NWPU VHR-10 遥感目标检测数据集详解与 YOLOv8 实战

确保 dataset.yaml 配置正确指向图片路径和类别名称。对于 NWPU 这种小目标较多的场景，配置文件如下：

path: ./data
train: images/train
val: images/val
test: images/test
nc: 10
names: ['airplane', 'ship', 'storage_tank', 'baseball_diamond', 'tennis_court', 'basketball_court', 'ground_track_field', 'harbor', 'bridge', 'vehicle']

模型训练细节

遥感图像背景复杂且目标尺度差异大，训练时需要特别注意增强策略。下面是一个基于 Ultralytics YOLOv8 的训练脚本，重点调整了数据增强参数以提升鲁棒性。

# train.py
from ultralytics import YOLO
import torch

def main():
    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    print(f"🚀 使用设备：{device}")

    # 遥感小目标多，推荐 yolov8m 或 yolov8l
    model_name = "yolov8m.pt"
    project_name = "nwpu_vhr10_detection"

    # 加载预训练模型
    model = YOLO(model_name)

    # 开始训练
    results = model.train(
        data='dataset.yaml',
        epochs=150,          # 遥感数据复杂，建议充分训练
        imgsz=640,           # NWPU 图像较小，640 足够；若需更高精度可用 1024
        batch=16,            # 640 分辨率下 batch=16（32G 显存可设 32）
        name=project_name,
        device=device,
        patience=30,         # 早停机制（验证集 mAP 不升则停）
        save=True,
        plots=True,          # 自动生成 PR 曲线、混淆矩阵、样本可视化
        exist_ok=False,
        workers=8,
        optimizer='AdamW',
        lr0=0.01,
        lrf=0.01,
        augment=True,
        hsv_h=0.015,
        hsv_s=0.7,
        hsv_v=0.4,
        degrees=15.0,        # ±15° 旋转（遥感视角多样）
        translate=0.1,
        scale=0.5,
        flipud=0.0,          # 不上下翻转（地理目标方向敏感）
        fliplr=0.5,          # 左右翻转安全
        mosaic=1.0,          # Mosaic 增强（对小目标如 vehicle/airplane 极有效）
        mixup=0.1
    )

    # 在测试集上评估最终性能
    metrics = model.val(data='dataset.yaml', split='test')
    print("\n✅ NWPU VHR-10 测试集结果:")
    print(f" [email protected] (all): {metrics.box.map50:.5f}")
    print(f" [email protected]:0.95: {metrics.box.map:.5f}")
    print(f" Precision: {metrics.box.mp:.5f}")
    print(f" Recall: {metrics.box.mr:.5f}")

if __name__ == '__main__':
    main()

运行命令非常简单：

python train.py

推理与部署

训练完成后，我们可以进行推理演示。注意遥感小目标的置信度阈值建议适当降低。

# predict_demo.py
from ultralytics import YOLO

model = YOLO('runs/detect/nwpu_vhr10_detection/weights/best.pt')
results = model.predict(
    source='test_image.jpg',
    conf=0.25,           # 遥感小目标建议降低阈值
    iou=0.45,
    save=True,
    show=True,
    line_width=2,
    font_size=12
)

# 打印检测结果
class_names = ['Airplane', 'Ship', 'Storage Tank', 'Baseball Diamond', 'Tennis Court', 'Basketball Court', 'Ground Track Field', 'Harbor', 'Bridge', 'Vehicle']
for result in results:
    boxes = result.boxes
    print(f"检测到 {len(boxes)} 个目标")
    for box in boxes:
        cls_id = int(box.cls.item())
        conf = float(box.conf.item())
        print(f" → {class_names[cls_id]} (置信度：{conf:.3f})")

如果需要部署到边缘设备，支持多种导出格式：

# export_model.py
from ultralytics import YOLO

model = YOLO('runs/detect/nwpu_vhr10_detection/weights/best.pt')

# 导出为 ONNX（通用）
model.export(format='onnx', imgsz=640, simplify=True)

# 导出为 TensorRT（NVIDIA GPU / Jetson）
model.export(format='engine', imgsz=640, half=True, device=0)

# 导出为 OpenVINO（Intel CPU）
model.export(format='openvino', imgsz=640)

优化建议

在实际应用中，可能会遇到以下挑战：

• 小目标漏检：启用 mosaic=1.0，尝试将 imgsz 提升至 1024（视显存而定）。
• 类别不平衡：桥梁类样本较少，YOLOv8 内置的 Focal Loss 变体通常能处理，也可考虑对稀有类进行过采样。
• 背景干扰：增加 hsv_v 和 degrees 增强，提升光照与角度鲁棒性。
• 实时分析：若部署于无人机等边缘设备，建议改用 yolov8s + TensorRT 加速。

通过上述流程，你可以快速构建一个针对 NWPU VHR-10 数据集的目标检测系统，并根据实际业务需求进行微调。