YOLO11 驱动的无人机航拍小目标检测系统实战

训练实战

脚本与模式

训练入口为根目录下的 train_yolo11.py，它支持三种运行模式，灵活应对不同需求：

• train：默认训练模式
• 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

实际跑通流程时，只需注意几个关键点：

1. 确认 dataset_visdrone/data.yaml 存在。
2. 脚本会自动调用 fix_data_yaml() 生成包含本机绝对路径的 data_local.yaml，避免跨设备路径错误。
3. 加载 YOLO 预训练模型开始训练。
4. 结果保存在 runs/train/<实验名称>/ 目录下。

命令行示例

这里直接给出常用的命令组合，大家可以根据显存情况调整：

# 默认配置训练
python train_yolo11.py 

# 指定模型大小（m 版本平衡速度与精度）
python train_yolo11.py --model yolo11m 

# 指定训练轮数（VisDrone 收敛较慢，建议 200+）
python train_yolo11.py --epochs 200 

# 提升小目标检测能力，增大分辨率
python train_yolo11.py --imgsz 1280 

# 开启多尺度训练，增强泛化性
python train_yolo11.py --multi_scale 

# 验证模型
python train_yolo11.py --mode val --weights runs/train/exp/weights/best.pt 

# 推理预测
python train_yolo11.py --mode predict --weights runs/train/exp/weights/best.pt --source path/to/image 

关键参数建议

在实际调试中，这些参数对最终效果影响很大：

• 图像尺寸：建议 ≥ 640，针对小目标强烈推荐 1280。
• Batch Size：16–32 之间，显存不足时适当降低。
• Epochs：建议 200–300，VisDrone 数据集较大，需要足够迭代。
• 数据增强：默认开启 mosaic，最后 10 个 epoch 关闭以稳定收敛。
• 多尺度：使用 --multi_scale 能显著提升小目标性能。

训练参数详解

核心配置

优化策略

• 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

检测阈值

在应用层配置时，可根据实际需求调整：

可视化分析

训练完成后，Ultralytics 会在实验目录下生成丰富的图表，帮助诊断模型表现。

训练过程图表

• results.csv：记录每个 epoch 的损失与指标（loss、mAP、精确率、召回率等）。
• results.png：直观展示损失、mAP、学习率随 epoch 的变化曲线。
• train_batch*.jpg / val_batch*_labels.jpg / val_batch*_pred.jpg：分别展示训练输入、验证标签和预测结果的可视化对比。

评估指标曲线

重点关注以下文件来定位问题：

• confusion_matrix_normalized.png：混淆矩阵，查看哪些类别容易混淆。
• P_curve.png / R_curve.png / F1_curve.png：精确率、召回率、F1 分数随置信度的变化。
• PR_curve.png：精确率 - 召回率曲线，综合评估模型性能。

CSV 字段说明

results.csv 中的关键字段包括 epoch, time, train/box_loss, metrics/mAP50(B), metrics/mAP50-95(B) 等，可用于后续绘图分析。

桌面应用功能

为了便于非代码人员使用，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」。

核心模块

启动与配置

• 入口：detection_app/main.py
• 默认账号：admin / admin123
• 逻辑实现：通过 utils/detector.py 中的 Worker 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，data/users.json 存储用户信息。

技术栈

依赖包

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

训练脚本还需安装 pyyaml。

项目结构概览

c124/
├── 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
│   ├── VisDrone2019-DET-train/
│   └── ...
├── detection_app/ # 检测系统应用
│   ├── main.py
│   ├── login_window.py
│   ├── main_window.py
│   ├── config.json
│   ├── requirements.txt
│   ├── data/
│   │   ├── users.json
│   │   └── history.json
│   ├── pages/ # 各功能页面
│   │   ├── image_page.py
│   │   ├── video_page.py
│   │   ├── camera_page.py
│   │   ├── history_page.py
│   │   ├── model_page.py
│   │   └── metrics_page.py
│   └── utils/
│       ├── detector.py
│       ├── storage.py
│       └── styles.py
├── 训练文件 1/ # 训练输出示例
│   └── exp-yolo11s-EMBSFPN-TADDH-C3K2_PMSFA/
│       ├── args.yaml
│       ├── results.csv
│       ├── weights/
│       └── ...
└── runs/ # 默认训练输出目录
    └── 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}
}