YOLOv11无人机检测实战：从小目标优化到告警系统落地

简介：一套基于YOLOv11算法的智能无人机检测系统项目，面向计算机视觉开发者、安防工程人员及无人机安全管控相关从业者，用于实现对无人机目标的快速识别与实时跟踪，并能灵活适配多种部署环境。系统核心采用YOLOv11模型，支持图片、视频及摄像头实时检测，并提供基于PySide6的图形界面，可动态切换模型和调整检测阈值，适合安防监控、空域管理、低慢小目标防范等场景。资源包共669个文件，大小约6.51MB，主要包含PyTorch源码（py）、模型配置文件（yaml）、预训练权重（pt）、使用说明文档（md）及少量C++扩展代码（cpp/cc/h）等，可满足模型训练、推理验证与二次开发需求。项目结构完整，既有Python调用示例，也有GUI实现与模型训练配置，配套文档清晰，便于快速理解工程链路。已有122人学习下载，适合需要搭建无人机检测原型或研究YOLOv11工程落地的读者。

1. 从监控大屏到低空告警：yolov11 检测无人机的第一性问题

监控大屏上，一架多旋翼无人机贴着楼顶飞过。值班员没看到，系统也没有弹窗，等它飞出机场净空区，几秒钟的黄金处置窗口已经过去。这个场景不是假设，而是无人机检测系统落地时最常见的失败：不是模型不识别，是“能检测”和“敢告警”之间隔着一条完整的工程链路。基于yolov11算法的智能无人机检测系统，要解决的正是这个问题——以YOLOv11为检测骨架，把单帧推理、小目标漏检、连续帧决策、告警记录串成一个闭环，最后交付给监控场景或演示环境使用。

适合读这篇文章的人有两类：一类是安防、机场、电力巡检里真正要部署无人机检测的工程师，需要把模型训练和推理链路搭起来；另一类是高校里做无人机视觉感知方向、需要快速出演示系统的同学。YOLOv11继承V8的anchor-free结构和解耦头，又加了更深的C2PSA 注意力模块，在低空小目标场景里有天然值得挖掘的空间。但“用YOLOv11训练”只是整条链路里最简单的一段，后面还有数据组织、部署导出、告警策略和误报排查四道坎。这篇文章按一段完整的实现路径来讲。

2. 无人机目标太小容易漏检：yolov11小目标优化与数据集准备

无人机目标在监控画面里有多小？按常见布控场景，枪机架在12米高杆，40米外一架大疆M300在画面里大约只有14×12像素，输入分辨率640×640时，这个尺寸远低于MS COCO“小目标为32×32以下”的经验分界。YOLOv11默认输入和检测层是为通用物体设计的，直接套用，漏检几乎是必然的。所以准备阶段就要回答清楚：yolov11凭什么能检测小目标、哪些部分要调整、数据从哪来。

2.1 先看yolov11对小目标友好的三个结构

YOLOv11的backbone采用C3k2模块替换了YOLOv8的C2f，减少浮点计算的同时保持了多分支特征提取能力，这对小目标的意义在于：浅层空间细节保留得更多。第二个关键结构是C2PSA，它在深层引入自注意力，能增强对大范围上下文的理解，适合逆光、云雾背景下“无人机融进天空”的情况。第三个是anchor-free检测头配合解耦分类与回归分支，回归分支直接预测目标框到网格四边的距离，对小目标的位置拟合比锚框方式更直接。

这三块决定了yolov11做无人机检测的下限不会太低，但上限仍然依赖数据和训练策略。有一个常见误区值得提醒：不要一上来就换所谓的“小目标检测头”。YOLOv11在检测头之前通过SPPF和多个C3k2堆叠出P3、P4、P5三个输出尺度，P3负责小目标。如果P3特征还不足以覆盖6×6像素的目标，换更复杂的注意力模块之前，应该先检查输入分辨率和数据增强策略，这两个变量对小目标的边际收益比网络结构改动更大。

2.2 数据准备决定模型上限：无人机数据集的采集与标注

收集无人机数据集时的目标不只是丰富，还要覆盖视角变化、距离差、光照差和遮挡差。公开数据集中VisDrone提供大量俯拍车辆行人，DTLD提供无人机视角的交通目标，这些都是预训练和辅助训练的好素材；真正决定模型能不能在监控场景工作的是平视或略微俯视的监控实拍画面。建议自采时把相机架到楼顶或道路杆件上，让无人机依次做悬停、匀速穿越、低空绕飞和海平面背景巡航。每个距离档位都拍一段不少于3分钟的视频，不要只拍“易于识别”的大近景。

标注是无人机检测和行人检测差异最大的地方。旋翼转动会让目标边缘呈现扇形虚影，标注框如果严格贴着桨尖，会把这些虚影当成特征学进去；如果框得太紧只框机身，模型又学不到旋翼的判别信息。建议统一按“机身核心+旋翼外轮廓”给出中心贴紧的矩形框，对多旋翼和固定翼分别建类，避免把复合翼无人机在两种形态切换时v11输出异常抖动。标注完成后要单独留出hard_examples目录，把飞鸟、风筝、塑料袋这些难负样本放进去，后面的误报排查会用到。

2.3 数据增强与训练参数：针对“小目标”调yolov11的三个旋钮

训练yolov11前，先把数据增强策略从默认值改成适合小目标的组合。mosaic合成增强了背景多样性，但拼接后物体又被缩小，小目标在mosaic图里往往只剩几个像素。常规做法是0.8的mosaic概率，同时在最后15个epoch关闭mosaic，让模型在接近真实分布的图像上微调。mixup同理，保留0.2即可，过高的mixup会让两个无人机框的边界互相污染。需要轻量实现时，Ultralytics官方配置里直接覆盖这两个参数就可以。

还有一个常被忽略的旋钮是输入分辨率。训练时imgsz=640是通用设置，无人机数据集像素尺寸小时，把imgsz提到960或1280能直接提升小目标检出率。代价是GPU显存翻倍，推理端也要用同样的分辨率才能对齐训练分布。若要在小显存上跑，可以先用640训练，再以更高分辨率微调10个epoch，观察mAP50-95的变化，有提升再考虑正式部署。这一过程本质上是在输入维度上做文章，比盲目改yolov11内部结构风险低得多。

3. 用yolov11训练无人机检测模型：数据划分、训练参数与loss观察

训练阶段最大的坑不是参数，而是数据划分离谱。很多人直接把视频按帧抽出来，再随机分train/val，导致同一段视频的连续帧同时进训练集和验证集，验证mAP虚高，部署到新场景立刻打回原形。正确的做法是按场景或视频文件分组。

3.1 按场景组划分数据集与dataset.yaml配置

假设自采数据放在dataset/drones/目录下，内部按场景分子目录：scene01_tower、scene02_river、scene03_dawn。用脚本保证同一场景的视频帧全部落在同一集合里，而不是随机打散。

import random from pathlib import Path src = Path("dataset/drones/images") train_out = Path("dataset/drones/train") val_out = Path("dataset/drones/val") train_out.mkdir(parents=True, exist_ok=True) val_out.mkdir(parents=True, exist_ok=True) scenes = [p for p in src.iterdir() if p.is_dir()] val_scene = random.sample(scenes, max(1, int(len(scenes) * 0.2))) for scene in scenes: dest = val_out if scene in val_scene else train_out for img in scene.glob("*.jpg"): # 每张图要连同同名txt标注一起复制 (dest / img.name).symlink_to(img.resolve()) label = img.with_suffix(".txt") if label.exists(): (dest / label.name).symlink_to(label.resolve())

代码逻辑说明：按场景目录整体抽样，不在帧级别随机打散，避免同源视频的时空相关性污染验证集会随机挑选一个场景目录作为验证依据，实际场景多时把val比例调到20%即可。用symlink是为了不复制两份数据浪费磁盘；Windows下改用copyfile。

接着写数据集yaml：

path: dataset/drones train: train val: val nc: 1 names: 0: drone

nc表示类别数，names里类别名称要和标注脚本中的class id对应。如果你的数据里同时有固定翼和多旋翼且想分开检测，把nc改成2、names列表补上fixed_wing即可。这里不写download字段，避免在线拉取额外的无关数据。

3.2 训练命令与关键参数解释

数据准备好了，用Ultralytics命令行直接跑。注意区分两个常用起点：从头训练用yolo11n.yaml，迁移训练用yolo11n.pt。监控数据集规模不大，强烈建议用预训练权重迁移，把P3层在COCO上学到的边缘纹理能力迁移过来。

yolo detect train \ data=dataset/drones/dataset.yaml \ model=yolo11n.pt \ epochs=150 \ patience=30 \ imgsz=960 \ batch=8 \ device=0,1 \ optimizer=AdamW \ lr0=0.005 \ mosaic=0.8 \ close_mosaic=15 \ mixup=0.2 \ project=runs/drone_v11 \ name=exp_small_tgt

这个命令里的参数都值得解释：epochs=150是常用设置，对千张量级的小数据集来说，150轮能观察到充分收敛；patience=30表示验证集指标30轮不提升就早停。batch=8在imgsz=960下大约占用24GB显存，8GB单卡可以用batch=4并叠加gradient_accumulation参数做梯度累积。optimizer选择AdamW替代默认SGD，小数据集下收敛更平稳，learning rate也要相应调低到0.005。close_mosaic的15轮设定保证最后的微调阶段拿到的是没有拼贴的真实画面。

3.3 训练日志怎么看：从loss曲线到早停策略

训练开始后用yolo detect train输出的实时表格观察loss，同时用TensorBoard查看box_loss、cls_loss和dfl_loss三条曲线。如果box_loss持续下降但cls_loss在40轮后横盘，说明目标框定位在学习、分类区分度饱和，此时该检查是不是飞鸟负样本太少。

训练常见现象和对策参考下表：

训练结束后看runs/drone_v11/exp_small_tgt/weights/best.pt，这个权重就是后面部署用的候选模型。如果best.pt和last.pt之间的mAP差距很大，说明后段训练震荡，把patience调大后重新跑。小数据量下不建议直接相信best.pt，应该两个权重都放到验证脚本里跑一遍视频，用肉眼确认实际检测效果。

4. 把yolov11部署到监控环境：导出ONNX、推理提速与告警联动

训练只是开始。监控场景下，检测程序要从摄像头RTSP流取帧，在边缘设备上完成yolov11推理，再把告警推给大屏或联动声光报警。这一章讲清楚部署时最常见的三个问题：模型导出格式、推理速度优化、告警触发策略。

4.1 导出ONNX与TensorRT，避开opset的坑

在Ultralytics环境里一行命令完成导出：

from ultralytics import YOLO model = YOLO("runs/drone_v11/exp_small_tgt/weights/best.pt") # 先导出onnx，opset尽量用推理环境支持的版本 model.export(format="onnx", opset=13, imgsz=960, half=True) # 如果目标环境有TensorRT，再转engine model.export(format="engine", imgsz=960, half=True, workspace=4)

导出命令的逻辑说明：第一步转ONNX是为了跨平台验证，opset不要追新，13是兼容性较好的版本，TensorRT 8.x版本对更旧opset的支持反而更稳定。half=True把权重转成FP16，显存占用减半、推理速度翻倍，代价是mAP可能掉落0.3%~1%，对小目标来说有时反而会丢失响应。workspace=4表示给TensorRT的构建预分配4GB显存，模型较大或分辨率较高时可以调到8。

使用TensorRT engine后有个容易踩的坑：推理时输入张量的预处理必须完全复现训练时的letterbox、归一化和通道顺序，FP16模型对归一化尺度更敏感，差一个像素的padding都可能导致输出置信度抖动。所以部署端不要手写一套前后处理，直接复用ultralytics提供的YOLO类去加载engine文件。

4.2 推理前后处理：letterbox与结果过滤

假设你要在自定义推理服务里加载ONNX模型，前后处理代码是标准环节：

import cv2 import numpy as np import onnxruntime as ort def letterbox(img, new_shape=960, stride=32): h, w = img.shape[:2] r = min(new_shape / h, new_shape / w) nh, nw = int(h * r + 0.5), int(w * r + 0.5) resized = cv2.resize(img, (nw, nh)) dh, dw = new_shape - nh, new_shape - nw top, bottom = dh // 2, dh - dh // 2 left, right = dw // 2, dw - dw // 2 img = cv2.copyMakeBorder(resized, top, bottom, left, right, cv2.BORDER_CONSTANT, value=(114, 114, 114)) return img, r, (left, top) def preprocess(img): img, ratio, (dx, dy) = letterbox(img) blob = img[:, :, ::-1].transpose(2, 0, 1).astype(np.float16) / 255.0 blob = np.expand_dims(blob, 0) return blob, ratio, (dx, dy), img.shape[:2]

这段代码的关键点：letterbox用等比缩放加灰边填充，保持目标不变形。改变宽度或高度直接resize会让无人机旋翼形状出现镜像偏差，影响小目标特征提取。转成输入blob时BGR转RGB，归一化除以255，和训练时的预处理顺序必须完全一致。FP16输入使用astype(np.float16)是为了匹配onnx权重精度，否则推理结果会因为精度不匹配被clip。

推理完成后，对输出做类别过滤和NMS：

scores = outputs[0][0, 4:, :].max(axis=0) valid = scores > 0.3 boxes = outputs[0][0, :4, :].T[valid] boxes_xyxy = np.empty_like(boxes) boxes_xyxy[:, 0] = boxes[:, 0] - boxes[:, 2] / 2 boxes_xyxy[:, 1] = boxes[:, 1] - boxes[:, 3] / 2 boxes_xyxy[:, 2] = boxes[:, 0] + boxes[:, 2] / 2 boxes_xyxy[:, 3] = boxes[:, 1] + boxes[:, 3] / 2

置信度阈值0.3是一个相对保守的起点。无人机目标置信度往往在0.3~0.6之间浮动，阈值如果按通用检测器的0.5来设，漏检会非常明显。后续结合帧间投票把阈值进一步压低到0.2，也能保住误报率。

4.3 告警触发：从单帧置信度到连续N帧投票

单帧高置信度根本不够资格触发告警，飞鸟、昆虫、雨滴在某一帧也可能给到0.8的分数。实际工程里更常见的做法是连续N帧里至少有M帧命中同一目标才确认告警，这个过程叫时序确认。

from collections import deque class DroneAlertWindow: def __init__(self, window=5, need=3, iou_thr=0.3): self.window = window self.need = need self.iou_thr = iou_thr self.history = deque(maxlen=window) def iou(self, a, b): xx1 = max(a[0], b[0]); yy1 = max(a[1], b[1]) xx2 = min(a[2], b[2]); yy2 = min(a[3], b[3]) inter = max(0, xx2 - xx1) * max(0, yy2 - yy1) area_a = (a[2]-a[0]) * (a[3]-a[1]) area_b = (b[2]-b[0]) * (b[3]-b[1]) return inter / (area_a + area_b - inter + 1e-6) def feed(self, boxes): self.history.append(boxes) if len(self.history) < self.need: return None for ref in boxes: hit = 0 for frame_boxes in self.history: if any(self.iou(ref, b) > self.iou_thr for b in frame_boxes): hit += 1 if hit >= self.need: return ref return None

这段告警逻辑说明：窗口长度window=5代表最近5帧，need=3说明5帧中至少3帧都检测到同一位置才触发告警。逐帧对目标框做IOU匹配，IOU大于0.3即认为是同一个目标。这能滤掉两类典型误报：飞鸟划过画面只停留一两帧、雨滴在单帧中形成亮斑。触发后把框、置信度、时间戳写入日志并推送到消息队列，下游大屏再弹窗。如果监控点有多个机位，还需要在告警服务里维护“同一目标在多个相机中不同时间出现”的关联关系，这一步用轨迹ID做，比单窗口法更可靠。

5. 验证与误报排查：让yolov11从“能检测”变成“敢告警”

模型训练完、告警链路通了，先别急着做演示。用一组覆盖早晚、顺光逆光、多场景的视频做回归测试，把误报片挨个拆开看。

5.1 误报排查的四个镜头语言

飞鸟、风筝、雨滴、楼顶卷帘门反光是最常见的四类误报来源。排查时不要只盯着置信度，重点看边界框的时序波动：真实无人机匀速运动时，框的位置和宽高变化是平滑的；飞鸟和雨滴的框会在相邻两帧之间抖动量级差异很大。还有一个容易被忽略的信号是“置信度离散度”，真实目标连续帧的置信度标准差通常在0.1以内，误报目标则忽高忽低。统计线上误报时，把告警记录的box_std字段排序，先处理标准差最大的那些。

5.2 演示系统的输出规范

如果最终需要输出演示短片，建议代码在告警触发时同时保存两样东西：原始视频帧序列和结果叠加后的视频片段。用OpenCV的VideoWriter画框和置信度文本即可，日志端单独输出JSON行记录。这里提一个容易被质疑的点：告警日志可以做哈希链防篡改，每一条日志记录上一条哈希值，演示时能证明不是手工粘贴的。这样录制的短片既有检测框动画，又有完整日志佐证，答辩或交付时更有说服力。

5.3 小目标优化的下一步动作

如果验证完发现3~5像素级别的无人机仍大量漏检，下一步按三个方向推进：第一个方向是把yolov11的检测头下采样倍数改小，让P2层显式参与检测，官方结构没有P2头，需要自己拼接低层特征，改动后必须同步放大小目标增强权重。第二个方向是在C2PSA注意力模块后插入坐标注意力或EMA注意力模块，成本小、生效快，但要注意导出推理时的算子兼容性。第三个方向是验证更高分辨率输入，例如imgsz=1280配合切片推理，这条路径对显存不友好，一般留到最后再试。如果拿到的都是监控实拍画面，先做的不是换模型，而是把镜头1公里外的目标尺寸换算成像素，低于10×10就往P2检测层方向做。

本文还有配套的精品资源，点击获取