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_())
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_())
