简介这是一份面向目标检测学习与开发者的固定翼无人机检测数据集适用于需要快速搭建无人机视觉识别任务的项目可直接用于yolov5、yolov7、yolov8等主流算法的训练与验证。数据集中包含数百张真实场景下的无人机图像标签统一为mq-20-drone仅有一个类别且已按train、val、test科学划分完毕附有配置好的data.yaml文件images与labels目录一一对应结构规范导入即可开始训练。压缩包共624个文件其中362张jpg原始图像、260个txt格式标注文件以及2个yaml配置整体大小约14.56MB轻量且便于下载。目前已有1098人学习浏览适合刚接触yolo系列或希望在固定翼无人机检测方向快速产出入门成果的学习者。借助该数据集读者能省去手动标注、格式转换与数据集划分等繁琐步骤直接体验从模型读取数据、训练权重到验证效果的完整流程也便于横向对比不同yolo版本在此类目标上的性能差异。1. 几百张固定翼无人机图片怎样才不算「白下载」做固定翼无人机目标检测时最头疼的不是网络结构而是标注数据。手里这份几百张的yolo大型固定翼无人机检测数据集标签是yolo格式的txt已经按train/val/test划分好还带着一个data.yaml。意思是说下载解压之后yolov5、yolov7、yolov8这类框架可以直接进入训练不用重新配目录、不用转换格式。但这不代表双击就能跑几百张小样本数据集里藏着不少翻车点。这篇文章把这份数据集从目录结构到训练验证拆一遍也把踩坑记录写出来适合刚拿到数据集准备训练的从业者。2. 先拆开看yolo格式数据集的标准结构与data.yaml拿到压缩包第一件事不是急着开训而是先看清楚目录和标签。yolo格式看着简单实际项目里因为目录结构理解错导致训练失败的情况非常多。这一章把这套结构拆开讲。2.1 标签txt里每行五个数的含义这份数据集每个txt文件对应一张图片txt里的每一行代表一个目标框格式固定为五个数类别编号、归一化中心x、归一化中心y、归一化宽度、归一化高度。归一化指的是除以图片原始宽高所以五个数都在0到1之间小数位数一般是六位。我一般会写一小段脚本把单个标签解析出来换算回像素坐标直观确认标注质量。示例脚本如下。# 将yolo归一化坐标转成像素坐标并打印 from pathlib import Path def parse_yolo_label(label_path, img_w, img_h): lines Path(label_path).read_text().strip().splitlines() for line in lines: parts line.split() if len(parts) ! 5: print(fskip bad line: {line}) continue cls, cx, cy, w, h parts cx, cy, w, h float(cx), float(cy), float(w), float(h) x1 int((cx - w / 2) * img_w) y1 int((cy - h / 2) * img_h) x2 int((cx w / 2) * img_w) y2 int((cy h / 2) * img_h) print(fclass {cls}: [{x1}, {y1}, {x2}, {y2}]) parse_yolo_label(labels/train/001.txt, 640, 640)这段脚本按行解析标签文件把归一化中心坐标和宽高换算成左上角与右下角的像素坐标方便人工核对标注框是否贴合飞机轮廓。这里img_w和img_h要传图片的实际宽高如果直接拿640x640凑数遇到长宽比悬殊的图片换算结果会偏。标签解析出来之后重点看两类东西一是类别编号不能大于data.yaml里的nc数量减1二是每个框的宽高要明显大于几个像素如果一批只有1到2像素的小框说明标注时把大目标缩略图的噪声也标进去了训练出来容易出虚警。2.2 目录划分与data.yaml的映射关系yolo标准目录一般长这样images和labels两个大目录下再按train、val、test分子目录。图片在images/train里同名同后缀的txt就在labels/train里。文件名完全一一对应没有额外索引文件。这份资源给的data.yaml内容只有两行关键的nc: 1表示只有一个类别names: [mq-20-drone]表示类别名是mq-20无人机。完整可训练的data.yaml一般还要写清楚path、train、val、test四个路径字段。下面的表格列一下常用字段下载解压后建议对照检查。字段含义本资源情况path数据集根目录可绝对可相对解压后需确认train训练图片目录路径已按子目录划分val验证图片目录路径已按子目录划分test测试图片目录路径已按子目录划分nc类别数量1names类别名称列表与标签编号对应[mq-20-drone]常见问题是data.yaml里的路径是作者机器上的绝对路径换一台电脑直接报错找不到图片。我拿到任何一份数据集都会先把path字段改成相对路径或者改成自己机器上的实际路径。yolov5和yolov8对path字段的处理略有差异yolov8里path是根目录train和val写相对路径即可yolov5则更依赖train和val的完整相对关系所以这份资源如果两个框架要换着用建议按各自规范各写一个data.yaml。2.3 第一步检查图像与标签是否一一对应训练框架在读取时如果某张图没有同名txt会把这张图当成无目标的背景图参与训练。这个行为有好有坏坏处是明明是标注漏了结果模型学到「这张图没有飞机」直接拉低召回。反过来一个txt找不到对应图片训练时会报warning但不中断时间长了容易被忽略。所以拿到数据后先做同名配对的检查。# 检查images/train与labels/train下文件名是否一一对应 cd datasets/drone for img in images/train/*.jpg; do base$(basename $img .jpg) if [ ! -f labels/train/$base.txt ]; then echo missing label: $img fi done for lbl in labels/train/*.txt; do base$(basename $lbl .txt) if [ ! -f images/train/$base.jpg ]; then echo missing image: $lbl fi done这段bash脚本遍历训练集的图片目录逐个检查同名标签是否存在反向再查一遍标签对应的图片是否存在。两轮检查下来缺失项都会列出来。如果缺失数量在个位数可以把对应的图片或标签从数据集里移走而不是强行补一个空文件。如果缺失很多说明下载的压缩包不完整需要重新获取。提示文件名后缀不一定是jpg有可能是png或jpeg检查时要把后缀变量改成实际格式或者用通配符先把后缀取出来再比对。花费十分钟做完一一对应检查后面训练时能少不少玄学问题。很多「验证集mAP很高但实际推理啥也检测不到」的诡异现象根源就在标签与图片错位这个坑值得在训练前排除掉。3. 训练前必做的三类清洗坏图、空标签、类别失衡标签格式对得上只是第一步真正影响训练质量的是图片本身能不能被框架正确读取、标签框有没有越界、类别分布是否极端。这一章把训练前清洗的三个环节完整走一遍。3.1 图片完整性检查与坏图过滤从网上下载整理的数据集偶尔会混入扩展名正确但内容损坏的图片。这类坏图在训练时会在数据加载阶段报OSError或解码失败有的框架直接跳过有的框架整个进程崩掉。训练到一半崩掉的成本远大于提前检查所以先跑一遍完整性扫描。# 用PIL逐张验证图片能否被正常打开解码 from PIL import Image from pathlib import Path bad_images [] for img_path in Path(images/train).glob(*.*): try: with Image.open(img_path) as img: img.verify() except Exception as e: bad_images.append((str(img_path), str(e))) for path, err in bad_images: print(fcorrupted: {path} - {err}) print(fchecked all, found {len(bad_images)} bad images)img.verify()只做解码校验不把完整图像加载进内存速度很快。几百张图几秒就能扫完。扫出来的坏图直接移出数据集并同步删除对应的标签文件避免后面训练时标签和图片数量又对不上。3.2 标签合法性检查越界与空标签yolo格式的坐标虽然写成0到1之间但实际标注工具导出时偶尔会出现大于1或小于0的值尤其是目标贴边时。训练框架对这类越界坐标一般会做clip处理但clip后框的位置会有偏差小目标贴边时偏差尤为明显。另一个常见问题是空标签文件即txt里没有任何一行这类文件会让模型把对应图片当背景。# 检查所有训练标签是否越界或为空 from pathlib import Path def check_labels(label_dir, max_cls0): bad_files [] for lbl_path in Path(label_dir).glob(*.txt): lines lbl_path.read_text().strip().splitlines() if not lines: bad_files.append((str(lbl_path), empty label)) continue for line in lines: parts line.split() if len(parts) ! 5: bad_files.append((str(lbl_path), bad field count)) continue cls, cx, cy, w, h map(float, parts) if cls max_cls: bad_files.append((str(lbl_path), fclass id {cls} out of range)) if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): bad_files.append((str(lbl_path), fcoords out of bounds: {line})) return bad_files for f, reason in check_labels(labels/train, max_cls0): print(f, -, reason)这段脚本对每个标签文件逐行解析检查字段数量是否为5、类别编号是否在data.yaml允许范围内、坐标是否落在0到1之间。max_cls设成0是因为这份数据集nc为1唯一类别编号是0。如果发现空标签我先确认图片里是否真的没有目标确认后把空文件和对应图片一起移到backup目录不留在训练集里这样模型不会被无效背景图干扰。3.3 小样本数据集的类别分布评估几百张训练图对yolo系列来说属于小样本类别分布和尺寸分布直接决定要不要开增强、开多大增强。这一步不是可选项我每次都会统计因为固定翼无人机在画面里的占比差异很大有的图里飞机很大有的图里只是几个像素的小点。# 统计训练集中目标数量与目标尺寸分布 from pathlib import Path import statistics sizes [] counts [] for lbl_path in Path(labels/train).glob(*.txt): lines lbl_path.read_text().strip().splitlines() per_img [] for line in lines: _, _, _, w, h map(float, line.split()) area w * h per_img.append(area) sizes.append(area) counts.append(len(per_img)) print(fimages: {len(counts)}, avg targets/img: {statistics.mean(counts):.2f}) print(ftarget area: min{min(sizes)*10000:.2f}%, max{max(sizes)*10000:.2f}%) print(fsmall targets(1% area): {sum(1 for s in sizes if s 0.01)})这里用归一化宽高相乘得到目标占整图的面积比例min/max可以看出大目标和小目标混合程度小于0.01的算小目标。如果小目标占比较高训练时imgsz不要设太小mosaic增强会让目标被切分得更碎建议关掉或降权。如果目标都偏大那反而要小心过拟合增强和dropout可以重点开。统计完这三项数据集的「底细」基本摸清了。这样后续调参就不是盲猜而是有数据支撑的决策。4. 从零跑通yolov8训练参数设置与验证集监控数据清洗完就可以正式进入训练环节了。这一章以yolov8为例讲完整流程因为这套资源在yolov5和yolov7下也同样适用只需要按框架规范调整data.yaml写法。训练阶段重点讲两件事参数怎么设、日志怎么看。4.1 环境准备与目录挂载训练前先确认环境里有没有ultralytics库。我这里用一个独立的conda环境跑避免把工作环境搞乱。安装只需要一行命令但版本差异会导致参数名不一样所以建议直接装当前最新稳定版。# 创建独立虚拟环境并安装ultralytics conda create -n drone_yolo python3.10 -y conda activate drone_yolo pip install ultralytics # 验证安装并查看版本 python -c import ultralytics; print(ultralytics.__version__)ultralytics库安装好之后yolov8的检测、训练、验证、导出都用同一个命令行入口。训练时用yolo detect train命令验证用yolo detect val推理用yolo detect predict。先把data.yaml放到数据集根目录设置好相对路径后续参数都以这个yaml为基准。提示如果机器上有多个conda环境确认训练前已经activate到目标环境。训练中途才发现用的是预期环境是最常见的低级翻车。4.2 训练参数怎么设小样本场景下的推荐值小样本数据集最忌讳直接拿默认参数跑。yolov8默认epoch是100但对几百张图来说100轮很容易过拟合尤其是模型较大时。我习惯先跑一个30轮的小实验看趋势确认loss在下降、mAP在上升再决定拉长轮次。下面的参数表是我处理类似规模数据集时的基准设置。参数推荐值说明modelyolov8s.pt或yolov8m.pt样本少时用s起步不行再换mepochs60到100先跑30轮小实验观察batch16或32显存够就32收敛更稳imgsz640或1280小目标多就1280速度慢可接受patience20早停耐心值防过拟合optimizerAdamW小数据集收敛比SGD快lr00.001默认偏高降一点更稳mosaic0.5或1.0小目标多时建议0.5训练命令写出来就是一长串参数拼接。下面这一段是完整命令关键参数都写了注释对应的作用。# 在数据集根目录执行yolov8s训练 yolo detect train \ modelyolov8s.pt \ datadata.yaml \ epochs60 \ batch16 \ imgsz640 \ patience20 \ optimizerAdamW \ lr00.001 \ mosaic0.5 \ projectruns/drone \ nameexp_01把project和name指向独立目录方便多次实验对比。patience设为20意味着验证集mAP连续20轮不上升就提前结束训练这在小样本场景很实用能省时间。mosaic在小目标占比高时开到0.5而不是1.0因为mosaic把四张图拼在一起目标被切碎的概率变大这部分在避坑章里会详细展开。4.3 训练日志怎么看loss曲线、mAP与混淆矩阵训练结束后不要只看最后一个epoch的mAP完整日志里信息量更大。yolov8输出里最值得关注的是验证集mAP50和mAP50-95两条曲线mAP50反映的是框得准不准mAP50-95反映的是框的精细程度固定翼无人机这种细长目标mAP50-95通常偏低这是正常现象。我一般会在训练过程中盯三个点训练损失是否平稳下降、验证损失是否在后期反弹、mAP曲线是否还在上升。如果训练损失降了但验证损失明显反弹说明过拟合已经开始是时候早停了如果两个损失都平稳但mAP就是上不去说明数据问题大于模型问题。# 查看训练结果指标 cat runs/drone/exp_01/results.csv # 可视化混淆矩阵图片 ls runs/drone/exp_01/confusion_matrix.pngresults.csv里每个epoch一行包含训练和验证的全部指标可以直接用表格软件打开排序。confusion_matrix.png看的是分类对不对对本数据集这种单类别场景漏检率比误检率更值得关注background一栏数值高说明图片里有飞机但没被框出来。这一套流程跑完模型文件best.pt会保存在exp_01/weights目录下。后续验证和推理都用best.pt而不是最后一轮权重因为早停机制保存的是验证集表现最好的那一轮不是最后那一轮。5. 避坑固定翼无人机检测中的常见问题小样本无人机数据集训练绕不开几个典型坑。这一章写我实际处理中遇到频率最高的五条全部按现象、原因、解决三步记录新手照着排查能省下大量时间。5.1 中文路径目录导致训练直接中断这个坑出现在下载解压环节。数据集按默认方式解压后目录名是中文「无人机数据集-固定翼」这类训练命令一执行就在读取数据阶段报错错误信息指向路径编码问题。原因底层库对路径中的非ASCII字符处理不健壮尤其Windows下遇到中文目录名时容易崩溃。解决解压后第一时间把数据集根目录和所有父目录改成纯英文路径例如drone_dataset再重新配置data.yaml里的path字段。不要试图在代码里转码直接改名最省事。5.2 验证集mAP很高但视频推理漏检严重训练时mAP50达到0.9以上但把视频拉进模型推理时中远距离的固定翼无人机经常漏检只有近景大目标能框出来。原因训练图里近距离大图占比高中远距离小目标标注样本少模型在训练时没学够小目标特征同时mosaic增强把本来就不大的目标切得更碎小目标更难学。解决对训练集中小目标样本做针对性增强关闭mosaic或降到0.3把imgsz从640提到1280必要时对小目标区域做裁剪复制增强把飞机贴到不同背景里补齐样本分布。5.3 标签类别编号从1开始导致训练类别错乱个别标注导出工具的类别编号从1开始这份数据集的labels里如果出现类别编号1配合data.yaml中nc为1就会推断类别超出范围训练时检测不到任何目标。原因yolo格式类别编号从0开始编号1对应第二个类别而不是第一个导出工具与框架的编号规范不一致时最容易翻车。解决训练前用前面章节的脚本统计所有标签里的类别编号确认只有0如果有1统一改成0同时检查data.yaml的names顺序与编号一致。5.4 某些图片没有对应标签文件导致被当背景训练日志里没有报错但推理时固定翼无人机出镜却没被检测检查后发现训练集中部分图片缺少同名txt。原因数据整理阶段丢失了部分标签或下载解压时个别txt损坏yolo框架对缺标签的图片默认按背景处理模型被误导。解决解压后必须跑一遍配对检查脚本把缺标签的图片移出训练集不要靠框架自动跳过自动跳过等于给模型喂错误背景样本。5.5 坐标越界被clip导致贴边目标框偏移训练时有大量warning提示标签坐标超出0到1范围模型训练正常但没有报错验证集mAP略低推理时贴边飞机框出来偏了一截。原因标注时目标紧贴图片边缘归一化后中心坐标可能略超0或1框架默认把坐标clip回边界框的位置就偏移了。解决在清洗阶段写脚本检查越界坐标对超界比例很小的框直接把它整体向内平移几像素对超界严重的框先看原图确认是标注错误还是真贴边再决定保留还是删除。这五条是固定翼无人机检测里踩得最多的坑。某种程度上小样本训练的大部分时间都花在数据清洗和参数调整上真正调模型结构的时间反而少这几条血泪经验能帮你把时间花在更有价值的地方。6. 把验证集跑一遍推理输出最终的目标检测结果训练结束只算完成一半另一半是把best.pt在验证集上完整跑一遍输出可视化结果并确认检测效果这一步既是交付物也是后续迭代的起点。用yolov8的predict命令可以把整批图片跑完一次性输出带框图片。保存的图片会在目标框左上角标注类别和置信度直接看出模型在什么距离、什么光照下表现好什么场景下表现差。# 用训练好的best.pt对验证集推理 yolo detect predict \ modelruns/drone/exp_01/weights/best.pt \ sourceimages/val \ conf0.5 \ saveTrue \ projectruns/drone \ nameval_predict # 指定置信度阈值过滤低置信度误检 yolo detect predict \ modelruns/drone/exp_01/weights/best.pt \ sourceimages/val \ conf0.6 \ saveTrue \ projectruns/drone \ nameval_predict_conf60conf参数控制置信度阈值0.5是平衡值漏检多就降到0.3到0.4误检多就提到0.6到0.7。跑完看输出图重点关注三件事有没有把背景误检成飞机、多远的距离还能保持完整框住机身和机翼、遮挡状态下框的稳定性。这些都确认没问题模型才算真正可用。验证通过之后这份资源还有两个可以继续榨取的方向。一是用滑窗把大图切成多个patch再推理小目标检出率会有明显提升固定翼无人机在广域视角下经常只有几十个像素直接送进模型容易漏检切patch相当于放大目标。二是用这份模型的权重做迁移学习换一个远距离航拍数据集微调最后几层就能适配新的机型。回想起一次教训有一回我拿到一份结构类似的数据集文件名后缀是jpeg不是jpg当时偷懒直接跑训练结果大量图片没被加载整个训练集实际只有三分之一的数据在参与训练调了好久参数都无效。从那以后我每次拿到新数据集都强制走一遍第2章的配对检查和第3章的完整性扫描确认没问题了才允许训练。希望帮到你。本文还有配套的精品资源点击获取