无人机航拍小目标检测：YOLO11 实战与 PyQt6 应用

2.5 目录结构

dataset_visdrone/
├── data.yaml                 # YOLO 数据集配置文件
├── data_local.yaml           # 自动生成，含本机绝对路径
├── 数据集介绍.md             # 数据集说明文档
├── VisDrone2019-DET-train/
│   ├── images/               # 训练图像
│   └── labels/               # YOLO 格式标签 (.txt)
├── VisDrone2019-DET-val/
│   ├── images/
│   └── labels/
└── VisDrone2019-DET-test-dev/
    ├── images/
    └── labels/

2.6 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]。

三、训练流程

3.1 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

3.2 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

3.3 使用示例

# 默认配置训练
python train_yolo11.py 

# 指定模型大小
python train_yolo11.py --model yolo11m 

# 指定训练轮数
python train_yolo11.py --epochs 200 

# 更大分辨率（小目标更佳）
python train_yolo11.py --imgsz 1280 

# 开启多尺度训练
python train_yolo11.py --multi_scale 

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

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

3.4 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 Size：建议 16–32（显存不足时降低）
• Epochs：建议 200–300（VisDrone 收敛较慢）
• 数据增强：默认开启 mosaic，最后 10 个 epoch 关闭以稳定收敛
• 多尺度训练：可使用 --multi_scale 提升小目标性能

四、关键参数配置

4.1 主要训练参数

4.2 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

4.3 检测参数（应用配置）

五、可视化分析

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：

5.1 训练过程图表

5.2 标签与类别分析

5.3 评估指标曲线

5.4 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

六、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：

6.1 功能模块

6.2 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

6.3 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

七、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

八、项目结构

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            # 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/

九、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}
}