pt) img cv2.imread(test.jpg) results det_model(img, conf0.25, iou0.5)[0] crops [] for box in results.boxes: x1, y1, x2, y2 map(int, box.xyxy[0].tolist()) w, h x2 - x1, y2 - y1 pad_w, pad_h int(w * 0.15), int(h * 0.15) x1 max(0, x1 - pad_w) y1 max(0, y1 - pad_h) x2 min(img.shape[1], x2 pad_w) y2 min(img.shape[0], y2 pad_h) crop img[y1:y2, x1:x2] crops.append(crop) cv2.imwrite(fcrop_{len(crops)}.jpg, crop)参数说明conf0.25是检测置信度阈值飞机目标通常可以降到 0.2 提召回iou0.5是 NMS 阈值密集停机坪场景可以降到 0.4 减少重叠框pad_w和pad_h取框宽高的 15%太小会切掉翼尖太大引入背景。裁出来的crops直接送分类模型分类模型输入尺寸一般 224 或 288记得做同样的归一化。4. 飞机分类数据集训练细粒度识别的参数和增强策略4.1 分类模型选型和迁移学习设置飞机型号识别属于细粒度分类类间差异集中在翼尖、发动机、尾翼这些局部区域。直接用 ResNet50 从头训数据量不够时很容易过拟合。常见做法是用 ImageNet 预训练权重做迁移先冻结 backbone 训分类头再解冻最后几个 stage 微调。学习率上分类头可以用 1e-3backbone 微调用 1e-4 或更低否则预训练特征会被破坏。import torch import torch.nn as nn from torchvision import models model models.resnet50(weightsmodels.ResNet50_Weights.IMAGENET1K_V2) num_classes 4 # A320, B737, F16, J20 model.fc nn.Linear(model.fc.in_features, num_classes) # 先冻结 backbone for name, param in model.named_parameters(): if fc not in name: param.requires_grad False criterion nn.CrossEntropyLoss(label_smoothing0.1) optimizer torch.optim.AdamW(model.fc.parameters(), lr1e-3, weight_decay1e-4)逻辑说明weightsIMAGENET1K_V2加载预训练权重label_smoothing0.1缓解过拟合细粒度任务里标签偶尔有歧义平滑一下更稳AdamW的weight_decay1e-4控制权重衰减。冻结阶段跑 5~10 个 epoch等验证准确率不再涨再解冻layer4和fc学习率降到 1e-4 继续训。4.2 细粒度分类的数据增强CutMix、MixUp 和随机擦除飞机分类数据集如果每类只有几百张增强策略直接决定上限。普通随机裁剪和翻转不够细粒度任务常用 CutMix 和 MixUp让模型不要只盯着最显眼的机身而是学会看局部判别区域。随机擦除Random Erasing也能逼模型关注机翼、尾翼这些被遮挡后仍然可辨的部位。from torchvision import transforms train_tf transforms.Compose([ transforms.Resize(288), transforms.RandomResizedCrop(288, scale(0.6, 1.0)), transforms.RandomHorizontalFlip(), transforms.ColorJitter(0.2, 0.2, 0.2), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), transforms.RandomErasing(p0.25, scale(0.02, 0.15)), ])参数说明Resize(288)比 224 保留更多细节适合细粒度RandomResizedCrop的scale(0.6,1.0)控制裁剪比例太小会把飞机裁没ColorJitter模拟不同光照和涂装RandomErasing的p0.25表示 25% 概率擦除scale(0.02,0.15)控制擦除面积太大可能把整个飞机擦掉。CutMix 和 MixUp 一般在 dataloader 里按 batch 做alpha取 1.0 或 0.2训练初期可以关掉后期再开。4.3 类别不平衡和难例挖掘军机识别里某些型号公开图少类别不平衡很常见。直接训会让模型偏向多数类少数类召回极低。常见做法是给CrossEntropyLoss加weight或者用重采样。权重按类别频率的倒数算但不要完全按倒数否则少数类会被过度采样导致过拟合。import numpy as np class_counts np.array([500, 480, 120, 80]) # 每类样本数 weights 1.0 / np.sqrt(class_counts) weights weights / weights.sum() * len(class_counts) class_weights torch.tensor(weights, dtypetorch.float32) criterion nn.CrossEntropyLoss(weightclass_weights, label_smoothing0.1)逻辑说明用1/sqrt(count)而不是1/count是为了在平衡类别的同时不让极少类权重爆炸归一化后乘类别数保持 loss 量级和原来接近。训练时另外记录每个类的召回如果少数类召回持续低于 0.5可以把该类的图做更多增强或者单独训一个二分类器做难例挖掘。5. 飞机型号识别常见问题排查从 mAP 不涨到分类混淆5.1 检测 mAP 卡在 0.3 上不去现象训练 loss 在降但mAP50一直在 0.3 左右小目标召回尤其低。原因通常是输入分辨率不够或者标注框太小被 YOLO 的 anchor 忽略。解决先把imgsz从 640 提到 1024再看data.yaml里names是否和标注 id 一致。如果还不行检查标注框归一化后宽高是否小于 0.01这种极小框建议合并或剔除。5.2 分类模型在验证集上准确率很高一上测试图就崩现象验证集准确率 0.95换一批新图掉到 0.6。原因多半是验证集和训练集同分布模型学到了背景捷径比如“停机坪背景就是 A320”。解决按拍摄地点、光照、分辨率做分组划分确保验证集和训练集不共享背景同时加 RandomErasing 和 CutMix逼模型看飞机本身。5.3 军机识别里 F-16 和苏-27 总是互相混淆现象混淆矩阵里 F-16 和 Su-27 互相错分。原因两者都是单垂尾、双发、翼身融合远距离小图里差异极小。解决提高输入分辨率到 320 以上裁框时多留翼尖和尾喷口区域如果数据允许加一个“局部判别”分支专门看机翼前缘和尾翼形状。5.4 检测框对了分类标签错位现象框的位置没问题但分类结果和框里的飞机对不上。原因检测class_id和分类文件夹映射表顺序不一致或者多框裁剪时crops顺序和boxes顺序没对齐。解决打印det_to_cls和data.yaml的names逐项核对裁剪时用enumerate把框索引和 crop 绑定不要依赖列表顺序。5.5 训练到一半 loss 突然变 NaN现象前几十个 epoch 正常突然 loss 变 NaN。原因学习率太大、梯度爆炸或者数据里有坏图全黑、全白、尺寸为 0。解决加梯度裁剪torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)训练前用脚本扫一遍图片剔除尺寸小于 32×32 或通道数不为 3 的图学习率加 warmup前 3 个 epoch 从 1e-5 线性升到设定值。6. 进阶验证用混淆矩阵和 t-SNE 判断模型到底学到了什么训练完只看准确率是不够的飞机型号识别尤其要看混淆矩阵。混淆矩阵能告诉你模型把哪些型号搞混了比如 F-16 和 F-2 互相错分说明模型可能只学到了“单垂尾”这个粗特征。我一般会在验证集上跑一遍用 sklearn 画归一化混淆矩阵重点看对角线以外的值。from sklearn.metrics import confusion_matrix import seaborn as sns import matplotlib.pyplot as plt # y_true, y_pred 是验证集标签和预测结果 cm confusion_matrix(y_true, y_pred, normalizetrue) sns.heatmap(cm, annotTrue, fmt.2f, xticklabelsclass_names, yticklabelsclass_names) plt.xlabel(Predicted) plt.ylabel(True) plt.savefig(confusion_matrix.png, dpi150)如果混淆矩阵显示某两类互相错分严重下一步不是盲目加数据而是把这两类的图单独抽出来做 t-SNE。t-SNE 把分类模型倒数第二层特征降到二维看两类特征是否混在一起。如果混在一起说明模型提取的特征本身区分度不够需要换更强的 backbone 或者加局部注意力模块如果分得开但分类头错分说明分类头容量不够或学习率没调好。另一个验证技巧是“遮挡测试”把飞机图里的机翼、尾翼、发动机分别遮住看分类置信度掉多少。掉得最多的区域就是模型真正依赖的判别区域。如果遮住背景置信度反而涨说明模型一直在看背景这时候要回去检查数据划分和增强策略。我自己的习惯是每训完一版模型先看混淆矩阵再抽 20 张错分图做遮挡测试基本能定位到是数据问题还是模型问题。这套流程跑下来飞机型号识别从检测到分类的链路才算真正闭环。希望帮到你。本文还有配套的精品资源点击获取