基于 YOLOv11n 的红外多类型无人机目标检测系统 智慧红外飞行检测
智慧红外飞行检测-红外多类别无人机目标检测数据集，6271张，yolo，voc，coco三种标注方式
图像尺寸:640*640
类别数量:2类
训练集图像数量:4390; 验证集图像数量:1255； 测试集图像数量:626
类别名称: 每一类图像数 ，每一类标注数
aircraft‑type_uav-固定翼无人机：592,592
helicopter‑type_uav-直升机式无人机：4162,4191
image num: 6271
模型代码
采用 YOLOv11n 网络训练
训练轮次：80 个 epoch
提供全部训练 + 测试源代码
训练精度 mAP 效果如图所示
PyQt5 界面功能
界面使用 PyQt5 开发，提供全部源码（.ui、.qrc、.py 及图标文件）
支持图片检测、视频检测、摄像头实时检测
界面实时显示：目标位置、目标总数、置信度等信息
支持检测结果保存导出
操作简单直观，无需命令行
附、配套文件（全套完整）
完整数据集：含原始图像、YOLO 格式 txt 标注、VOC 格式 xml 标注、yaml 配置文件
模型程序文件：训练代码 .py、训练好的模型权重 .pt
Qt 界面源码：.ui、.qrc、.py 源码及配套图标资源
程序运行说明文档：程序运行步骤说明指导文档
红外多类别无人机YOLOv11检测项目汇总表+源码+应用场景
一、项目参数详细表格
| 项目参数 | 详细内容 |
|---|---|
| 项目全称 | 基于YOLOv11n的红外多类型无人机目标检测系统 |
| 数据集名称 | 智慧红外飞行检测-红外多类别无人机航拍数据集 |
| 总样本数量 | 6271张红外图像 |
| 单图分辨率 | 640×640 |
| 标注格式 | YOLO txt、VOC xml、COCO JSON 三格式全覆盖 |
| 目标总类别数 | 2类 |
| 数据集划分 | 训练集：4390张 验证集：1255张 测试集：626张 |
| 类别明细（图像数/标注框总数） | 1. aircraft‑type_uav（固定翼无人机）：592张图像，592个标注 2. helicopter‑type_uav（直升机无人机）：4162张图像，4191个标注 |
| 训练骨干网络 | YOLOv11n（轻量化版本） |
| 训练迭代轮次 | 80 epoch |
| 最终精度指标 | mAP@0.5 = 0.928 固定翼无人机mAP：0.923 直升机无人机mAP：0.933 |
| 可视化客户端 | PyQt5桌面检测界面 |
| 界面检测模式 | 图片检测、本地视频检测、摄像头实时红外画面检测 |
| 界面展示内容 | 检测耗时、目标总数、类别置信度、像素坐标、检测结果表格 |
| 附加功能 | 检测画面与坐标数据本地保存导出 |
二、适用应用场景标签
场景标签
低空安防监控、机场净空防护、边境红外警戒、厂区禁飞管控、森林防火红外值守、夜间反无人机侦测、城市空域安防、电力场站低空防御
场景说明
- 夜间低空反无人机安防：依托红外成像不受光照影响的特性，夜晚无灯光环境下识别闯入禁飞区的固定翼、直升机无人机；
- 机场空域管控：防范黑飞无人机干扰航班起降；
- 边防/野外值守：山林、边境夜间红外巡检，侦测非法飞行器；
- 电厂、油库、军工区域重点低空安防预警；
- 森林防火配套监测：夜间林区巡查同时排查违规航拍无人机。
三、数据集yaml配置文件（dataset.yaml）
path:./infrared_uav_datasettrain:images/trainval:images/valtest:images/testnc:2names:0:aircraft-type_uav1:helicopter-type_uav四、训练简易完整代码 train.py
fromultralyticsimportYOLO# 加载YOLOv11n轻量化预训练权重model=YOLO("yolo11n.pt")# 训练参数设置train_results=model.train(data="dataset.yaml",epochs=80,imgsz=640,batch=16,device=0,# CPU运行改为 device="cpu"patience=12,pretrained=True,mosaic=0.75,save=True,project="infrared_uav_run",name="yolo11n_uav_train")# 训练结束验证整体精度val_metrics=model.val()print(f"总体mAP@0.5：{val_metrics.box.map50:.3f}")五、测试推理简易代码 test.py
fromultralyticsimportYOLO# 载入训练最优权重model=YOLO("infrared_uav_run/yolo11n_uav_train/weights/best.pt")# 测试集整体评估test_res=model.val(split="test")print("====红外无人机测试集精度结果====")print(f"mAP@0.5:{test_res.box.map50:.3f}")print(f"Precision:{test_res.box.p:.3f}| Recall:{test_res.box.r:.3f}")# 单张红外图片推理演示pred=model.predict("test_ir_img.jpg",conf=0.25,save=True)forresinpred:forboxinres.boxes:cls_id=int(box.cls)conf=float(box.conf)xyxy=box.xyxy[0].tolist()cls_name=model.names[cls_id]print(f"目标类别：{cls_name}置信度：{conf:.2f}坐标：{xyxy}")六、PyQt5界面核心运行精简代码
importsysimportcv2importtimefromPyQt5.QtWidgetsimportQApplication,QMainWindow,QFileDialog,QTableWidgetItemfromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QTimerfromultralyticsimportYOLOclassInfraredUavDetectUI(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("基于YOLOv11的红外多类型无人机检测系统")self.resize(1370,960)self.model=YOLO("best.pt")self.timer=QTimer()self.cap=None# 绑定摄像头画面刷新self.timer.timeout.connect(self.video_frame)# 图片检测defdetect_image(self):path,_=QFileDialog.getOpenFileName(self,"选取红外图像","","图片(*.jpg *.png)")ifnotpath:returnstart=time.time()result=self.model.predict(path,conf=0.25)[0]cost=time.time()-start# 绘制检测框img_draw=result.plot()# 画面渲染至窗口h,w,c=img_draw.shape qimg=QImage(img_draw.data,w,h,c*w,QImage.Format_RGB888).rgbSwapped()# 填充坐标、置信度、目标数量数据obj_num=len(result.boxes)print(f"耗时:{cost:.3f}s 目标总数:{obj_num}")# 摄像头实时红外检测defopen_camera(self):self.cap=cv2.VideoCapture(0)self.timer.start(30)defvideo_frame(self):ret,frame=self.cap.read()ifnotret:self.timer.stop()returnres=self.model.predict(frame,conf=0.25)[0]frame=res.plot()defcloseEvent(self,e):ifself.cap:self.cap.release()self.timer.stop()if__name__=="__main__":app=QApplication(sys.argv)win=InfraredUavDetectUI()win.show()sys.exit(app.exec_())
