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0BIRD鸟类2090628219夜间红外画面下各类飞鸟多为远距离小目标、弱热源轮廓1DRONE无人机3666736667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 AP0.5 达0.975无人机 AP0.5 达0.990整体 mAP0.5 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Python3.8、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 modelYOLO(yolo11n.pt)resultsmodel.train(datadataset.yaml,epochs80,imgsz640,batch16,device0,patience10,saveTrue,pretrainedTrue)3. 单张图像推理fromultralyticsimportYOLO modelYOLO(weights/best.pt)resmodel.predict(sourcetest_img.jpg,conf0.25,imgsz640,saveTrue)forboxinres[0].boxes:clsint(box.cls)conffloat(box.conf)xyxybox.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