无人机目标检测数据集介绍及 YOLOv8 训练实战

📦 1. 环境配置

建议使用 Python 3.8+，并确保支持 CUDA 的 GPU 环境。

# 创建并激活虚拟环境（可选）
python -m venv yolov8_env
source yolov8_env/bin/activate
# Windows 用户使用 yolov8_env\Scripts\activate

安装 YOLOv8 官方库 ultralytics

pip install ultralytics

📁 2. 数据准备

2.1 数据标注格式（YOLO）

每张图像对应一个 .txt 文件，每行代表一个目标，格式如下：

<class_id> <x_center> <y_center> <width> <height>

所有值为相对比例（0~1）。

类别编号从 0 开始。

2.2 文件结构示例

datasets/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

2.3 创建 data.yaml 配置文件

path: ./datasets
train: images/train
val: images/val
nc: 1
names: ['drone']

🚀 3. 模型训练

YOLOv8 提供多种模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根据设备性能选择。

yolo detect train \
model=yolov8s.pt \
data=./data.yaml \
imgsz=640 \
epochs=50 \
batch=16 \
project=drone_detection \
name=yolov8s_drone_detect

关键参数补充说明：

1. model=yolov8s.pt
   • 使用预训练的 YOLOv8 small 版本（平衡速度与精度）
   • 可用选项：yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)

data=./data.yaml

# 典型 data.yaml 结构示例
path: ../datasets/drone
train: images/train
val: images/val
names:
0: drone

📈 4. 模型验证与测试

4.1 验证模型性能

yolo detect val \
model=runs/detect/yolov8s_drone_detect/weights/best.pt \
data=./data.yaml

关键参数详解

1. model=runs/detect/yolov8s_drone_detect/weights/best.pt
   • 使用训练过程中在验证集表现最好的模型权重（best.pt）
   • 替代选项：last.pt（最终 epoch 的权重）
2. data=./data.yaml
   • 必须与训练时使用的配置文件一致

确保验证集路径正确：

val: images/val
names:
0: drone

路径结构说明：

runs/detect/
└── [训练任务名称]/
    └── weights/
        ├── best.pt # 验证指标最优的模型
        └── last.pt # 最后一个 epoch 的模型

常用可选参数

典型输出指标

Class Images Instances P R mAP50 mAP50-95
all 100 752 0.891 0.867 0.904 0.672
drone 100 412 0.912 0.901 0.927 0.701

4.2 推理测试图像

yolo detect predict \
model=runs/detect/yolov8s_drone_detect/weights/best.pt \
source=./datasets/images/val \
save=True

🧠 5. 自定义推理脚本（Python）

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('runs/detect/yolov8s_drone_detect/weights/best.pt')

# 推理图像
results = model('test.jpg')

# 可视化并保存结果
results[0].show()
results[0].save(filename='result.jpg')

🛠 6. 部署建议

✅ 本地运行：通过 Python 脚本直接推理。

🌐 Web API：可用 Flask/FastAPI 搭建检测接口。

📦 边缘部署：YOLOv8 支持导出为 ONNX，便于在 Jetson、RKNN 等平台上部署。

导出示例：

yolo export \
model=best.pt \
format=onnx

📌 总结流程