基于 YOLO11 的无人机航拍小目标检测系统实战

标注格式

采用 YOLO 标准格式，每行一个目标：<class_id> <x_center> <y_center> <width> <height>，坐标均为归一化值 [0, 1]。

训练过程

训练脚本

训练脚本位于项目根目录下的 train_yolo11.py，支持三种运行模式：

• train：训练模式（默认）
• val：验证模式，需指定权重路径
• predict：推理模式，需指定权重与输入路径

基本流程

1. 检查 dataset_visdrone/data.yaml 是否存在
2. 调用 fix_data_yaml() 自动生成 data_local.yaml（含本机绝对路径）
3. 加载 YOLO 预训练模型
4. 调用 Ultralytics 训练流程进行训练
5. 结果保存在 runs/train/<实验名称>/ 或 --project 指定目录

使用示例

python train_yolo11.py                    # 默认配置训练
python train_yolo11.py --model yolo11m    # 指定模型大小
python train_yolo11.py --epochs 200       # 指定训练轮数
python train_yolo11.py --imgsz 1280       # 更大分辨率（小目标更佳）
python train_yolo11.py --multi_scale      # 开启多尺度训练
python train_yolo11.py --mode val --weights runs/train/exp/weights/best.pt
python train_yolo11.py --mode predict --weights runs/train/exp/weights/best.pt --source path/to/image

训练注意事项

• 图像尺寸建议 ≥ 640，推荐 1280（小目标分辨率更高）
• batch 建议 16–32（显存不足时降低）
• epochs 建议 200–300（VisDrone 收敛较慢）
• 默认开启 mosaic 数据增强，最后 10 个 epoch 关闭以稳定收敛
• 可使用 --multi_scale 多尺度训练提升小目标性能

训练参数

主要训练参数

模型与优化器

• 优化器：SGD
• 损失权重：box=7.5, cls=0.5, dfl=1.5
• 数据增强：mosaic=1.0, randaugment, erasing=0.4, close_mosaic=10

检测参数（应用配置）

可视化图含义

训练完成后，Ultralytics 会在实验目录下生成以下可视化文件，用于分析模型表现：

训练过程图表

标签与类别分析

评估指标曲线

results.csv 主要列说明

epoch、time、train/box_loss、train/cls_loss、train/dfl_loss、metrics/precision(B)、metrics/recall(B)、metrics/mAP50(B)、metrics/mAP50-95(B)、val/box_loss、val/cls_loss、val/dfl_loss、lr/pg0、lr/pg1、lr/pg2

系统功能

本项目提供基于 PyQt6 的桌面应用「无人机航拍小目标检测系统」，主要功能如下：

功能模块

入口与流程

• 入口：detection_app/main.py，启动后进入登录窗口
• 默认账号：admin / admin123
• 检测流程：通过 utils/detector.py 中的 ImageDetectWorker、VideoDetectWorker、CameraDetectWorker 调用 Ultralytics YOLO 进行推理

配置与存储

• config.json：模型路径、指标目录、检测参数等
• data/users.json：用户信息
• data/history.json：检测历史记录

项目技术栈

依赖包（detection_app/requirements.txt）

PyQt6>=6.4.0
ultralytics>=8.0.0
opencv-python>=4.7.0
Pillow>=9.0.0
matplotlib>=3.7.0
numpy>=1.23.0
pandas>=1.5.0

训练脚本还需：pyyaml

项目结构

project_root/
├── train_yolo11.py           # YOLO11 训练脚本
├── README.md                 # 项目说明文档
├── dataset_visdrone/         # 数据集目录
│   ├── data.yaml             # 数据集配置
│   ├── data_local.yaml       # 自动生成（本机路径）
│   ├── 数据集介绍.md         # 数据集说明
│   ├── VisDrone2019-DET-train/
│   ├── VisDrone2019-DET-val/
│   └── VisDrone2019-DET-test-dev/
├── detection_app/            # 检测系统应用
│   ├── main.py               # 应用入口
│   ├── login_window.py       # 登录窗口
│   ├── main_window.py        # 主窗口
│   ├── config.json           # 应用配置
│   ├── requirements.txt      # 依赖列表
│   ├── data/
│   │   ├── users.json        # 用户数据
│   │   └── history.json      # 检测历史
│   ├── pages/
│   │   ├── image_page.py     # 图片识别页
│   │   ├── video_page.py     # 视频识别页
│   │   ├── camera_page.py    # 摄像头识别页
│   │   ├── history_page.py   # 检测历史页
│   │   ├── model_page.py     # 模型管理页
│   │   └── metrics_page.py   # 指标展示页
│   └── utils/
│       ├── detector.py       # 检测逻辑
│       ├── storage.py        # 配置与存储
│       └── styles.py         # 界面样式
├── 训练文件 1/                 # 训练输出示例
│   └── exp-yolo11s-EMBSFPN-TADDH-C3K2_PMSFA/
│       ├── args.yaml         # 训练参数快照
│       ├── results.csv       # 训练指标
│       ├── results.png       # 训练曲线
│       └── weights/
│           ├── best.pt       # 最佳权重
│           └── last.pt       # 最后一轮权重
└── runs/                     # 训练输出目录（默认）
    └── detect/runs/train/yolo11_visdrone/

参考文献

如在论文中使用 VisDrone 数据集，建议引用：

@article{zhu2021detection,
  title={Detection and tracking meet drones challenge},
  author={Zhu, Pengfei and Wen, Longyin and Du, Dawei and Bian, Xiao and Fan, Heng and Hu, Qinghua and Ling, Haibin},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  volume={44},
  number={11},
  pages={7380--7399},
  year={2021},
  publisher={IEEE}
}

相关链接

• VisDrone 数据集官网：https://aiskyeye.com/
• VisDrone GitHub：https://github.com/VisDrone/VisDrone-Dataset
• ICCV 2019 挑战赛：Vision Meets Drone Object Detection in Image Challenge