红外无人机与鸟类目标检测数据集 | 红外检测 无人机识别 鸟类检测 低空安防 反无人机 yolov11模型9151期

红外无人机与鸟类目标检测数据集 | 红外检测 无人机识别 鸟类检测 低空安防 反无人机 yolov11模型9151期

数据集概述

本数据集专注于红外热成像场景下无人机与鸟类的视觉检测与区分，服务于低空安防、机场净空防护及生态监测。数据涵盖夜间红外航拍图像，适配反无人机预警、鸟击防范及夜间生态调研等应用。

数据集核心信息

数据要素	详细说明
类别	共 2 类：鸟类、无人机
数量	57573 张图像
格式	图像为 JPG/PNG（分辨率 640×640）；同时提供 YOLO、VOC、COCO 三种标注格式
数据划分	训练集 37499 张，验证集 11488 张，测试集 8586 张
应用价值	1. 机场净空：夜间红外远距离监测飞鸟与入侵无人机，规避鸟击与扰航风险。 2. 低空安防：园区、厂区、军事区域夜间反无人机预警。 3. 生态观测：红外航拍野外鸟类种群与活动频次计数。 4. 设施防护：夜间识别鸟类筑巢、无人机非法靠近输电线路或风电设施。

完整类别列表（共2类）

序号	英文名称	中文释义	包含图像数	标注框总数	标签说明
0	BIRD	鸟类	20906	28219	夜间红外画面下各类飞鸟，多为远距离小目标、弱热源轮廓
1	DRONE	无人机	36667	36667	红外场景下民用/航拍无人机热源成像目标

数据三要素解析

类别与目标覆盖

• 数据集定义 2 个核心类别：鸟类（BIRD）与 无人机（DRONE），聚焦于两类空中目标的区分。
• 鸟类与无人机在红外图像中均呈现为热源目标，但形态、运动模式及热特征存在差异，模型需学习这些判别特征。
• 无人机类别样本较多（36667张），鸟类样本相对较少（20906张），存在一定的类别不平衡。
  

数据规模与性能

• 图像总量达 57573 张，规模庞大，能支撑高精度检测模型的稳健训练。
• 按约 65:20:15 比例划分为训练集（37499张）、验证集（11488张）、测试集（8586张），划分规范。
• 图像分辨率统一为 640×640，可直接输入常见检测网络。
• 公开的模型性能指标显示：鸟类 [email protected] 达 0.975，无人机 [email protected] 达 0.990，整体 [email protected] 达 0.983，检测效果优异。

格式与配套资源

• 同时提供 YOLO、VOC、COCO 三种通用标注格式，灵活适配不同检测框架。
• 附赠基于 YOLOv11n 训练的完整模型（训练80轮），可直接推理。
• 提供 PyQt5 可视化界面（含源码、.ui、.qrc、图标文件），支持图片、视频、摄像头实时检测，实时显示目标位置、总数、置信度等信息。
• 运行环境：Python=3.8、opencv-python、PyQt5、torch，支持 Windows、Linux 系统。

知识普及：红外无人机与鸟类检测的技术要点

• 热特征差异：无人机通常具有稳定的热源（电池、电机），在红外图像中呈现为规则的热斑；鸟类为恒温动物，热辐射分布更均匀，形态更自然。
• 运动模式区分：鸟类飞行姿态多变，翅膀拍动频率有规律；无人机运动更机械，可能悬停、直线飞行。视频时序信息可辅助区分。
• 小目标检测：夜间红外远距离拍摄时，鸟类与无人机均呈现为小目标，需采用高分辨率输入或多尺度特征融合策略。
• 背景干扰：云层、建筑热源、地面热反射等可能与目标混淆，模型需依赖形态与热分布特征进行区分。
• 应用闭环：检测结果可结合雷达或射频信号，构建多传感器融合的低空安防系统，实现"发现-识别-反制"的闭环流程。

快速开始（代码示例）

1. 准备配置文件 (dataset.yaml)

path: ./ir_bird_drone
train: images/train
val: images/val
test: images/test
nc: 2
names: ['BIRD', 'DRONE']

2. 启动 YOLOv11n 训练

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(
    data="dataset.yaml",
    epochs=80,
    imgsz=640,
    batch=16,
    device=0,
    patience=10,
    save=True,
    pretrained=True
)

3. 单张图像推理

from ultralytics import YOLO

model = YOLO("weights/best.pt")
res = model.predict(
    source="test_img.jpg",
    conf=0.25,
    imgsz=640,
    save=True
)

for box in res[0].boxes:
    cls = int(box.cls)
    conf = float(box.conf)
    xyxy = box.xyxy.tolist()[0]
    print(f"类别：{model.names[cls]}，置信度：{conf:.2f}，坐标：{xyxy}")

标签

红外检测 无人机识别 鸟类检测 低空安防 反无人机 目标检测 YOLO格式 深度学习数据集 计算机视觉

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/2403_88545703/article/details/167039171