深度学习 YOLOv11 空域安全无人机检测识别系统

设计框架

技术栈组成

系统主要基于 Python 生态构建，核心组件包括：

• 模型训练：Ultralytics YOLO
• 视频处理：OpenCV 4.5
• 用户界面：PyQt5
• 数据可视化：Matplotlib
• 性能优化：ONNX Runtime

模块功能说明

关键训练参数

训练过程中需要配置合理的超参数以平衡精度与速度。以下是核心配置示例：

# 初始化模型，使用 small 版本以减小计算量
model = YOLO('yolov11s.yaml')

# 开始训练
model.train(
    data='acne.yaml',      # 自定义数据集配置
    epochs=300,            # 训练轮次
    batch=16,              # 批大小
    imgsz=640,             # 输入尺寸
    optimizer='AdamW',     # 优化器选择
    lr0=0.01,              # 初始学习率
    device='0'             # 使用 GPU 加速
)

UI 交互系统设计

界面架构

主窗口采用模块化布局，包含视频显示区、控制面板、日志显示区及图表展示区。摄像头选择、检测开关和模型加载功能集成在控制栏中，确保操作便捷。

核心交互逻辑

为了保持界面流畅，检测任务被放置在独立线程中运行，避免阻塞主界面。以下是线程管理与信号槽连接的核心逻辑：

class DetectionThread(QThread):
    def run(self):
        while running:
            frame = camera.get_frame()
            results = model.predict(frame)
            emit signal_results_ready(results)

class MainWindow(QMainWindow):
    def init_ui(self):
        # 界面初始化
        self.video_label = QLabel()
        self.start_btn = QPushButton("开始检测")
        self.chart_view = QGraphicsView()
        
        # 信号槽连接
        self.detection_thread.signal_results_ready.connect(self.update_ui)

    def update_ui(self, results):
        # 更新视频帧
        frame = results.render()
        pixmap = QPixmap.fromImage(frame)
        self.video_label.setPixmap(pixmap)
        # 更新图表
        self.update_chart(results)

实时图表实现

检测结果不仅体现在视频画面上，还需要通过图表进行统计分析。这里使用 Matplotlib 绘制柱状图来展示各类别检测数量。

class ChartManager:
    def __init__(self):
        self.fig, self.ax = plt.subplots()
        self.canvas = FigureCanvas(self.fig)

    def update_chart(self, results):
        # 清空当前图表
        self.ax.clear()
        # 统计各类别检测数量
        class_counts = Counter(results.boxes.cls)
        # 生成柱状图
        classes = [class_names[i] for i in class_counts.keys()]
        counts = list(class_counts.values())
        self.ax.bar(classes, counts)
        # 刷新显示
        self.canvas.draw()

视频处理流水线

视频处理是系统的核心环节，涉及帧读取、预处理、推理及后处理。为了保证实时性，流程需尽可能精简。

def video_processing_pipeline():
    # 初始化
    cap = cv2.VideoCapture(source)
    fps = cap.get(cv2.CAP_PROP_FPS)
    
    while True:
        # 读取帧
        ret, frame = cap.read()
        if not ret:
            break
        
        # 预处理
        frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        frame = letterbox(frame, new_shape=640)
        
        # 推理
        results = model(frame)
        
        # 后处理
        frame = results.render()[0]
        
        # 显示
        cv2.imshow('Detection', frame)
        
        # 控制帧率
        if cv2.waitKey(int(1000/fps)) == 27:
            break

多线程管理

合理的管理工作线程可以防止程序卡死。通过 WorkerManager 类封装线程的生命周期，提供启动、停止及等待完成的接口。

class WorkerManager:
    def __init__(self):
        self.detection_thread = DetectionThread()
        self.chart_thread = ChartThread()

    def start_detection(self):
        if not self.detection_thread.isRunning():
            self.detection_thread.start()

    def stop_detection(self):
        if self.detection_thread.isRunning():
            self.detection_thread.requestInterruption()
            self.detection_thread.wait()