NWPU VHR-10 遥感目标检测数据集详解
[图：NWPU VHR-10 数据集概览]
NWPU VHR-10 数据集是 10 个类别地理空间目标检测的挑战性数据集，共 650 张图片。
支持 YOLO 和 COCO 格式。
数据集按默认划分比例：390 张训练集、130 张验证集、130 张测试集。
手动标注了 757 架飞机、302 艘船只、655 个储罐、390 个棒球场、524 个网球场、159 个篮球场、163 个田径场、224 个港口、124 座桥梁和 598 辆车辆。
[图：数据集样本示例]
一、数据集总体信息
| 项目 | 描述 |
|---|---|
| 数据集名称 | NWPU VHR-10（Northwestern Polytechnical University Very High Resolution 10-class Dataset） |
| 任务类型 | 遥感图像中的地理空间目标检测 |
| 图像总数 | 650 张（均为高分辨率遥感图像，源自 Google Earth 等平台） |
| 图像分辨率 | 约 600×600 至 1000×1000 像素，空间分辨率高 |
| 标注格式 | YOLO TXT 格式；COCO JSON 格式 |
| 数据划分 | 训练集：390 张；验证集：130 张；测试集：130 张（比例 ≈ 6:2:2） |
| 应用场景 | 军事侦察、城市规划、灾害评估、智能遥感解译等 |
二、类别定义与实例数量统计
| 类别 ID | 类别名称（英文） | 类别名称（中文） | 标注实例数量 |
|---|---|---|---|
| 0 | Airplane | 飞机 | 757 |
| 1 | Ship | 船只 | 302 |
| 2 | Storage Tank | 储罐 | 655 |
| 3 | Baseball Diamond | 棒球场 | 390 |
| 4 | Tennis Court | 网球场 | 524 |
| 5 | Basketball Court | 篮球场 | 159 |
| 6 | Ground Track Field | 田径场 | 163 |
| 7 | Harbor | 港口 | 224 |
| 8 | Bridge | 桥梁 | 124 |
| 9 | Vehicle | 车辆 | 598 |
总标注目标数：3,896 个
所有目标均以水平边界框（Axis-Aligned Bounding Box）标注。
三、推荐使用方式
| 用途 | 建议 |
|---|---|
| 模型训练 | 直接使用提供的 YOLO 或 COCO 格式，适配 YOLOv5/v8、MMDetection、Detectron2 等主流框架 |
| 评估指标 | 通常采用 [email protected]（IoU=0.5）作为主指标 |
| 挑战点 | 小目标（如车辆、飞机）；类间尺度差异大（港口 vs 车辆）；背景复杂（城市、水域、农田混合） |
| 扩展建议 | 可结合 DIOR、DOTA 等遥感数据集进行跨域泛化研究 |
四、项目结构建议
nwpu_vhr10_yolo/
├── dataset.yaml # 数据集配置文件
├── train.py # 主训练脚本
├── predict_demo.py # 推理演示
├── export_model.py # 模型导出脚本
└── data/
├── images/
│ ├── train/ # 390 张训练图像
│ ├── val/ # 130 张验证图像
│ └── test/ # 130 张测试图像
└── labels/
├── train/ # 对应 .txt 标注（YOLO 格式）
├── val/
└── test/
假设你已将官方提供的 YOLO 格式数据按上述结构组织。
五、数据集配置文件 dataset.yaml
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']
六、详细训练代码 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}")
# 选择模型（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, # 数据增强（关键！提升小目标和尺度变化鲁棒性）
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=,
mosaic=,
mixup=
)
metrics = model.val(data=, split=)
()
()
()
()
()
__name__ == :
main()
运行命令：
python train.py
七、推理演示 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})")
八、模型导出（用于部署）
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)
九、训练优化建议
| 挑战 | 解决方案 |
|---|---|
| 小目标漏检（如车辆、飞机） | 启用 mosaic=1.0，使用 imgsz=1024（若显存允许） |
| 类别不平衡（如桥梁仅 124 个） | YOLOv8 内置 Focal Loss 变体，通常无需额外处理；也可对稀有类过采样 |
| 背景复杂干扰 | 增加 hsv_v 和 degrees 增强，提升光照与角度鲁棒性 |
| 实时遥感分析 | 若部署于边缘设备（如无人机），可改用 yolov8s + TensorRT |
