前言
随着无人机技术在军事领域的广泛应用，无人机视角下的军事目标检测成为计算机视觉与军事智能化结合的核心研究方向之一。目前，公开场景中针对无人机航拍、军事目标细分类的高质量标注数据集较为稀缺，多数数据集存在类别粗糙、场景单一、数据量不足等问题，难以满足模型训练、算法优化及实际落地需求。基于此，本文公开一套无人机视角军事目标细分类检测数据集，同时基于该数据集完成 YOLO 系列 5 个主流版本的训练与验证，同步提供训练结果可视化图，为相关领域研究者、工程实践者提供可靠的数据集支撑与模型参考。
数据集详细信息
本数据集专注于无人机航拍场景下的军事目标细分类检测，所有数据均经过人工精准标注、去重、清洗，场景覆盖真实军事演练相关场景，包含俯拍、侧拍、远距、近景等多种无人机拍摄角度，目标类别细分明确，有效解决现有数据集类别粗糙、场景脱离实际应用的痛点，可直接用于目标检测模型的训练、验证与测试。
数据集具体划分如下，划分比例合理，无需研究者额外进行拆分、清洗，导入模型框架即可直接使用：
测试集：1000 张，用于模型训练完成后的最终性能测试，全程独立于训练过程，确保测试结果的真实性与客观性。
验证集：1984 张，用于训练过程中模型参数的调试与性能验证，实时监控模型过拟合、欠拟合情况，优化模型超参数；
训练集：6994 张，用于模型的核心训练，涵盖各类军事细分类目标及不同场景变化，保障模型的拟合能力与泛化性；
数据集标注规范，边界框精准，细分类目标标注清晰，无漏标、误标情况，能够精准匹配无人机视角下军事目标的检测需求，适用于各类目标检测算法的训练与对比实验。
训练模型及结果说明
为验证本数据集的有效性与实用性，基于该数据集完成了 YOLO 系列 5 个主流版本的完整训练与验证，分别为 YOLO v5、YOLO v8、YOLO v11、YOLO v12、YOLO v26。
训练过程严格控制超参数一致性，采用相同的训练环境、迭代次数、损失函数及评估指标，确保不同版本模型的训练结果具有可比性，能够真实反映各版本模型在本军事细分类数据集上的检测性能。
