小样本无人机频射信号检测：YOLOv5数据集训练避坑指南

简介：面向无人机目标检测与射频信号识别研究者的专用数据集，以无人机频射信号图像为核心对象，可有效解决真实场景下样本稀缺、标注困难等问题。资源适配YOLOv5训练流程，每张原始图片均配有对应txt标注文件，标注类别清晰，经测试平均正确识别率达94.3%，非常适合作为检测模型的训练集、验证集及算法对比基准。压缩包共729个文件，包括364张jpg原始图像、364个txt格式的YOLOv5标签文件及1个yaml配置文件，包体总大小136.82MB，目录结构规整，可直接解压后接入现有检测工程，也便于自行划分训练与测试集。目前已有453人学习使用，下载后按yaml配置即可完成数据加载与训练。数据覆盖不同场景与视角，适合初学者快速上手目标检测实验，也适合研究人员用于复现、调参与性能评估。

1. 看到94.3%先别急着信：这个数据集到底能帮你什么

如果你是做无人机检测或者频谱监测的工程师，大概率有过这种经历：拿到一份号称“平均正确识别率94.3%”的无人机频射信号检测数据集，解压一看，原始图片只有364张，心里难免犯嘀咕——这个数字是怎么来的？是不是只挑了简单样本测的？说实话，我第一次拿到这套数据集时也是先查目录、后看标注，确认它是不是真的能直接喂给yolov5训练。

这套数据集的定位很清晰：它解决的问题是把无人机发射的频射信号从时频图/瀑布图中框出来，属于典型的小样本目标检测场景。因为图片本身是频谱可视化后的结果，检测目标和自然图像差别很大，模型能不能收敛、阈值怎么设、标注格式对不对，都要重新验证一遍。对你来说，它的价值不是“帮你吹一个94.3%”，而是让你用最少的样本量把yolov5的标注、训练、评估流程完整跑通，并给后续自建大规模数据集探路。适合刚入门目标检测、想验证频谱监测方案、或者手头有一批没标注的频射数据需要先试水的开发者。血泪经验是：364张只够做可行性和流程验证，别指望它做出能直接交付的鲁棒模型。

2. 数据集结构拆解与94.3%这个数字的可信度

2.1 拿到数据集先做三件事：说明文件、目录结构、标注内容自查

拿到任何一份标着“支持yolov5格式”的数据集，我做的第一件事不是看性能描述，而是先把目录结构用tree列出来。yolov5训练时默认认目录而不是认单文件，本地工程里最常见的组织方式是images/存放原始图片，labels/存放同名txt标注。这套数据集既然标注成了yolov5格式，那图片和标签的对应关系、train/val是否预先划分、类别是从0还是从1开始，这三个坑直接决定后续代码能不能跑。我会先跑一条命令看整体形状：

tree -L 2 --dirsfirst

如果目录里只有images和labels，没有train.txt/val.txt，那说明划分要自己做，后面我专门给了脚本。正常的yolov5格式下，labels里每一个txt都和images下的同名图片对应，比如IMG_0001.jpg对应IMG_0001.txt。txt的每一行代表一个检测框，格式是“class x_center y_center width height”，坐标是相对图片宽高的归一化值，取值在0到1之间。这里最容易翻车的是类别id从0开始，很多人习惯从1开始写，训练时模型会把“类别1”当成第二类，导致表现异常但程序不报错。

标注内容也要看一眼，别急着训练。我一般会用统计脚本先把总框数和类别分布打出来：

import os from collections import Counter label_dir = "labels" counts = Counter() boxes = 0 for f in os.listdir(label_dir): if not f.endswith(".txt"): continue with open(os.path.join(label_dir, f), "r") as fp: for line in fp.readlines(): parts = line.strip().split() if len(parts) == 5: # 过滤空行和备注行 counts[int(parts[0])] += 1 boxes += 1 print("标注目标总数:", boxes) print("各类别目标数量:", counts)

这段代码会把每个txt里的每一行按第一个数字归类，统计出各类目标数。为什么要先算这个？因为364张原始图片不代表只有364个目标，一张时频图里可能出现多个信号源、多段通信脉冲；另外类别不均衡在后面的训练里影响非常大，如果某个类别只有几十个目标，那它基本注定学不好，需要提前做扩增或加权。我见过有人不检查标注就直接训练，跑了十几个小时，发现模型只输出了最常见的那个类别，再回头查统计已经浪费了大半天。

频射信号图片与自然图像有一个显著区别：它本质上是二维频谱的可视化，横轴往往是时间，纵轴是频率或者能量，信号表现为一条亮带、一个光斑或一串脉冲。检测任务看起来是在“看图”，实际是在“读谱”，所以模型对颜色分布、条纹走向、背景噪声纹理都极其敏感。这就带来两个结果：一是yolov5默认的输入尺寸和anchor策略不一定适配，二是数据增强里的旋转、颜色扰动等操作要谨慎使用。我会在后面的章节专门展开。

2.2 94.3%到底是谁的指标：mAP@0.5、精确率与召回率的区别

“平均正确识别率94.3%”这个说法，在目标检测领域其实是个非常模糊的表述。它既可能指mAP@0.5，就是在IoU阈值0.5下所有类别精确率-召回率曲线的平均AP；也可能指一种更朴素的正确率：模型预测出的所有框里，有几个和真实框对上了，或者整张图判断是否包含无人机信号有没有判断对。不同口径算出来的数，在小样本场景里能差出五个百分点以上，所以拿到手先确认口径，再决定把它当作参考还是当作验证基线。

我列一个对照表，方便你对号入座：

工程上我建议把94.3%当作一个“参考值”，而不是验收值。你真正要在意的，是自己在同一份验证集上重算出来的mAP。做法很直接：用训练好的模型跑验证集，让yolov5自动输出mAP@0.5、mAP@0.5:0.95、Precision、Recall四个指标。命令里需要指定数据配置和权重文件：

python val.py --data drone_rf.yaml --weights runs/train/exp/best.pt --img 640

看结果时别只盯着mAP@0.5，重点看mAP@0.5:0.95，它把IoU从0.5到0.95都算了一遍，对框的定位精度要求更严格，频射信号这种本身边界模糊的目标，mAP@0.5:0.95大概率比94.3%低不少，这是正常现象，不代表模型差，只说明框定位还不够精细。另外一个习惯是每次训练结束都把混淆矩阵和PR曲线导出看一眼，趋势比单个数更说明问题。

364张原始图片本质上能承载的训练强度是有限度的。按一次训练200轮计算，每个epoch只有不到300张训练图，即使开启mosaic增强，有效样本的多样性也不高。我把这理解为小样本基线数据集的典型生态：它适合做流程验证、超参初选、标注格式核查，以及和后续自建数据集的对比基线。真正让你模型变强的，是用这个流程跑通之后，拿着模型去辅助标注更多未标注的时频图，把样本量滚到两三千张。所以对这份数据集而言，它的核心交付物其实是“一套可以照着复现的训练评估流程”。

3. 把频射信号数据转成YOLOv5可训练格式：标签映射与目录对齐

3.1 从原始图到labels目录：txt标注文件的规范与坐标换算

这套数据集标注已经存成了yolov5格式，按理说不需要再做格式转换。但我会在训练前用脚本抽查一下坐标，因为这类“已经转好”的数据集有个隐藏前提：坐标到底是不是归一化坐标。yolov5训练时，模型读取的是txt里相对图片宽高的归一化值，训练时输入分辨率统一resize到640或更高，归一化坐标不随分辨率变化，这是它比VOC的绝对坐标方便的地方。

常见做法是，如果你手头的是x1,y1,x2,y2绝对坐标（比如从某个标注平台导出的），需要先转成中心点加宽高，再除以图片宽高。我一般用下面这段做转换，顺便检查越界：

import os, cv2 def convert_to_yolo(src_label_dir, img_dir, dst_label_dir): for txt_name in os.listdir(src_label_dir): if not txt_name.endswith(".txt"): continue img_name = txt_name.replace(".txt", ".jpg") # 假设图片统一为jpg img_path = os.path.join(img_dir, img_name) if not os.path.exists(img_path): print(f"跳过缺失图片: {img_name}") # 只跳过无图样本，不中断 continue h, w = cv2.imread(img_path).shape[:2] # 读取原图宽高，作为归一化分母 lines = [] with open(os.path.join(src_label_dir, txt_name), "r") as fp: for line in fp: cls, x1, y1, x2, y2 = line.strip().split() x1, y1, x2, y2 = map(float, (x1, y1, x2, y2)) # 转中心点+宽高，再归一化到[0,1] cx = ((x1 + x2) / 2) / w cy = ((y1 + y2) / 2) / h bw = (x2 - x1) / w bh = (y2 - y1) / h lines.append(f"{cls} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") with open(os.path.join(dst_label_dir, txt_name), "w") as fp: fp.write("\n".join(lines))

转换成yolov5格式的关键点有三个：第一，类别id从0开始，转换时不要自作聪明给它加1，除非原声明里写的是1-based；第二，坐标一定要除以这张图片原始宽高，而不是除以统一resize后的宽高，除非你先把图改了尺寸再标，否则坐标就错位了；第三，x2-x1算出的宽度理论上为正，若标注平台有时输出反了，加一步取绝对值兜底。标签和模型能不能“握手”，就取决于txt里的数字写没写对，这是整个流程里最不该省检查的一步。

3.2 划分训练集/验证集：避免同源图片泄漏的简单做法

假设这套数据集的图片没有预划分，也就是刚才2.1里说的那种只有images和labels的情况，那训练前得自己把数据集分开。常见比例是8:2，即292张训练、70张左右验证。364张的小样本，验证集一定要留足，否则指标方差太大，改一个超参数你都分不清是变好还是变坏。我习惯加一个固定随机种子写划分脚本，这样结果可复现：

import os, random from shutil import move random.seed(42) # 固定种子，保证每次划分结果一致 train_ratio = 0.8 # 训练集比例，验证集至少留70张 images = sorted(os.listdir("images")) train_set = set(random.sample(images, int(len(images) * train_ratio))) os.makedirs("images/train", exist_ok=True) os.makedirs("images/val", exist_ok=True) os.makedirs("labels/train", exist_ok=True) os.makedirs("labels/val", exist_ok=True) for img in images: txt = img.replace(".jpg", ".txt") if not os.path.exists(os.path.join("labels", txt)): continue # 没有标签的图片跳过，不参与训练 dst_img = "images/train" if img in train_set else "images/val" dst_txt = "labels/train" if img in train_set else "labels/val" move(os.path.join("images", img), os.path.join(dst_img, img)) move(os.path.join("labels", txt), os.path.join(dst_txt, txt))

随机切分的风险在于同源图片泄漏。无人机飞行是连续时间序列，相邻几秒的时频图在视觉上往往高度相似，如果这些相似帧一半进了训练集、一半进了验证集，模型其实等于提前见过答案，验证集mAP会虚高，而一到真实部署环境就露馅。我的做法是划分之前先按采集批次给文件分桶：同一次飞行、同一个采集点、同一段连续频谱的文件放进同一个桶，再按桶为单位划分，而不是按单张图划分。这个操作比任何调参都对最终指标的可信度影响更大。

如果数据集本身是有时间顺序命名的，比如文件名按时间戳排列，那更稳妥的做法是把前70%当训练、中间10%当验证、最后20%当测试，不要打乱顺序。这样做出来的指标才和你未来真实采集的数据表现接近。另外，364张图片这个规模下，我一般不在里面再单独切测试集，验证集就够了，省下的样本拿去训练更重要，正式的测试评估留给下一批数据去验证。

4. 用YOLOv5训练这个数据集的完整流程：从数据配置到模型收敛

4.1 数据配置文件与模型选型：小样本不用一上来就上YOLOv5x

把数据集整理好之后，第一个要改的是data.yaml。yolov5对这份配置的读取规则比较机械，path写数据集根目录，train和val分别指向对应图片目录，nc写类别数，names写类别名列表。顺序必须和标注txt里的class id一致，模型一旦训练起来，再改names顺序就得重新训，因为id对应的语义已经变了。下面是一份典型的配置：

path: ./drone_rf_dataset train: images/train val: images/val nc: 3 names: ["无人机A频段", "无人机B频段", "遥控链路信号"]

path这块我提醒一句：yaml里写相对路径，而train.py实际拼接路径时受启动目录影响，最容易出现的报错是“AssertionError train: No labels in ...”，多半是路径没对上，或者labels目录里没有图片对应的txt。我习惯在运行训练前用一条find命令确认两个目录的文件能互相对应上，数量不对说明其中有图片丢标签、有标签没图片，前者会静默导致该图片不参与训练，后者不报错但浪费存储。

模型选型上，364张图的数据量不适合一上来就用大模型。常见的选择是yolov5n或yolov5s，它们参数量小、收敛快，而且在这种小样本上表现往往不比yolov5x差，因为网络根本吃不进那么多参数。对比下来我常用这张表向人解释：

如果只做算法验证，前期我甚至建议先用yolov5n跑通流程，跑通之后再切回yolov5s训练正式权重。多轮迭代里，省钱省力的顺序比模型上限更重要。

提示：data.yaml里的names顺序一旦和txt的class id绑定，训练开跑后就不要改动，否则加载权重推理时所有类别都会错位。

4.2 训练命令与日志解读：loss、mAP、过拟合三个信号

数据配置和模型选型定了之后，训练命令其实很短。我一般把超参数写在命令行而不是改配置文件，因为试验阶段经常要试，命令行改起来快、不容易把默认配置弄脏：

python train.py \ --weights weights/yolov5s.pt \ # 迁移学习起步，比随机初始化收敛更快 --data drone_rf.yaml \ --img 640 \ --batch 16 \ # 小样本下batch不宜大，大batch易陷入局部最优 --epochs 200 \ --patience 40 \ # 40轮无改善自动停止，防过拟合 --project runs/drone_rf \ --name exp1

img 640是yolov5的默认输入尺寸，频射时频图如果是长条形的，按原比例拉伸到640x640即可，归一化坐标不受影响；batch设16是显存和收敛速度的折中，数据量小的时候batch太大反而更容易快速陷入局部最优；epochs设200，配合patience 40，意思是40轮没有更好结果就自动停止，防止小样本在后半程反复过拟合浪费时间。

训练的时候，终端每轮会打印box_loss、obj_loss、cls_loss、mAP@0.5和mAP@0.5:0.95。很多人看到loss在50轮之后还在0.02、0.01往下掉就以为在变好，实际上训练集上的loss一直在掉是正常的，甚至过拟合也是这个表现，真正要盯的是验证集上mAP曲线是否还在上升，以及后续会不会出现掉头下跌。出现过拟合的典型曲线是：训练loss一路走低，验证mAP先升到某个平台，然后开始缓慢下滑，这时早停已经兜底了，说明模型开始背样本。

小样本训练还有个常见景象：前几十个epoch里mAP在0.4到0.7之间剧烈抖动，看起来像没收敛，其实是因为验证集只有几十张图，一两张预测错误就能让指标跳好几个点。这时候别急着加数据增强或者换模型，先让训练跑完，再去看曲线平滑后的趋势。我一般还会同时开着tensorboard：

python -m tensorboard.main --logdir runs/drone_rf

然后定期切到IMAGES面板看模型的预测框画得准不准。频射信号检测里，框稍微偏移、盖住半个脉冲，mAP变化不大，但落到射频测量业务里可能就影响信道占用判断，所以图像可视化检查比只盯指标更有用。训练完会得到best.pt和last.pt两个权重，best是验证集mAP最高的，last是最后一轮的；如果没有专门做模型测试，日常推理优先用best.pt。

5. 小样本数据集避坑指南：364张图最容易翻车的五个地方

5.1 同源图片泄漏：验证集mAP高得离谱，部署就废

现象：最常见的情况是验证集mAP到了0.9以上，模型看起来很强，结果拿到新采集的数据上一测，掉到0.7甚至以下。原因：我在3.2里提到的同源图片泄漏，相邻时间、同一频谱背景的图片被随机分到了训练集和验证集两边，模型事实上看到了“答案”。解决：按采集批次分桶再划分；若数据集没有批次信息，至少在划分时检查相邻文件名是否同时出现在两个集合里，发现连续编号的两张图一个在train一个在val，马上修正划分方式，改成按文件名顺序的前后段切分。

5.2 类别不均衡：模型只会输出多数类

现象：训练完成后，混淆矩阵里某个类别横排几乎全是0，预测结果永远偏向数量最多的那一类，少数类目标基本漏检。原因：频射信号里，遥控链路信号数量可能远远多于图传信号，364张图总共可能只有几百个目标，少数类可能只有几十个框，网络学不到它的特征。解决：先按类别数量排序，把样本量最少的类别拎出来看；然后在训练时给loss加类别权重，常见做法是各大类、小类按样本数量倒数加权；更实用的做法是过采样少数类样本，把它的图片复制几份并做轻微的平移、裁剪增强，把有效样本量补上去。这个操作比调权重更直接，因为增强后的样本让网络看到了更多位置变化。

5.3 过拟合比想象来得早：验证loss反弹别硬训

现象：训练到100轮左右，训练loss还在缓慢下降，验证集mAP却不再上涨甚至下滑，PR曲线里高置信度段的精确率大幅下跌。原因：364张原始图片，即便加了增强，有效样本量也就几百，模型在最后阶段开始记忆训练集样本。解决：epochs不要拉太长，200轮配早停就够了；yolov5的weight_decay默认值在小样本下可以适当加大，比如从0.0005调到0.001；把高层的dropout打开一点，降低对个别特征的依赖。不要盲目让epochs上到1000，样本少的时候，训练时间翻倍换来的通常只是训练集上的自嗨。

5.4 anchor与大模型默认值不匹配：细长频射信号被切碎

现象：Recall一直卡在0.8以下，预测框要么松弛盖住大片区域，要么只框住信号的一部分。原因：yolov5的anchor是从公开自然图像数据集上聚出来的，适合正方形、紧凑的自然物体，而频射信号表现为细长亮线或小光斑，形状分布差异巨大。解决：yolov5在训练时默认会对当前数据集做一次k-means聚类重新生成anchor，并在日志里打印新旧对比。如果发现默认anchor被替换，说明数据尺寸分布和通用数据差异大，这是好事；如果聚类出的anchor反而偏向个别极端长宽比样本，可以在训练参数里临时加--noautoanchor，保留默认值再观察召回曲线。多数情况下自动anchor够用，关键在于理解它在解决“细长信号检测框”的问题。

5.5 数据增强“洗”掉了信号：旋转和颜色扰动是重灾区

现象：训练loss一直降不到合理区间，mAP在0.8附近横盘，怎么调都上不去。原因：mosaic、旋转、hsv扰动这些给自然图像设计的增强，用在时频图上反而破坏特征。旋转把时频图转了60度，频率轴和时间的对应关系就错了，模型学到的是“歪着的信号”；hsv变色调，对频射信号来说没有什么物理意义，但会让模型依赖颜色背景而不是纹理特征。解决：在hyp.yaml里关掉或调低几项增强参数：

hsv_h: 0.0 # 色调扰动对频射信号无意义，关掉 hsv_s: 0.0 hsv_v: 0.1 # 亮度保留小幅扰动，模拟底噪变化 degrees: 0.0 # 旋转会让频率轴错位，必须关 translate: 0.1 # 平移模拟频谱偏移 scale: 0.3 # 尺度扰动模拟远近场景 mosaic: 0.8 # 保留mosaic但降低使用概率 fliplr: 0.5 # 水平翻转相当于时间反转，可接受 flipud: 0.0 # 垂直翻转改变频率上下方向，不建议开

degrees直接归零，hsv保留很小的值或者全关，translate和scale可以留一点模拟频谱背景偏移，mosaic降到0.8是为了避免贴图顺序混乱。flipud对时频图的影响取决于频率轴的语义，低频变高频没有物理含义，不建议开。这些参数经验值在不同数据集上表现不同，但方向是统一的：先保住频射信号本身的物理特征，再谈增强多样性。用一句话概括：小样本数据集可以靠增强变强，但前提是增强不能把信号特征抹掉。

6. 让模型从94.3%再往上走：置信度阈值调优与模型裁剪

训练跑完、mAP到了平台期，其实还有一个常常被忽略的“免费”收益：置信度阈值。yolov5默认conf_thres=0.25，很多时候这个值不是最优的。频射信号检测里，漏检的代价通常大于虚警，那我就把阈值往下调；如果业务上要求告警不能太频繁，再往上调。具体怎么找最优点？我用验证集跑一次批量推理，对每个预测框遍历不同阈值，算F1最高的点，几乎每次都能在默认值附近找到一到两个百分点的提升。

for conf in [0.1, 0.15, 0.2, 0.25, 0.3, 0.4, 0.5]: r = model.val(conf_thres=conf, iou_thres=0.45) print(conf, r.p, r.r, r.f1) # 对比每组阈值的精确率召回率F1

输出里挑F1最高的conf，它就是你这套业务下的最优阈值，比调网络结构省力得多。如果转成ONNX或者TensorRT之后精度掉了，先用这个脚本重扫一遍阈值，往往能找回大半；我在一次无人机频射监测场景里，模型的mAP没变，光把阈值从0.25调到0.18，虚警率降了两成。注意阈值和业务绑定，不同环境要分别标定，不要通用。

另一个常用技巧是模型裁剪。小样本下真正的性能瓶颈通常不在网络容量，而在特征提取质量，所以与其从s换到m，不如把yolov5s先转成FP16的推理引擎，速度提升明显，精度损失一般小于一个点。至于网络层面的剪枝，我把它当作最后的优化手段，它会让小样本模型的收敛变得更加飘忽，得不偿失。我有段时间为了把推理帧率顶上去，一上来就上剪枝，折腾一圈发现精度掉的比预想多，回头先把输入尺寸从640降到480、再配合阈值标定，效果反而稳。后来我养成一个习惯：先找阈值和输入尺寸的最优解，再动模型结构，这个顺序基本没让我后悔过。希望帮到你。

本文还有配套的精品资源，点击获取