基于 YOLO 标注格式的无人机航拍人员搜救检测数据集

1. 背景

在自然灾害、事故灾难等突发场景中，人员搜救是应急响应的核心任务。传统搜救方式受地形、天气、视野等条件限制，效率与安全性面临挑战。无人机航拍技术凭借其机动性强、覆盖范围广、成本低等优势，已成为应急搜救的重要辅助手段。

然而，航拍图像中目标（人员）通常呈现尺寸小、分布稀疏、背景复杂（如农田、荒漠、废墟、道路等）的特点，人工筛查效率低下且易遗漏。因此，构建面向无人机航拍场景的人员检测数据集，支撑自动化检测算法的训练与评估，对提升搜救效率、降低救援人员风险具有重要意义。

本数据集聚焦无人机视角下的人员检测任务，通过采集多样化场景下的航拍图像并进行标准化标注，为相关算法研究与工程应用提供数据支撑。

2. 数据详情

2.1 数据集规模与结构

本数据集共包含 2439 张图像文件，全部为 JPG 格式，无 PNG 格式文件。对应的标注文件总数为 2440 个，图像与标签比例为 2439:2440。

数据集按功能划分为三个子集，具体分布如下：

训练集（Train）：包含 1779 张图像及对应 1779 个标注文件，用于模型的参数学习与拟合。
验证集（Valid）：包含 439 张图像及对应 439 个标注文件，用于训练过程中的模型性能评估与超参数调优。
测试集（Test）：包含 221 张图像及对应 221 个标注文件，用于最终评估模型在未知数据上的泛化能力。

数据集目录结构清晰，图像与标注文件分别存储于独立目录下，便于管理与调用：

图像文件：存储于 train/images、valid/images、test/images 目录。
标注文件：存储于 train/labels、valid/labels、test/labels 目录，采用 YOLO 格式的 TXT 文件，每条标注包含目标类别索引及归一化后的边界框坐标信息。

2.2 标注类别

数据集覆盖了两类核心标注，具体类别如下：

人员（Humans）：航拍视角下的人员个体，包括不同姿态、着装和光照条件下的目标。
背景（background）：图像中除人员外的其他区域，用于区分目标与非目标区域。

2.3 场景多样性

数据集图像采集自真实航拍场景，覆盖了丰富的环境变化，以提升模型的泛化能力：

地形地貌：包含农田、荒漠、废墟、道路、居民区、工业场地等多种地形，背景纹理与复杂度存在显著差异。
目标状态：人员目标通常尺寸较小，部分存在遮挡、密集分布或与背景颜色相近的情况，对检测算法构成挑战。
光照条件：涵盖白天不同时段的光照场景，模拟了从强光直射到弱光环境的视觉变化。
拍摄视角：采用高空俯视视角，目标分布稀疏，符合无人机搜救任务的典型场景特征。

3. 应用场景

3.1 应急搜救辅助系统

在地震、洪水、山体滑坡等自然灾害场景中，无人机可快速获取灾区航拍图像。本数据集可用于训练和优化人员检测模型，实现对航拍图像中人员目标的自动识别与定位，为救援队伍提供精准的人员位置信息，缩短搜救时间，提升救援效率。

3.2 无人机智能监控与巡查

在森林防火、边境巡逻、大型活动安保等场景中，无人机可执行常态化巡查任务。基于本数据集训练的检测模型，可自动识别航拍图像中的人员目标，实现异常人员闯入、非法活动等情况的实时预警，辅助监控人员进行决策。

3.3 计算机视觉算法研究

本数据集为计算机视觉领域的小目标检测、复杂背景下目标识别等研究提供了高质量的基准数据。研究人员可利用该数据集开展以下方向的探索：

小目标检测：针对航拍图像中人员目标尺寸小、特征稀疏的问题，优化检测算法的精度与召回率。
背景鲁棒性：提升模型在农田、荒漠、废墟等复杂背景下的目标识别能力。
轻量化模型：开发适用于无人机边缘设备的高效检测模型，实现实时检测与推理。
多模态融合：结合无人机搭载的其他传感器数据（如红外、热成像）进行多模态感知研究。

3.4 灾害评估与灾后重建

在灾后评估与重建阶段，无人机航拍图像可用于统计受灾区域的人员分布情况。基于本数据集训练的检测模型，可自动统计图像中的人员数量，为灾后救援资源调配、重建规划提供数据支持。

4. 使用声明

本数据集仅可用于学术研究，不得将其用于商业目的。

在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。