山东省网站建设_网站建设公司_PHP_seo优化

2

无人机航拍视角河到钓鱼溺水目标检测数据集
，3293张，yolo，voc，coco标注
图像尺寸:1080*1920
类别数量:4类
训练集:3234; 验证集:47； 测试集:12
类别: 每一类图像数 ，每一类标注数
ShuiBianDiaoYu-水边钓鱼: 1404,2872
YouYongNiShui-游泳溺水: 1508,9347
DiaoYuSan-钓鱼伞: 210,429
boat-船只: 689,1507
image num: 3293

🛰️ 无人机视角河边场景目标检测系统

——含“水边钓鱼”、“游泳/溺水”、“钓鱼伞”、“船只”四类

✅ 数据总量：3293 张高清图像（1080×1920）
✅ 支持 YOLO / VOC / COCO 三种标注格式
✅ 提供 YOLOv11 完整训练 + 推理代码
✅ 适用于智慧河道监控、应急救援、AI巡检等场景

📊 数据集统计表

📁 数据集划分情况

⚠️ 注意：验证集和测试集样本较少，建议在训练时使用交叉验证或手动增强验证集。

🗂️ 博主建议 ：目录结构建议（标准 YOLO 格式）

drone_fishing_dataset/ ├── images/ │ ├── train/# 3234 张 (1080x1920)│ ├── val/# 47 张│ └── test/# 12 张├── labels/ │ ├── train/# .txt 文件 (YOLO 格式)│ ├── val/ │ └── test/ ├── annotations/ │ ├── voc/# .xml 文件 (Pascal VOC)│ └── coco/# instances_drone.json (COCO 格式)├── drone.yaml# YOLO 配置文件└── README.md

🛠️ YOLO 配置文件：drone.yaml

# drone.yamltrain:./drone_fishing_dataset/images/trainval:./drone_fishing_dataset/images/valtest:./drone_fishing_dataset/images/testnc:4names:['ShuiBianDiaoYu','YouYongNiShui','DiaoYuSan','boat']

✅ 保存为项目根目录下的drone.yaml

🚀 YOLOv11 完整训练代码（Python 脚本）

# train_drone.pyfromultralyticsimportYOLOimportosimporttime# ======================= 参数设置 =======================MODEL_NAME="yolov11m.pt"# 推荐：yolov11n/s/m/l/x；小数据可用 yolov11sCONFIG_FILE="drone.yaml"# 数据集配置EPOCHS=120BATCH_SIZE=8# 显存不足可设为 4 或 2IMG_SIZE=(1080,1920)# 原始尺寸输入（保持纵横比）PROJECT_NAME="drone_water_surveillance"EXPERIMENT_NAME="exp_v1"# 设备选择（自动检测 GPU）DEVICE=0ifos.environ.get("CUDA_AVAILABLE")else"cpu"# 检查配置文件是否存在ifnotos.path.exists(CONFIG_FILE):raiseFileNotFoundError(f"[ERROR] 配置文件{CONFIG_FILE}不存在，请检查路径！")# ======================= 加载模型 =======================print("🚀 加载 YOLOv11 模型...")model=YOLO(MODEL_NAME)# 自动下载预训练权重# ======================= 开始训练 =======================print("🔥 开始训练...")start_time=time.time()results=model.train(data=CONFIG_FILE,epochs=EPOCHS,batch=BATCH_SIZE,imgsz=IMG_SIZE,# 支持非正方形输入device=DEVICE,project=PROJECT_NAME,name=EXPERIMENT_NAME,exist_ok=True,patience=40,# 早停轮数save=True,save_period=10,# 每10轮保存一次cache=False,# 若内存充足可设为 True 提升速度workers=4,# 优化器设置optimizer='AdamW',lr0=0.001,# 初始学习率lrf=0.01,# 最终学习率 = lr0 * lrfmomentum=0.937,weight_decay=0.0005,# 数据增强策略（针对航拍特点设计）hsv_h=0.015,# 色调扰动hsv_s=0.7,# 饱和度变化大（适应水面反光）hsv_v=0.4,degrees=15.0,# 允许轻微旋转（无人机晃动）translate=0.2,scale=0.6,# 大尺度缩放，模拟远近目标shear=2.0,flipud=0.0,# 不上下翻转（天空/地面不对称）fliplr=0.5,# 左右翻转增强bgr=0.0,mosaic=1.0,# Mosaic 增强，提升小目标检测能力mixup=0.1,# MixUp 增强copy_paste=0.2,# Copy-Paste 对于稀疏类别有效（如 DiaoYuSan）)# ======================= 输出结果 =======================training_time=(time.time()-start_time)/3600print(f"✅ 训练完成！总耗时:{training_time:.2f}小时")print(f"📍 模型保存路径:{results.save_dir}")# ======================= 验证模型性能 =======================print("🔍 开始验证...")metrics=model.val()print(f"mAP@0.5:{metrics.box.map50:.4f}")print(f"mAP@0.5:0.95:{metrics.box.map:.4f}")print(f"Precision:{metrics.box.p:.4f}")print(f"Recall:{metrics.box.r:.4f}")# 分类别的 AP（需查看 tensorboard 或 results.csv）print("\n📊 各类别 mAP@0.5:")fori,cls_nameinenumerate(['ShuiBianDiaoYu','YouYongNiShui','DiaoYuSan','boat']):print(f"{cls_name}:{metrics.box.maps[i]:.4f}")# ======================= 导出 ONNX 模型（用于部署） =======================print("📦 导出 ONNX 模型...")onnx_path=model.export(format="onnx",dynamic=True,simplify=True)print(f"ONNX 模型已保存至:{onnx_path}")

🔄 多格式转换工具（可选）

1. COCO → YOLO 转换示例

# coco_to_yolo.pyimportjsonfrompathlibimportPathdefcoco_to_yolo(coco_json,output_dir):withopen(coco_json)asf:data=json.load(f)# 建立 image_id -> file_name 映射id2name={img['id']:img['file_name']forimgindata['images']}h_map={img['id']:img['height']forimgindata['images']}w_map={img['id']:img['width']forimgindata['images']}forannindata['annotations']:image_id=ann['image_id']filename=Path(id2name[image_id]).stem+".txt"filepath=Path(output_dir)/filename x,y,w,h=ann['bbox']cls_id=ann['category_id']-1# COCO 从 1 开始，YOLO 从 0 开始center_x=(x+w/2)/w_map[image_id]center_y=(y+h/2)/h_map[image_id]width=w/w_map[image_id]height=h/h_map[image_id]line=f"{cls_id}{center_x:.6f}{center_y:.6f}{width:.6f}{height:.6f}\n"withopen(filepath,"a")asf:f.write(line)print("✅ COCO to YOLO 转换完成")

2. VOC → YOLO 转换（略，类似前文）

🖼️ 推理代码（inference.py）

# inference.pyfromultralyticsimportYOLOimportcv2# 加载模型model=YOLO("drone_water_surveillance/exp_v1/weights/best.pt")# 单图推理results=model("test.jpg",conf=0.4,iou=0.5,imgsz=(1080,1920))# 可视化结果forrinresults:im_array=r.plot()# 绘制边界框和标签im=cv2.cvtColor(im_array,cv2.COLOR_RGB2BGR)cv2.imshow("Drone Detection Result",im)cv2.waitKey(0)cv2.imwrite("result_detected.jpg",im)# 打印检测详情forrinresults:boxes=r.boxesforboxinboxes:cls_id=int(box.cls[0])conf=float(box.conf[0])print(f"检测到:{model.names[cls_id]}({conf:.2f})")

📈 训练技巧与优化建议

🎯 应用领域

✅ 总结