无人机目标检测数据集详解与 YOLOv8 实战指南

安装官方库 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。格式为归一化的中心点坐标与宽高：

<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

标准的 YOLO 数据集目录结构如下：

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

2.3 创建 data.yaml 配置文件

配置文件需明确数据集路径及类别定义。针对本无人机数据集（仅 1 类），配置应如下：

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

💡 注意：原教程中曾出现杂草检测的示例配置，此处已修正为匹配当前无人机数据集的结构，避免训练时类别映射错误。

🚀 3. 模型训练

YOLOv8 提供了多种尺寸模型（n/s/m/l/x），可根据显存大小选择。这里以 yolov8s 为例，它在速度与精度间取得了较好的平衡。

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

关键参数说明

• model: 指定预训练权重文件（如 yolov8s.pt）。若从头训练可移除此参数，但推荐微调以提升收敛速度。
• data: 指向上述 YAML 配置文件的路径。
• imgsz: 输入图像尺寸，统一为 640x640 有利于模型处理。
• epochs: 训练轮次，50 轮通常足够观察收敛趋势，可视 loss 曲线调整。
• batch: 批次大小，受显存限制，过大可能导致 OOM，过小则影响梯度稳定性。
• project/name: 用于区分不同的实验结果，方便后续对比。

📈 4. 模型验证与测试

4.1 验证模型性能

训练完成后，使用最佳权重文件评估指标：

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

输出指标解读：

典型输出示例：

Class Images Instances P R mAP50 mAP50-95
all 100 752 0.891 0.867 0.904 0.672
drone 100 752 0.891 0.867 0.904 0.672

4.2 推理测试图像

使用训练好的模型对单张或批量图片进行预测：

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）

对于需要集成到业务系统的场景，直接使用 Python API 更为灵活：

from ultralytics import YOLO
import cv2

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

# 执行推理
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 脚本直接调用，适合离线工具。 🌐 Web API：结合 Flask/FastAPI 封装接口，实现远程服务。 📦 边缘设备：YOLOv8 支持导出为 ONNX 格式，便于部署至 Jetson、RKNN 等平台。

导出示例：

yolo export model=best.pt format=onnx

📌 总结流程