基于 YOLOv11 的红外无人机、鸟类目标检测系统红外无人机、鸟类检测数据集

2026/8/11 9:56:45 拓冰建站浏览量

红外无人机、鸟类检测数据集，57573张，yolo、voc、coco标注方式
图像尺寸:640*640
类别数量:2类
训练集图像数量:37499; 验证集图像数量:11488；测试集图像数量:8586
类别名称: 每一类图像数，每一类标注数
BIRD: 20906,28219
DRONE: 36667,36667
image num: 57573

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，效果稳定可靠
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

运行环境：Python=3.8、opencv-python、PyQt5、torch
支持 Windows、Linux 系统

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 .pt
Qt 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

基于YOLOv11红外场景无人机&鸟类检测项目完整资料表

一、项目基础信息总表

项目模块	详细参数
项目全称	基于YOLOv11的红外无人机、鸟类目标检测系统
适用图像	红外夜视航拍图像
数据集总规模	57573张红外图像
统一图像尺寸	640 × 640
目标类别总数	2类
标注格式	YOLO txt、VOC xml、COCO 三种格式全覆盖
数据集划分	训练集：37499张验证集：11488张测试集：8586张
主干网络	YOLOv11n 轻量化模型
训练轮次	80 epoch
系统部署	PyQt5可视化桌面端
适配系统	Windows / Linux
Python版本	Python 3.8
核心依赖	torch、opencv-python、PyQt5

二、类别标签明细表

类别ID	标签名称	包含图像数量	标注框总数	标签释义
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

三、模型精度指标（PR曲线对应效果）

类别	AP@0.5	整体mAP@0.5	效果说明
BIRD	0.975	-	鸟类小目标红外识别准确率优异
DRONE	0.990	-	无人机热源特征稳定，识别精度更高
全部类别	-	0.983	整体检测效果优异，召回率与精准度均衡

四、PyQt5客户端界面功能清单

功能模块	具体能力
导入检测源	本地图片检测、本地视频检测、电脑摄像头实时红外画面检测
实时信息展示	推理耗时、检测目标总数量、目标置信度、目标像素坐标(xmin,ymin,xmax,ymax)
数据表格记录	自动归档文件路径、目标类别、置信度、坐标信息
结果操作	检测数据本地保存导出、程序退出
使用门槛	纯可视化操作，无需命令行指令

五、全套配套交付文件清单

数据集资源
原始红外图像 + YOLO(txt)标注 + VOC(xml)标注 + COCO标注 + 数据集划分yaml配置文件
模型算法文件
YOLOv11训练源码、测试推理源码、80轮训练完成最优权重best.pt
Qt界面源码
UI界面文件(.ui)、资源文件(.qrc)、主程序py代码、图标素材包
文档
环境配置+训练部署+界面运行图文说明文档

六、核心应用场景

机场净空安全防控
夜间红外远距离监测飞鸟与入侵无人机，规避飞机撞鸟、无人机扰航风险，机场安防常态化值守；
低空空域安防管控
园区、厂区、军事区域夜间反无人机预警，识别黑飞无人机；
生态鸟类夜间观测统计
红外航拍野外鸟类种群、活动频次计数，野生动物生态调研；
输电线路/风电塔筒巡检防护
夜间识别鸟类筑巢、无人机非法靠近电力设施，防范线路短路、设备撞击损坏；
边境夜间低空安防
红外夜视场景低空移动目标甄别，区分鸟类与可疑无人机。

七、精简训练&推理核心代码

1. 数据集yaml配置文件（dataset.yaml）

path:./ir_bird_dronetrain:images/trainval:images/valtest:images/testnames:0:BIRD1:DRONEnc:2

2. YOLOv11n训练代码 train.py

fromultralyticsimportYOLO# 加载轻量化YOLOv11n模型model=YOLO("yolo11n.pt")# 启动训练results=model.train(data="dataset.yaml",epochs=80,imgsz=640,batch=16,device=0,patience=10,save=True,pretrained=True)

3. 单张图像推理代码 predict.py

fromultralyticsimportYOLO# 加载训练完成权重model=YOLO("weights/best.pt")# 图片检测res=model.predict(source="test_img.jpg",conf=0.25,imgsz=640,save=True)# 打印检测坐标、类别、置信度forboxinres[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}")

4. PyQt5界面核心调用片段

# 界面调用YOLO推理核心逻辑defdetect_image(self):img_path=self.file_path res=self.model.predict(source=img_path,conf=0.2)# 解析结果回显UI、表格、坐标面板self.show_result(res)

八、关键词汇总

红外目标检测、YOLOv11n、鸟类检测、无人机反制、夜视航拍图像、低空安防、PyQt5可视化界面、YOLO/VOC/COCO多格式标注、小目标检测、机场净空防护

建站实战干货

基于 YOLOv11 的红外无人机、鸟类目标检测系统 红外无人机、鸟类检测数据集