红外多类别无人机 YOLOv11 检测基于 YOLOv11n 的红外多类型无人机目标检测系统智慧红外飞行检测

基于 YOLOv11n 的红外多类型无人机目标检测系统智慧红外飞行检测智慧红外飞行检测-红外多类别无人机目标检测数据集6271张yolovoccoco三种标注方式图像尺寸:640*640类别数量:2类训练集图像数量:4390; 验证集图像数量:1255 测试集图像数量:626类别名称: 每一类图像数每一类标注数aircraft‑type_uav-固定翼无人机592,592helicopter‑type_uav-直升机式无人机4162,4191image num: 6271模型代码采用 YOLOv11n 网络训练训练轮次80 个 epoch提供全部训练测试源代码训练精度 mAP 效果如图所示PyQt5 界面功能界面使用 PyQt5 开发提供全部源码.ui、.qrc、.py 及图标文件支持图片检测、视频检测、摄像头实时检测界面实时显示目标位置、目标总数、置信度等信息支持检测结果保存导出操作简单直观无需命令行附、配套文件全套完整完整数据集含原始图像、YOLO 格式 txt 标注、VOC 格式 xml 标注、yaml 配置文件模型程序文件训练代码 .py、训练好的模型权重 .ptQt 界面源码.ui、.qrc、.py 源码及配套图标资源程序运行说明文档程序运行步骤说明指导文档红外多类别无人机YOLOv11检测项目汇总表源码应用场景一、项目参数详细表格项目参数详细内容项目全称基于YOLOv11n的红外多类型无人机目标检测系统数据集名称智慧红外飞行检测-红外多类别无人机航拍数据集总样本数量6271张红外图像单图分辨率640×640标注格式YOLO txt、VOC xml、COCO JSON 三格式全覆盖目标总类别数2类数据集划分训练集4390张验证集1255张测试集626张类别明细图像数/标注框总数1. aircraft‑type_uav固定翼无人机592张图像592个标注2. helicopter‑type_uav直升机无人机4162张图像4191个标注训练骨干网络YOLOv11n轻量化版本训练迭代轮次80 epoch最终精度指标mAP0.5 0.928固定翼无人机mAP0.923直升机无人机mAP0.933可视化客户端PyQt5桌面检测界面界面检测模式图片检测、本地视频检测、摄像头实时红外画面检测界面展示内容检测耗时、目标总数、类别置信度、像素坐标、检测结果表格附加功能检测画面与坐标数据本地保存导出二、适用应用场景标签场景标签低空安防监控、机场净空防护、边境红外警戒、厂区禁飞管控、森林防火红外值守、夜间反无人机侦测、城市空域安防、电力场站低空防御场景说明夜间低空反无人机安防依托红外成像不受光照影响的特性夜晚无灯光环境下识别闯入禁飞区的固定翼、直升机无人机机场空域管控防范黑飞无人机干扰航班起降边防/野外值守山林、边境夜间红外巡检侦测非法飞行器电厂、油库、军工区域重点低空安防预警森林防火配套监测夜间林区巡查同时排查违规航拍无人机。三、数据集yaml配置文件dataset.yamlpath:./infrared_uav_datasettrain:images/trainval:images/valtest:images/testnc:2names:0:aircraft-type_uav1:helicopter-type_uav四、训练简易完整代码 train.pyfromultralyticsimportYOLO# 加载YOLOv11n轻量化预训练权重modelYOLO(yolo11n.pt)# 训练参数设置train_resultsmodel.train(datadataset.yaml,epochs80,imgsz640,batch16,device0,# CPU运行改为 devicecpupatience12,pretrainedTrue,mosaic0.75,saveTrue,projectinfrared_uav_run,nameyolo11n_uav_train)# 训练结束验证整体精度val_metricsmodel.val()print(f总体mAP0.5{val_metrics.box.map50:.3f})五、测试推理简易代码 test.pyfromultralyticsimportYOLO# 载入训练最优权重modelYOLO(infrared_uav_run/yolo11n_uav_train/weights/best.pt)# 测试集整体评估test_resmodel.val(splittest)print(红外无人机测试集精度结果)print(fmAP0.5:{test_res.box.map50:.3f})print(fPrecision:{test_res.box.p:.3f}| Recall:{test_res.box.r:.3f})# 单张红外图片推理演示predmodel.predict(test_ir_img.jpg,conf0.25,saveTrue)forresinpred:forboxinres.boxes:cls_idint(box.cls)conffloat(box.conf)xyxybox.xyxy[0].tolist()cls_namemodel.names[cls_id]print(f目标类别{cls_name}置信度{conf:.2f}坐标{xyxy})六、PyQt5界面核心运行精简代码importsysimportcv2importtimefromPyQt5.QtWidgetsimportQApplication,QMainWindow,QFileDialog,QTableWidgetItemfromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QTimerfromultralyticsimportYOLOclassInfraredUavDetectUI(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(基于YOLOv11的红外多类型无人机检测系统)self.resize(1370,960)self.modelYOLO(best.pt)self.timerQTimer()self.capNone# 绑定摄像头画面刷新self.timer.timeout.connect(self.video_frame)# 图片检测defdetect_image(self):path,_QFileDialog.getOpenFileName(self,选取红外图像,,图片(*.jpg *.png))ifnotpath:returnstarttime.time()resultself.model.predict(path,conf0.25)[0]costtime.time()-start# 绘制检测框img_drawresult.plot()# 画面渲染至窗口h,w,cimg_draw.shape qimgQImage(img_draw.data,w,h,c*w,QImage.Format_RGB888).rgbSwapped()# 填充坐标、置信度、目标数量数据obj_numlen(result.boxes)print(f耗时:{cost:.3f}s 目标总数:{obj_num})# 摄像头实时红外检测defopen_camera(self):self.capcv2.VideoCapture(0)self.timer.start(30)defvideo_frame(self):ret,frameself.cap.read()ifnotret:self.timer.stop()returnresself.model.predict(frame,conf0.25)[0]frameres.plot()defcloseEvent(self,e):ifself.cap:self.cap.release()self.timer.stop()if__name____main__:appQApplication(sys.argv)winInfraredUavDetectUI()win.show()sys.exit(app.exec_())

红外多类别无人机 YOLOv11 检测基于 YOLOv11n 的红外多类型无人机目标检测系统智慧红外飞行检测 - 红外多类别无人机航拍数据集

相关推荐

企业级高可用部署方案：ComfyUI-Manager离线安装的架构设计与性能优化指南

JavaScript数字格式化：保留两位小数的精确实现与避坑指南

AI平台商业化定价策略：双轨模式如何平衡成本与灵活性

更多资讯

影刀RPA实战指南：从流程自动化到职业竞争力提升

无人驾驶MPC模型预测控制：从建模到代码落地实战

HUD光学仿真实战：Ansys多物理场破解重影与阳光烘烤难题

MCP架构搭建民宿AI客服：轻量、本地、高可用

SpringBoot就业中介管理平台毕设实战：从选题到答辩全流程解析

CentOS 6.3 老系统维护指南：兼容性、源配置与依赖管理

今日更新

Susi AI API实战指南：susi_alexa_skill如何用Node.js调用chat.json获取智能回答

换新电脑了？KeyStats 恢复码数据找回完全指南，端到端加密统计一键重建

重建二叉树：由前序与中序遍历序列还原二叉树的原理与 Java 实现（YCBlogs 剑指 Offer 精讲）

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

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

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

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？