红外无人机与鸟类目标检测数据集 | 红外检测 无人机识别 鸟类检测 低空安防 反无人机 yolov11模型9151期
数据集概述
本数据集专注于红外热成像场景下无人机与鸟类的视觉检测与区分，服务于低空安防、机场净空防护及生态监测。数据涵盖夜间红外航拍图像，适配反无人机预警、鸟击防范及夜间生态调研等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共2类：鸟类、无人机 |
| 数量 | 57573张图像 |
| 格式 | 图像为 JPG/PNG（分辨率640×640）；同时提供YOLO、VOC、COCO三种标注格式 |
| 数据划分 | 训练集37499张，验证集11488张，测试集8586张 |
| 应用价值 | 1.机场净空：夜间红外远距离监测飞鸟与入侵无人机，规避鸟击与扰航风险。 2.低空安防：园区、厂区、军事区域夜间反无人机预警。 3.生态观测：红外航拍野外鸟类种群与活动频次计数。 4.设施防护：夜间识别鸟类筑巢、无人机非法靠近输电线路或风电设施。 |
完整类别列表（共2类）
| 序号 | 英文名称 | 中文释义 | 包含图像数 | 标注框总数 | 标签说明 |
|---|---|---|---|---|---|
| 0 | BIRD | 鸟类 | 20906 | 28219 | 夜间红外画面下各类飞鸟，多为远距离小目标、弱热源轮廓 |
| 1 | DRONE | 无人机 | 36667 | 36667 | 红外场景下民用/航拍无人机热源成像目标 |
数据三要素解析
类别与目标覆盖
- 数据集定义2个核心类别：鸟类（BIRD）与无人机（DRONE），聚焦于两类空中目标的区分。
- 鸟类与无人机在红外图像中均呈现为热源目标，但形态、运动模式及热特征存在差异，模型需学习这些判别特征。
- 无人机类别样本较多（36667张），鸟类样本相对较少（20906张），存在一定的类别不平衡。
数据规模与性能
- 图像总量达57573张，规模庞大，能支撑高精度检测模型的稳健训练。
- 按约65:20:15比例划分为训练集（37499张）、验证集（11488张）、测试集（8586张），划分规范。
- 图像分辨率统一为640×640，可直接输入常见检测网络。
- 公开的模型性能指标显示：鸟类 AP@0.5 达0.975，无人机 AP@0.5 达0.990，整体 mAP@0.5 达0.983，检测效果优异。
格式与配套资源
- 同时提供YOLO、VOC、COCO三种通用标注格式，灵活适配不同检测框架。
- 附赠基于YOLOv11n训练的完整模型（训练80轮），可直接推理。
- 提供PyQt5 可视化界面（含源码、.ui、.qrc、图标文件），支持图片、视频、摄像头实时检测，实时显示目标位置、总数、置信度等信息。
- 运行环境：Python=3.8、opencv-python、PyQt5、torch，支持 Windows、Linux 系统。
知识普及：红外无人机与鸟类检测的技术要点
- 热特征差异：无人机通常具有稳定的热源（电池、电机），在红外图像中呈现为规则的热斑；鸟类为恒温动物，热辐射分布更均匀，形态更自然。
- 运动模式区分：鸟类飞行姿态多变，翅膀拍动频率有规律；无人机运动更机械，可能悬停、直线飞行。视频时序信息可辅助区分。
- 小目标检测：夜间红外远距离拍摄时，鸟类与无人机均呈现为小目标，需采用高分辨率输入或多尺度特征融合策略。
- 背景干扰：云层、建筑热源、地面热反射等可能与目标混淆，模型需依赖形态与热分布特征进行区分。
- 应用闭环：检测结果可结合雷达或射频信号，构建多传感器融合的低空安防系统，实现"发现-识别-反制"的闭环流程。
快速开始（代码示例）
1. 准备配置文件 (dataset.yaml)
path:./ir_bird_dronetrain:images/trainval:images/valtest:images/testnc:2names:['BIRD','DRONE']2. 启动 YOLOv11n 训练
fromultralyticsimportYOLO model=YOLO("yolo11n.pt")results=model.train(data="dataset.yaml",epochs=80,imgsz=640,batch=16,device=0,patience=10,save=True,pretrained=True)3. 单张图像推理
fromultralyticsimportYOLO model=YOLO("weights/best.pt")res=model.predict(source="test_img.jpg",conf=0.25,imgsz=640,save=True)forboxinres[0].boxes:cls=int(box.cls)conf=float(box.conf)xyxy=box.xyxy.tolist()[0]print(f"类别：{model.names[cls]}，置信度：{conf:.2f}，坐标：{xyxy}")标签
红外检测无人机识别鸟类检测低空安防反无人机目标检测YOLO格式深度学习数据集计算机视觉
