基于 YOLO11 的低空空域反无人机预警系统：红外热成像 + Streamlit 全流程实战

基于 YOLO11 的低空空域反无人机预警系统：红外热成像 + Streamlit 全流程实战

关键词：YOLO11、反无人机、红外检测、低空安防、Streamlit、目标检测、机场净空

一、背景

1.1 行业痛点

近年来消费级与行业级无人机数量急速攀升，"低慢小"目标对低空空域安全的威胁已经成为机场净空、边境监控、军事禁飞区、重大活动安保等场景里绕不过去的课题：

1. 可见光摄像头夜间瞎眼：黑夜、雾天、远距，传统 RGB 相机几乎拍不到无人机；
2. 雷达成本高：低空小型无人机的雷达回波弱，专业雷达造价昂贵且部署复杂；
3. 人工值守不可持续：让安保人员盯着监控屏几小时不眨眼，错检漏检不可避免。

把红外热成像 + 轻量级 YOLO接入到现有监控系统，可以用一个不到 6 MB 的小模型，把"夜间黑乎乎一片"的画面里的无人机点状热信号高效圈出来，并产生结构化的告警事件，对接给安保调度系统。本项目就是这条路线下的一个完整落点：基于 YOLO11n + 49,400+ 红外训练样本，做低空小目标无人机识别，并提供一个开箱即用的 Streamlit 可视化界面。

视频演示与源码 下载

https://www.bilibili.com/video/BV1uihE6JEtR

包含：
📦 完整项目源码
📦 预训练模型权重
🗂️ 数据集数据集

1.2 项目运行效果

1.3 项目介绍

核心创新点：

功能概览：

• 🎯单图检测：上传红外画面 → 实时返回带框图 + "无人机"标签 + 置信度
• 📚批量检测：单次最多 200 张，输出汇总表 + 类别分布图 + zip 下载
• 🎬视频检测：mp4 / avi / mov / mkv 通通可读，逐帧推理后落盘新视频
• 📷摄像头实时检测：可对接红外热成像枪机的 RTSP 流，做实时低空预警

类别：单类——无人机（UAV / drone）。

典型部署场景：机场净空、边境监控、军事禁飞区、重大活动安保。

技术栈：

二、设计框架

2.1 系统架构

┌──────────────────────────────────────────┐ │ Streamlit Web 前端（单页 SPA） │ │ · 指挥控制台 / 单图 / 批量 / 视频 / 摄像头 │ │ · 侧栏 · 阈值 · 模型缓存 · 警戒态势提示 │ └────────────────────┬─────────────────────┘ │ Python 调用 ▼ ┌──────────────────────────────────────────┐ │ 推理服务层（infer_image_path 等） │ │ · bytes / Path / frame → tensor │ │ · 推理结果 → 标注图 + DataFrame │ └────────────────────┬─────────────────────┘ │ ▼ ┌──────────────────────────────────────────┐ │ YOLO11n 推理引擎（model/best.pt） │ │ Backbone (C2f+SPPF) → Neck (FPN/PAN) │ │ → Decoupled Head（DFL + cls） │ └──────────────────────────────────────────┘ │ ▼ （可对接：报警弹窗 / 短信 / 安防总线 / GIS）

2.2 YOLO11 网络结构

输入 640×640×3（红外伪彩色 / 灰度三通道） │ ▼ [Backbone] Conv → C2f → Conv → C2f → Conv → C2f → Conv → C2f → SPPF 多尺度卷积 + 跨阶段特征融合，对小目标更友好 │ ▼ [Neck] FPN 上采样 + PAN 下采样：P3 / P4 / P5 三级金字塔 小目标无人机主要在 P3 特征层被检出 │ ▼ [Head] Decoupled Head（cls 头 / reg 头解耦） 回归头采用 DFL（Distribution Focal Loss） Anchor-Free，输出 (cx, cy, w, h, cls × 1) │ ▼ [NMS] iou=0.7, conf=0.30 → 最终检测框

2.3 检测流程

红外摄像头帧 / 单张图片 │ ▼ Letterbox 640×640 │ ▼ YOLO11n forward │ ▼ Detect Head 输出 │ ▼ conf 过滤 + NMS │ ▼ result.plot() 画框 + "无人机 0.88" │ ▼ Streamlit 双列展示 + DataFrame + 时间线（视频/摄像头） │ ▼ （可扩展：联动报警 / 写入安防数据库）

三、代码结构（核心 50 行 + 解析）

项目目录：

红外监控无人机目标检测/ ├── app/streamlit_app.py # Web 入口 ├── configs/project.yaml # 行业话术 / UI / 训练 / 推理参数 ├── model/best.pt # 训练好的 YOLO11n 红外权重 ├── scripts/ # train / validate / export 等 ├── data/dataset/ # 训练 / 验证 / 测试集 └── 红外监控无人机目标检测YOLO数据集/ # 原始数据集

最核心的 50 行——模型加载 + 单图推理 + Streamlit 单图 Tab：

# === 1. 模型加载（带 streamlit 资源缓存，避免每次刷新重载）=============@st.cache_resource(show_spinner=False)defload_model(model_path:str)->YOLO:returnYOLO(model_path)# === 2. 单图推理：路径 → 标注图 + 检测明细 DataFrame ===================definfer_image_path(model:YOLO,image_path:Path,conf:float):result=model.predict(str(image_path),conf=conf,verbose=False)[0]annotated=result.plot()# BGR ndarray，已画框rows=[]ifresult.boxesisnotNone:forboxinresult.boxes:cls_id=int(box.cls.item())x1,y1,x2,y2=[float(v)forvinbox.xyxy[0].tolist()]rows.append({"class_id":cls_id,"class_name":result.names[cls_id],# "无人机""confidence":round(float(box.conf.item()),4),"x1":round(x1,1),"y1":round(y1,1),"x2":round(x2,1),"y2":round(y2,1),})# BGR → RGB 给 Streamlit；rows 转 DataFrame 给表格组件returnannotated[:,:,::-1],pd.DataFrame(rows)# === 3. bytes → 临时文件 → 复用同一函数 ================================defrun_image_inference(model:YOLO,image_bytes:bytes,conf:float,suffix=".jpg"):withtempfile.NamedTemporaryFile(delete=False,suffix=suffix)asf:f.write(image_bytes);tmp=Path(f.name)try:returninfer_image_path(model,tmp,conf)finally:tmp.unlink(missing_ok=True)# === 4. Streamlit 单图 Tab：上传 → 推理 → 双列展示 =====================model=load_model(str(MODEL_PATH))uploaded=st.file_uploader("上传红外图像",type=IMAGE_UPLOAD_TYPES)conf=st.sidebar.slider("置信度阈值",0.05,0.95,DEFAULT_CONF,0.01)ifuploadedisnotNone:annotated,df=run_image_inference(model,uploaded.getvalue(),conf,suffix=Path(uploaded.name).suffix)col1,col2=st.columns(2)col1.image(uploaded,caption="原图")col2.image(annotated,caption="检测结果（高亮无人机）")st.dataframe(detections_to_display(df))render_detection_analysis(df)

5 段解析：

1. @st.cache_resource把YOLO(model_path)的耗时锁在第一次访问，避免每次切换 Tab 都重载——对 7×24 长时间值守的指挥屏尤其重要。
2. result.plot()直接返回带颜色框 + 类别 + 置信度的BGR ndarray，无人机这种小目标在红外画面里通常只有十几像素见方，框 + 标签的可视化对值班人员复核非常友好。
3. 把每个box的cls / conf / xyxy拍成dict，再拼成DataFrame——后续表格、CSV 下载、检测时间线全部复用同一份结构，方便对接到上游安防告警系统。
4. run_image_inference走临时文件而非 numpy 数组，是为了让 Ultralytics 内部的 EXIF / orientation 处理逻辑生效，对热成像枪机不同摆放姿态的输入都更稳。
5. Streamlit 的cache_resource + file_uploader + dataframe组合，让一个产品级反无人机预警页面只需 11 行代码——这就是 Streamlit 在安防 AI 场景能快速出活的核心原因。

四、训练效果

模型在 49,400+ 红外训练样本上训练 200 epoch（YOLO11n、640 输入、batch 16），最优一轮指标如下：

从训练曲线看，box / cls / dfl 三路 loss 在前 30 epoch 就快速收敛，mAP@0.5 最终稳定在 0.99 上下；归一化混淆矩阵中"无人机"类对角线接近 1.0；PR 曲线在召回率 0.95 之前几乎一直保持精确率 1.0，说明模型在严格 IoU=0.5 下对该类小目标有非常强的判别能力。

mAP@0.5:0.95 落在 0.71 是合理的——红外里无人机往往只有十几像素，IoU 阈值越高对回归框中心的微小偏差越敏感，这也是后续可以通过更高分辨率训练（如 imgsz=960 / 1280）继续推升的方向。

五、项目总结

做对了什么：

• 选 YOLO11n 而不是 v8s/v8m，模型 6 MB、CPU 单图 50 ms 内完成推理，便于部署在机场塔台、边境哨所的工控机或边缘盒子；
• 全程基于红外热成像数据训练，与传统可见光检测器形成互补，覆盖了夜视 / 雾天 / 远距等真实业务场景；
• 用一份project.yaml把"行业话术 / UI 主题色 / 训练超参 / 推理阈值"全部收口，迁移到"反鸟群""反低空目标"等场景只需替换数据集与少量配置。

还能怎么做：

• 把 imgsz 从 640 提升到 960 / 1280 微调，进一步提升 mAP@0.5:0.95 与远距小目标召回；
• 接入 ByteTrack 等多目标跟踪，给每架无人机赋一个稳定 ID + 飞行轨迹，从"单帧检测"升级为"持续目标跟踪"；
• 把检测结果通过 MQTT / Kafka 推送给指挥调度系统，触发短信报警、声光告警、对接反制设备（电子干扰 / 拦截网枪等）。