YOLO11 无人机航拍小目标检测系统实战与优化

• 图像尺寸：建议 ≥ 640，针对小目标推荐 1280。
• Batch Size：16–32，显存不足时降低。
• Epochs：VisDrone 收敛较慢，建议 200–300。
• 数据增强：默认开启 mosaic，最后 10 个 epoch 关闭以稳定收敛。
• 优化器：SGD，损失权重 box=7.5, cls=0.5, dfl=1.5。

训练指标解读

Ultralytics 会在实验目录下生成丰富的可视化文件，帮助分析模型表现：

• results.csv / results.png：记录每个 epoch 的损失与指标（mAP、精确率、召回率等）变化曲线。
• train_batch.jpg / val_batch_pred.jpg**：展示数据增强后的输入及预测结果，直观查看漏检与误检情况。
• confusion_matrix_normalized.png：归一化混淆矩阵，分析各类别的预测准确性。
• PR_curve.png / F1_curve.png：评估置信度阈值对性能的影响。

主要列名包括 epoch, train/box_loss, metrics/mAP50(B), val/box_loss 等。

桌面应用系统

为了便于模型验证与日常使用，我们开发了基于 PyQt6 的桌面应用「无人机航拍小目标检测系统」。

核心功能

• 图片识别：支持 JPG/PNG/BMP 拖拽导入，导出检测结果图片与 CSV。
• 视频识别：逐帧检测 MP4/AVI/MOV 格式，显示进度条。
• 摄像头识别：实时调用本地摄像头进行目标检测。
• 检测历史：查看与管理历史记录，支持筛选与导出。
• 模型管理：配置模型路径，调整置信度（conf_threshold）、IoU 阈值等参数。
• 指标展示：集成训练过程可视化图表。

架构与配置

入口为 detection_app/main.py，默认账号 admin/admin123。检测逻辑封装在 utils/detector.py 中，通过 ImageDetectWorker 等线程类调用 Ultralytics YOLO 进行推理。

配置文件 config.json 存储模型路径与检测参数，用户信息与历史记录分别保存在 data/users.json 和 data/history.json。

技术栈与依赖

环境依赖

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
pyyaml

项目结构概览

c124/
├── train_yolo11.py          # YOLO11 训练脚本
├── README.md
├── dataset_visdrone/        # 数据集目录
│   ├── data.yaml
│   └── VisDrone2019-DET-train/
├── detection_app/           # 检测系统应用
│   ├── main.py
│   ├── utils/
│   │   ├── detector.py
│   │   └── storage.py
│   └── pages/               # 各功能页面
└── runs/                    # 训练输出目录

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}
}

本方案通过结合 YOLO11 的高效性与 PyQt6 的交互性，提供了一套完整的无人机小目标检测解决方案。在实际部署中，注意根据具体场景调整输入分辨率与置信度阈值，以获得最佳平衡。