YOLOv11无人机检测：空域安全系统搭建记录

背景

无人机市场快速增长，也带来了严峻的空域安全问题。传统雷达和无线电监测对于小型消费级无人机（尺寸<50cm，飞行高度低）效果有限，漏报率高、成本贵。视觉方案随着YOLO系列算法的进步，逐渐成为可行替代。

YOLOv11在目标检测任务上达到了180FPS和69.3% mAP，且模型轻量化后可以跑在边缘设备上。这个项目就是尝试用YOLOv11构建一个无人机检测系统，结合实时视频流、告警和统计图表，成本控制在传统方案的十分之一。

整体设计

系统由模型训练、视频处理、用户界面三大块组成。技术栈选型如下：

模块	技术实现	功能
模型训练	Ultralytics YOLO	使用自定义数据集训练无人机检测模型
视频处理	OpenCV 4.5	实时视频流采集、预处理与后处理
用户界面	PyQt5	主窗口、控制面板、实时画面和统计图表
数据可视化	Matplotlib	检测结果的柱状图/折线图
性能加速	ONNX Runtime	模型导出与推理加速，适配Jetson等边缘设备

训练流程是：数据采集 → 标注 → 增强 → 训练 → 评估 → 导出。关键训练参数如下：

model = YOLO('yolov11s.yaml')  # 使用small版本减小计算量
model.train(
    data='drone.yaml',         # 自定义数据集配置
    epochs=300,
    batch=16,
    imgsz=640,
    optimizer='AdamW',
    lr0=0.01,
    device='0'                 # GPU加速
)

UI交互与多线程

用PyQt5搭了一个带视频显示、控制按钮和实时图表的主窗口。检测线程从摄像头拉流、跑推理，然后通过信号槽把结果传回主线程更新画面和统计。

class DetectionThread(QThread):
    def run(self):
        while running:
            frame = camera.get_frame()
            results = model.predict(frame)
            emit signal_results_ready(results)

class MainWindow(QMainWindow):
    def __init__():
        .video_label = QLabel()
        .start_btn = QPushButton()
        .chart_view = QGraphicsView()
        .detection_thread.signal_results_ready.connect(.update_ui)
    
     ():
        frame = results.render()
        pixmap = QPixmap.fromImage(frame)
        .video_label.setPixmap(pixmap)
        .update_chart(results)