简介：无人机频射信号检测数据集是一套面向目标检测与无人机监管的YOLOv8格式标注数据，适用于计算机视觉、无人机反制、低空安全等领域的学习者与算法工程师。压缩包共729个文件，包括364张jpg原始图片、364个txt标注文件及1个yaml配置文件，整体大小约136.82MB；txt与jpg一一对应，yaml定义类别与路径，文件结构清晰，可直接接入YOLOv8训练流程。数据显示，该数据集平均正确识别率达94.3%，目前已有599人浏览学习。数据集涵盖多组无人机目标与空场景样本，可帮助模型有效区分目标与背景，用于反无人机系统、低空防御、智慧安防等任务。凭借完整的标注文件与配置文件，用户无需自行标注即可快速启动训练，适合科研实验、算法竞赛和项目原型验证，显著降低数据准备门槛，提升模型迭代效率。
1. 为什么无人机反制要先检测 5.8GHz 频射信号
做反无人机安防的人都有个共同痛点：光学摄像头在夜间、雾天、远距离场景下很难锁定小型无人机，雷达对低空慢速小目标又容易漏检。频射信号检测是少有的不依赖视线的无源探测手段——无人机图传和遥控链路必然发射电磁波，只要接收到 5.8GHz、2.4GHz 频段的射频能量，就能在无人机进入视野之前先发现它。这个数据集解决的核心问题，就是把频射信号的时频特征整理成目标检测任务，用 YOLOv8 直接从频谱图上识别信号特征。364 张原始图片的规模不算大，但平均识别率 94.3% 说明数据质量很高，适合做有限样本下的模型验证和冷启动训练。适合反无人机系统集成商、频谱监测工程师，以及想用目标检测做信号识别但缺数据的算法工程师。
2. 数据集结构与 Roboflow 导出命名规则解析
拿到数据集先别急着训练，观察文件命名的规律能直接看出数据是怎么被标注和导出的，这一步能避免后面大量格式问题。
2.1 文件名拆解：uuid 与 .rf. 标志的来历
以kong-29-_jpg.rf.9cd17aec4f296710e6d97856d96ce807.jpg为例，拆解如下。
| 组成部分 | 取值示例 | 含义 |
|---|---|---|
| 原始根名 | kong-29-_jpg | 导入标注工具前的原始文件名，去掉扩展名 |
| 固定分隔符 | .rf. | Roboflow 导出文件的约定标识 |
| 32 位随机串 | 9cd17aec4f296710e6d97856d96ce807 | 防冲突的 UUID，确保多版本数据集文件不重名 |
也就是说，原始文件大概率叫kong-29-_jpg.jpg，在 Roboflow 平台完成上传和标注后，导出时文件被重命名为“根名 + .rf. + uuid + 扩展名”。另一种常见命名Mini3Pro_5-8GHZ-6-_jpg.rf.c9651ebbaa817b0aec20839ff8022921.jpg里出现了关键信息——Mini3Pro是常见航拍无人机的机型，5-8GHZ指的是 5.8GHz 频段，说明这批采样数据覆盖了至少两个频段。文件名里直接保留采样标注，对后续按频段划分训练集很有用。
处理这类数据集的第一步，是写脚本把kong-29-、Mini3Pro_5-8GHZ-6-这类前缀提取出来作为样本的类别或频段标签：
ls *.jpg | sed -E 's/\.rf\.[a-f0-9]+\.jpg//' | sed 's/-_jpg//' | sort | uniq -c这段命令先去掉.rf.uuid.jpg后缀，再排除-_jpg，最后统计各个前缀的数量。执行后能直观看到数据集中不同无人机、不同频段的样本分布，比如 kong 系列多少张、Mini3Pro 多少张。如果某些前缀占比极少，训练时就要考虑做类别加权或者直接合并为“未知无人机”类，否则 YOLOv8 的 loss 会被多数类主导。
2.2 YOLOv8 标注格式：归一化坐标与类别 id
数据集说“支持 yolov8 格式的标注”，意味着每张.jpg图片同目录下有一个同名.txt文件，内容类似：
0 0.5203 0.4471 0.0834 0.0702 0 0.7812 0.5328 0.0641 0.0589每行五个数值的含义是：第一个是类别 id（从 0 开始），后面四个分别是x_center y_center width height，全部除以图片宽高做了 0~1 归一化。这种格式本质上描述的是“频射信号特征在时频图中所在的矩形区域”，而不是传统视觉目标。需要特别注意：如果图片尺寸是 640×640，而上表第一行的0.5203 × 640 = 333、0.4471 × 640 = 286，也就是目标中心在像素坐标 (333, 286) 附近，width 和 height 分别约占整图的 8.3% 和 7.0%。换算公式为：
x_pixel = x_center_norm * img_width y_pixel = y_center_norm * img_height w_pixel = width_norm * img_width h_pixel = height_norm * img_height验证标注是否越界、是否为空，我一般直接用 Python 脚本批量检查全部标签文件：
import os from pathlib import Path label_dir = Path("labels") for f in sorted(label_dir.glob("*.txt")): lines = f.read_text().strip().splitlines() if not lines: print(f"{f.name}: 空标注") continue for ln in lines: vals = list(map(float, ln.split())) if len(vals) != 5: print(f"{f.name}: 列数异常 {ln}") continue cid, xc, yc, w, h = vals if not (0 <= xc <= 1 and 0 <= yc <= 1 and 0 < w <= 1 and 0 < h <= 1): print(f"{f.name}: 坐标越界 {ln}") print("检查完成")这段脚本对训练前的数据质量门禁非常关键。364 张图虽然都有标注文件，但 Roboflow 导出时如果原图宽高不规则、标注框贴边，就可能出现坐标取整误差，导致边界框超出 [0,1] 范围。YOLOv8 训练时遇到越界框会直接报corrupt box或 Nan loss，排查起来比提前检查麻烦得多。脚本逻辑上先排除空标注，再逐行校验字段数量和数值范围，任何一条异常都会打印文件名和原始行，方便快速定位具体是哪张图的问题。
2.3 目录划分与类别映射
Roboflow 导出的 YOLO 格式通常带data.yaml，内容类似：
train: train/images val: valid/images test: test/images nc: 1 names: ['drone_rf']这个配置文件是训练入口。当数据集中只标注了一类信号（比如drone_rf），nc就是 1；如果文件名里区分了 kong 和 Mini3Pro 两种信号特征，names列表要对应扩展为['kong', 'mini3pro']且nc改为 2。最常见的问题是训练时发现类别没对上——明明数据集里的目标是信号频谱特征，YAML 里的names却写成了drone或者乱写一个标签，导致模型学到的语义和图像内容不匹配。频射信号检测的类别定义建议按“信号类型 + 频段”命名，比如kong_5_8g、mini3pro_2_4g，这样后续分析误检时能直接看出哪些频段互相混淆。
3. 频射信号如何变成 YOLOv8 能识别的图像
YOLOv8 是视觉检测器，输入是图像，而频射信号原始形式是 IQ 时间序列。把一维信号转成二维图像这一步，决定了模型能否学到区分性特征。
3.1 为什么选择时频图而非原始波形
单一的频谱图只能反映某一时刻的频率分布，但无人机图传和遥控信号是跳频、突发式的，在频域上停留时间短且有明显的起止点。如果只做 FFT 得到功率谱，等于把时间维度全部压平，跳频图案、扫频特征全丢了，检测模型看到的只是“某个频段有能量”这种弱特征。短时傅里叶变换（STFT）把信号切成若干时间片，每片做 FFT，再按时间轴堆叠成二维矩阵，横轴是时间、纵轴是频率、颜色深浅代表能量强度。无人机图传信号的频率跳变在时频图上呈现为间隔均匀的亮色横条或斜线，遥控信号则是窄带持续亮线，视觉特征一致性好，YOLOv8 提取特征时天然有优势。
3.2 IQ 数据到时频图的 Python 实现
常见的做法是用 GNU Radio、HackRF 或 USRP 采集 IQ 数据，保存为二进制文件，离线转成时频图后再标注。核心转换代码片段如下：
import numpy as np from scipy.signal import stft import matplotlib matplotlib.use('Agg') import matplotlib.pyplot as plt def iq_to_timefreq(iq_path, fs=20.48e6, nperseg=1024, noverlap=512, out_png="sample.png"): # 读取 float32 IQ 数据，按实部虚部交织排列 iq = np.fromfile(iq_path, dtype=np.float32) iq = iq[0::2] + 1j * iq[1::2] # 降采样到 10.24 MHz，减少低频噪声干扰 from scipy.signal import decimate iq = decimate(iq, 2, zero_phase=True) f, t_spec, Zxx = stft(iq, fs=fs/2, window="hann", nperseg=nperseg, noverlap=noverlap) # 转 dB 功率谱，防止数值溢出 spec_db = 10 * np.log10(np.abs(Zxx) ** 2 + 1e-12) # 限制显示频率范围到 0~5.12 MHz，突出图传信号 freq_mask = f <= 5.12e6 plt.figure(figsize=(12, 8)) plt.pcolormesh(t_spec, f[freq_mask], spec_db[freq_mask], shading="auto", cmap="viridis") plt.axis("off") plt.savefig(out_png, bbox_inches="tight", pad_inches=0) plt.close()这段代码里decimate(iq, 2, zero_phase=True)是防止混叠的关键，因为原始采样率 20.48MHz 之下，目标信号实际只分布在较低频段，直接画图会浪费大量像素。nperseg=1024意味着每个时间片长度是 1024 个样本，约 100 微秒，能同时兼顾频率分辨率和时间分辨率；noverlap=512让时间窗有 50% 重叠，避免相邻时间片之间特征断层。+1e-12是对数运算的保护项，否则纯噪声区间的幅值可能为 0，直接取对数会得到-inf，导致图像像素异常。用pcolormesh画出来的是伪彩色图，不同颜色对应不同能量强度，YOLOv8 会将它们当成三通道 RGB 图处理。
3.3 标注对象是“信号区域”而非无人机本身
这种数据集里标注框的含义和普通视觉目标完全不同。框住的是时频图上能量聚集的区域，也就是某架无人机的图传/遥控信号在某个时间段、某个频段上的投影。标注时要注意跳频信号常常分裂成多段，一个逻辑目标可能对应多个不相连的亮块，此时要么对每一段单独画框，要么把整个跳频周期框成一个大的包围盒。数据集文件名里有kong（空）前缀，推断采集场景是空旷环境下的无人机飞行测试，干扰较少，标注质量高，这也是 94.3% 平均识别率的来源之一。如果要在自己的场景复现，建议先对小样本做人工标注后训练一版，再用模型辅助预标注，通过半监督方式把 364 张扩展到几千张。
4. YOLOv8 训练射频检测模型：数据配置、C2f 结构精度验证
数据集最终要落到模型训练上。YOLOv8 的工程化程度很高，配置环境、准备数据、启动训练再评估，链路清晰。关键是把 94.3% 这个数字从“别人报的结果”变成自己可复现的指标。
4.1 数据组织与 data.yaml 配置
先把图片和标签按官方目录规范整理：
rf_dataset/ ├── train/ │ ├── images/ │ └── labels/ ├── valid/ │ ├── images/ │ └── labels/ └── data.yamltrain/valid 的图片和标签文件必须同名且一一对应，这是 YOLOv8 数据加载器的硬性要求。然后修改 data.yaml：
path: /data/rf_dataset train: train/images val: valid/images nc: 1 names: 0: drone_rf这里path写绝对路径能避免相对路径在不同的工作目录下解析不一致。nc必须与names的数量一致，一旦写错，训练会在读取标签时直接报 index 越界错误。364 张图按 8:2 划分，训练集约 291 张、验证集约 73 张，不要设test目录，否则验证集进一步缩小，评估波动会很大。
4.2 训练命令与关键超参数
在 Python 3.10、PyTorch 2.x、YOLOv8 环境配置完成后，启动训练：
yolo detect train \ data=/data/rf_dataset/data.yaml \ model=yolov8n.pt \ epochs=200 \ imgsz=640 \ batch=16 \ patience=30 \ device=0 \ project=rf_runs \ name=drone_rf_v1模型结构上，YOLOv8 主干采用 C2f 模块替代了 YOLOv5 的 C3，C2f 通过梯度分流让浅层特征更丰富，对时频图上细窄的频域条纹更敏感，这是选 yolov8n 而不是 v5 的理由。参数含义如下表：
| 参数 | 设置值 | 作用与说明 |
|---|---|---|
imgsz | 640 | 输入分辨率，时频图原图若为 1280×720，会缩放后训练 |
batch | 16 | 显卡显存决定，GTX 1660Ti 可降到 8，A100 可升到 64 |
patience | 30 | 验证集 mAP 连续 30 轮不提升就早停，防过拟合 |
device | 0 | 使用第一张 GPU；无 GPU 时改为cpu，但训练会慢 5~10 倍 |
训练过程中会看到三类核心指标：box_loss回归预测框位置误差、cls_loss分类误差、dfl_loss分布焦点损失。遇到频射信号框体小、形状细长的情况，box_loss往往最后收敛，不要因为它掉得慢就提前中断。早停触发在两到三个小时内是正常的，200 epoch 只是上限。
4.3 94.3% 是如何算出来的
数据集描述中的“平均正确识别率在 94.3%”，通常对应验证集上的 mAP@0.5——即 IoU 阈值取 0.5 时，所有类别 AP 的平均值。验证命令：
yolo detect val \ data=/data/rf_dataset/data.yaml \ model=rf_runs/drone_rf_v1/weights/best.pt \ split=val \ conf=0.25 \ iou=0.6conf=0.25表示置信度低于 0.25 的预测框直接丢弃，iou=0.6是 NMS 的 IoU 阈值。跑完会在终端输出mAP50、mAP50-95、precision、recall。364 张的小数据集上 mAP50 到 94.3% 是合理的，但 mAP50-95 通常会低 10 到 15 个百分点，因为频射信号框长宽比极端，对 IoU 更敏感。一个重要的判断标准是 precision 和 recall 是否接近——如果 recall 明显低于 precision，说明模型漏检较多，常见原因是某一个频段的样本太少，或标注框过小导致下采样后被忽略。此时优先检查不同频段样本的 AP 差异：
yolo detect val \ data=/data/rf_dataset/data.yaml \ model=rf_runs/drone_rf_v1/weights/best.pt \ plots=True生成的混淆矩阵和 P-R 曲线会保存在rf_runs/drone_rf_v1/目录。真正有效的评估是看单类 P-R 曲线的曲线下面积，而不是只看 94.3% 这一个数字——如果 P-R 曲线在召回率超过 0.8 后骤降，说明模型对部分形态的信号特征根本没学会。
4.4 通过损失函数曲线判断训练状态
训练结束后，用下面的脚本查看 loss 曲线：
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("rf_runs/drone_rf_v1/results.csv") plt.subplot(1, 2, 1) plt.plot(df[" epoch"], df[" train/box_loss"], label="train box") plt.plot(df[" epoch"], df[" val/box_loss"], label="val box") plt.legend() plt.title("Box Loss") plt.subplot(1, 2, 2) plt.plot(df[" epoch"], df[" metrics/mAP50(B)"], label="mAP50") plt.legend() plt.title("mAP50") plt.savefig("rf_loss_curve.png", dpi=150)如果 val_box_loss 曲线在 epoch 50 之后出现明显 V 型反转，说明训练已经过拟合，此时早停已触发或即将触发，不需要硬跑满 200 轮。小数据集的正确策略是：第一轮训练先把 patience 调小到 20，快速得到可行基线；第二轮再通过数据增强把模型容量压榨出来。
5. 364 张样本的数据增强与格式转换避坑
样本量小是本数据集最大的限制。要让模型在实采场景下不退化，训练前的离线增强和部署时的格式导出必须处理好三个细节。
5.1 增强策略应当保守
时频图像不能直接套用自然图像的翻转策略。水平翻转等于时间反转，会让跳频图案的方向反转，训练集和验证集时间方向不一致时，检测框位置预测会劣化；上下翻转等于频率反转，原 5.8GHz 特征变成低频特征，语义完全错误。推荐只使用 HSV 调整和轻度缩放裁剪：
import albumentations as A transform = A.Compose([ A.HueSaturationValue(hue_shift_limit=5, sat_shift_limit=10, val_shift_limit=15, p=0.5), A.RandomScale(scale_limit=0.1, p=0.3), A.RandomBrightnessContrast(brightness_limit=0.1, contrast_limit=0.1, p=0.5), ]) img = transform(image=img, bboxes=boxes, class_labels=labels)HueSaturationValue微调颜色通道，模拟不同接收机灵敏度下的色偏；RandomScale的 0.1 倍缩放模拟距离变化导致的信号强度差异。不要用HorizontalFlip，也不要用Rotate超过 30°，频射信号在时频图上有明确的方向性，旋转会引入虚假的频移特征。
5.2 Roboflow 导出后需要重新校验的坑
Roboflow 导出 YOLO 格式时，如果原始图片不是正方形，YOLOv8 训练会根据rect=True或imgsz自动 letterbox；但标签坐标如果基于原图尺寸计算，而验证脚本没按同一参考系读取，就会导致误检。用optimal_ttf这类工具在 Roboflow 上手动标注后，导出时务必检查每张图对应的 txt 文件，确认没有出现像素坐标落入n / 0的 Nan 值。此外，364 张图全部是 jpg，若其中混入 PNG 透明通道，YOLOv8 读取后会对齐到黑边，导致模型把黑边当成背景特征，需要在训练前统一转成 RGB jpg：
find . -name "*.png" -exec convert {} {}.jpg \;5.3 把 best.pt 部署到边缘设备
验证通过后的模型，导出成 ONNX 或 TensorRT engine 才能在实采接收机上跑实时检测：
yolo export model=rf_runs/drone_rf_v1/weights/best.pt format=onnx opset=12 yolo export model=rf_runs/drone_rf_v1/weights/best.pt format=engine device=0 half=Truehalf=True将权重转为 FP16，在 Rockchip RK3588 或 Jetson 平台推理速度可提升约 40%，精度损失通常不超过 1%。导出后写一个最小推理脚本验证单帧耗时：
from ultralytics import YOLO model = YOLO("rf_runs/drone_rf_v1/weights/best.engine") res = model.predict("test_5_8g.png", conf=0.25, imgsz=640) print(res[0].boxes.xyxy.cpu().numpy()) print(res[0].boxes.cls.cpu().numpy())如果输出的置信度集中在 0.95 以上，说明模型把训练集特征背得太熟，对实采数据可能不鲁棒；置信度在 0.3 到 0.7 之间反而说明学到了泛化特征。正确做法是部署到现场连续采集半小时信号，把误检和漏检样本回填到数据集，用半监督方式重训一轮，而不是直接信任 94.3% 的离线指标。
本文还有配套的精品资源，点击获取
