无人机航拍工程车辆检测数据集 智慧工地 应急响应 资产管理、AI研究 识别检测挖掘机自卸车 推土机 压实机 基于 YOLOv11 的航拍视角工程车辆检测系统数据集文字描述无人机航拍视角高清图像工程车辆检测数据集 9124张12GB数据量yolo和voc标注4类标注数量excavator - 挖掘机9612dump_truck - 自卸车卡车10061bulldozer - 推土机1216compactor - 压实机40image num - 图像数量9124 数据集详细信息表项目内容数据集名称航拍视角工程车辆检测数据集Aerial Construction Vehicle Detection Dataset图像数量9,124 张数据总量约 12 GB图像分辨率高清如 1920×1080 或 2560×1440拍摄视角航拍无人机俯视/斜视标注方式✅ YOLO 格式.txt✅ Pascal VOC 格式.xml支持自由转换标注类别数4 类总标注框数21,937 个各类型统计见下表训练模型YOLOv11n轻量级主干网络训练轮次Epochs30 epochsmAP0.50.972所有类别平均精度 类别分布与标注统计类别编号类别名称英文类别名称中文标注数量占比特点说明1excavator挖掘机9,612~43.8%最常见形态多样有臂状结构2dump_truck自卸卡车10,061~45.9%数量最多车身大尾部可倾倒3bulldozer推土机1,216~5.5%前部推铲体型较宽4compactor压实机40~0.2%极少常用于路面压实作业✅总标注数9,612 10,061 1,216 40 21,929接近 21,937微小误差可能来自重复或合并 模型性能指标YOLOv11n 30 Epochs指标数值说明mAP0.50.972所有类别综合精度极高适合工业部署Precision-Recall 曲线见图示各类召回率均 0.9精度接近 1.0Excavator mAP0.995几乎完美识别Dump Truck mAP0.953表现优异Bulldozer mAP0.969高精度但样本较少Compactor mAP未单独标注因样本极少仅40易受噪声影响备注图中all classes 0.972 mAP0.5是标准评估指标excavator和dump_truck占主导是主要学习对象compactor样本极稀疏建议后续增加数据或使用迁移学习增强泛化能力。️ 数据集目录结构建议aerial_construction_vehicle_dataset/ ├── images/ │ ├── IMG_00001.jpg │ ├── IMG_00002.jpg │ └── ... ├── labels/ │ ├── IMG_00001.txt # YOLO 格式每行: class x y w h │ ├── IMG_00002.txt │ └── ... ├── annotations/ │ ├── IMG_00001.xml # VOC XML 格式 │ └── ... ├── train.txt # 训练集图像列表 ├── val.txt # 验证集图像列表 └── classes.names # 类别文件内容 excavator dump_truck bulldozer compactor 应用领域与场景分析该数据集在智慧城市、智能建造、无人机巡检、AI 工程管理等多个前沿领域具有广泛价值✅ 1.智慧工地Smart Construction Site实时车辆监控通过无人机自动识别现场施工设备位置和状态。进度跟踪统计各类机械出现频率辅助工期预测。安全预警检测非授权车辆进入危险区域如深基坑旁。 博主简单举一个示例某大型建筑公司部署无人机每日巡检系统自动输出“今日共发现挖掘机 8 台、自卸车 12 辆”。—✅ 2.无人施工与自动驾驶车辆调度路径规划结合车辆检测结果为自动驾驶压路机、运输车分配最优路线。避障决策避免两台推土机同时进入同一工作区造成碰撞。协同作业控制实现“挖运平”三步联动自动化流程。 示例在矿山或填埋场系统指挥挖掘机装料 → 自卸车运输 → 推土机摊铺 → 压实机碾压。✅ 3.工程资产盘点与资产管理自动清点无需人工普查直接从航拍图中统计设备数量。丢失预警若某台设备连续多日未出现在指定区域则触发警报。利用率分析根据出镜频次判断设备使用效率优化资源配置。 示例政府监管部门远程审计某市政项目是否按合同配置足够机械。✅ 4.灾害应急响应与灾后评估地震/滑坡后快速勘察无人机飞行采集图像识别可用工程机械进行救援。道路恢复监测观察压实机是否已到位并完成路面修复。交通阻断评估判断是否有自卸车被困或卡在泥泞路段。 示例台风过后救援队利用此模型快速评估哪些地区具备施工条件。✅ 5.AI 模型研发与学术研究研究方向支持能力小样本学习compactor仅 40 例适合研究少样本检测技术不平衡分类excavator与compactor数量差异极大可用于长尾问题研究多尺度检测不同距离下的车辆大小变化显著测试模型鲁棒性域适应Domain Adaptation可迁移到不同光照、天气、地形条件目标追踪结合视频序列实现施工车辆轨迹跟踪✅ 6.商业产品开发产品类型应用方式智能监理平台提供“自动计数定位告警”功能降低人力成本无人机AI套件预装此模型一键生成工地报告AR施工导航系统在手机/头显上叠加车辆位置提示AI竞赛数据集举办“智能工地挑战赛”吸引高校参与 性能曲线解读Precision-Recall CurvePrecision-Recall Curve: - excavator: 0.995 → 极高精度几乎无误检 - dump_truck: 0.953 → 稳定表现部分遮挡仍可识别 - bulldozer: 0.969 → 表现良好样本虽少但训练充分 - all classes: 0.972 mAP0.5 → 整体性能卓越✅结论YOLOv11n 在该数据集上表现出色尤其对主流设备挖掘机、自卸车达到近满分水平。建议对compactor可加入数据增强或合成样本若需更高精度可尝试 YOLOv11m/l 或集成注意力机制。 附录YOLOv11n 训练代码片段博主写作为参考# train.pyfromultralyticsimportYOLO modelYOLO(yolov11n.pt)# 使用 YOLOv11n 预训练模型resultsmodel.train(datadata.yaml,# 包含 train/val 路径和类别epochs30,imgsz640,batch16,device0iftorch.cuda.is_available()elsecpu,projectruns/aerial_construction,nameexp_yolov11n,saveTrue,augmentTrue,hsv_h0.015,degrees10,flipud0.0,fliplr0.5)## ✅ 总结|维度|评价||------|------||**数据质量**|高清航拍多标注格式实际工程场景||**模型性能**|mAP0.5达到**0.972**属于工业级优秀水平||**应用潜力**|覆盖智慧工地、应急响应、资产管理、AI研究等多领域||**扩展性**|支持升级至更大模型、融合其他传感器如 LiDAR|------基于最新版本的[Ultralytics YOLOv8/v11 API](https://docs.ultralytics.com/)注目前官方命名为 ultralytics支持 YOLOv11 系列模型。✅**说明**YOLOv11 是 Ultralytics 推出的新一代高效主干网络类似 YOLOv8 的升级版目前在 ultralytics 库中通过 yolov11n.pt 等权重文件调用。---## ✅ 一、环境准备bash# 1. 安装依赖推荐使用 Python 3.9pip install ultralytics opencv-python numpy torch torchvision matplotlib pillow# 或使用 condaconda install-c conda-forge opencv pip install ultralytics 官方文档https://docs.ultralytics.com✅ 二、博主建议数据集结构要求同学请确保您的数据集组织如下aerial_construction_vehicle_dataset/ ├── images/ │ ├── train/ │ │ ├── IMG_00001.jpg │ │ └── ... │ └── val/ │ ├── IMG_09001.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── IMG_00001.txt │ │ └── ... │ └── val/ │ ├── IMG_09001.txt │ └── ... ├── data.yaml✅ 三、创建data.yaml文件# data.yamltrain:./aerial_construction_vehicle_dataset/images/trainval:./aerial_construction_vehicle_dataset/images/val# 类别数量nc:4# 类别名称必须与标签索引一致names:[excavator,dump_truck,bulldozer,compactor]⚠️ 注意nc必须为 4名称顺序必须与训练时标签.txt中的class_id0~3一一对应图像和标签文件名需相同仅后缀不同。✅ 四、完整训练脚本train_yolov11.py# train_yolov11.pyfromultralyticsimportYOLOimporttorchimportosfromdatetimeimportdatetime# -------------------------------# 1. 配置参数# -------------------------------MODEL_NAMEyolov11n.pt# 可选yolov11s.pt, yolov11m.ptPROJECT_DIRruns/aerial_constructionEPOCHS30BATCH_SIZE16# 根据 GPU 显存调整16: 12GB, 32: 24GBIMG_SIZE640DEVICE0iftorch.cuda.is_available()elsecpu# 使用 GPU 0若无 GPU 则用 CPU# 数据增强参数提升泛化能力AUGMENTATIONTrueHYP{hsv_h:0.015,# 色调增强hsv_s:0.7,# 饱和度增强hsv_v:0.4,# 明度增强degrees:10.0,# 旋转角度translate:0.2,# 平移比例scale:0.5,# 缩放比例shear:0.0,# 剪切flipud:0.0,# 上下翻转fliplr:0.5,# 左右翻转mosaic:1.0,# Mosaic 数据增强mixup:0.1,# MixUp 增强copy_paste:0.0}# 日志与保存SAVE_DIRf{PROJECT_DIR}_{datetime.now().strftime(%Y%m%d_%H%M%S)}os.makedirs(PROJECT_DIR,exist_okTrue)print(f 开始训练 YOLOv11 模型)print(f️ 使用设备:{GPUiftorch.cuda.is_available()elseCPU})print(f 数据集路径: data.yaml)print(f 模型:{MODEL_NAME})print(f Batch Size:{BATCH_SIZE}, Image Size:{IMG_SIZE}, Epochs:{EPOCHS})# -------------------------------# 2. 加载预训练模型# -------------------------------modelYOLO(MODEL_NAME)# 自动下载或加载本地权重# -------------------------------# 3. 开始训练# -------------------------------resultsmodel.train(datadata.yaml,# 数据配置文件epochsEPOCHS,batchBATCH_SIZE,imgszIMG_SIZE,deviceDEVICE,projectPROJECT_DIR,nameexp_yolov11n,# 实验名称saveTrue,save_period5,# 每 5 轮保存一次exist_okFalse,# 不覆盖已有实验pretrainedTrue,# 使用预训练权重optimizerAdamW,# 优化器可选 SGD, Adam, AdamWlr00.001,# 初始学习率lrf0.1,# 最终学习率 lr0 * lrfmomentum0.937,# SGD 动量weight_decay5e-4,# 权重衰减warmup_epochs3.0,# 学习率预热warmup_momentum0.8,box7.5,# 检测框损失权重cls0.5,# 分类损失权重dfl1.5,# 分布焦点损失verboseTrue,# 打印详细日志seed42,# 随机种子deterministicTrue,single_clsFalse,# 多类别rectFalse,# 不使用矩形训练保持原始比例cos_lrFalse,# 是否使用余弦退火学习率patience15,# 早停耐心值**AUGMENTATION,# 数据增强开关**HYP# 增强超参)print(✅ 训练完成)✅ 五、验证与推理代码infer.py# infer.pyfromultralyticsimportYOLOimportcv2# 加载最佳模型modelYOLO(runs/aerial_construction/exp_yolov11n/weights/best.pt)# 最优权重# 推理单张图像resultsmodel.predict(sourcetest_image.jpg,# 输入图像路径conf0.5,# 置信度阈值iou0.45,# NMS IOU 阈值showTrue,# 显示结果弹窗saveTrue,# 保存带框图像save_txtFalse,# 是否保存检测框到 .txtsave_confTrue,# 保存置信度classesNone,# 检测所有类别line_width2# 边框线宽)# 打印结果forrinresults:boxesr.boxesforboxinboxes:cls_idint(box.cls[0])conffloat(box.conf[0])labelmodel.names[cls_id]print(f检测到:{label}(置信度:{conf:.3f}))✅ 六、评估模型性能命令行# 评估验证集 mAPyolotaskdetectmodevalmodelruns/aerial_construction/exp_yolov11n/weights/best.ptdatadata.yaml输出将包含mAP0.5mAP0.5:0.95各类别的 Precision、Recall、F1-score✅ 七、导出模型用于部署# export_model.pyfromultralyticsimportYOLO modelYOLO(runs/aerial_construction/exp_yolov11n/weights/best.pt)# 导出为 ONNX通用格式model.export(formatonnx,dynamicTrue,simplifyTrue)# 其他可选格式# model.export(formatengine) # TensorRTNVIDIA GPU 加速# model.export(formatcoreml) # iOS# model.export(formattflite) # Android / Edge TPU生成文件best.onnx可用于 OpenCV DNN、ONNX Runtime、TensorRT 等推理引擎。✅ 八、可视化训练结果训练完成后runs/aerial_construction/exp_yolov11n/目录将包含文件说明weights/best.pt最高 mAP 模型weights/last.pt最后一轮模型results.png训练曲线loss, mAP, precision, recallconfusion_matrix.png混淆矩阵PR_curve.png各类别的 Precision-Recall 曲线F1_curve.pngF1 分数随置信度变化✅ 九、性能优化建议问题解决方案compactor样本太少仅40使用 Mosaic、Copy-Paste 增强或合成数据显存不足降低batch_size至 8 或 4启用halfTrue过拟合增加mixup0.1,copy_paste0.3或早停patience10小目标检测弱使用imgsz800或1024或添加注意力模块基于 YOLOv11 的航拍视角工程车辆检测系统的完整代码包含✅PyQt5 图形界面GUI✅YOLOv11 模型加载与推理✅图像/视频实时检测功能✅结果展示、保存、坐标输出✅支持单张图片和视频文件输入 系统功能说明功能说明 图像检测加载本地图片并进行目标检测 视频检测支持.mp4、.avi等格式视频流分析️ 实时显示在窗口中实时显示检测结果 结果表格显示类别、置信度、坐标信息 保存结果可保存标注后的图像或视频 退出程序安全关闭 博主建议项目目录结构aerial_detection_system/ ├── main.py # 主程序入口 ├── detect.py # YOLO 推理核心逻辑 ├── ui_main_window.py # PyQt5 UI 设计可从 .ui 文件生成 └── weights/ └── best.pt # 训练好的 YOLOv11n 模型权重
无人机航拍工程车辆检测数据集 智慧工地 应急响应 资产管理、AI研究 识别检测挖掘机自卸车 推土机 压实机 基于 YOLOv11 的航拍视角工程车辆检测系统
无人机航拍工程车辆检测数据集 智慧工地 应急响应 资产管理、AI研究 识别检测挖掘机自卸车 推土机 压实机 基于 YOLOv11 的航拍视角工程车辆检测系统数据集文字描述无人机航拍视角高清图像工程车辆检测数据集 9124张12GB数据量yolo和voc标注4类标注数量excavator - 挖掘机9612dump_truck - 自卸车卡车10061bulldozer - 推土机1216compactor - 压实机40image num - 图像数量9124 数据集详细信息表项目内容数据集名称航拍视角工程车辆检测数据集Aerial Construction Vehicle Detection Dataset图像数量9,124 张数据总量约 12 GB图像分辨率高清如 1920×1080 或 2560×1440拍摄视角航拍无人机俯视/斜视标注方式✅ YOLO 格式.txt✅ Pascal VOC 格式.xml支持自由转换标注类别数4 类总标注框数21,937 个各类型统计见下表训练模型YOLOv11n轻量级主干网络训练轮次Epochs30 epochsmAP0.50.972所有类别平均精度 类别分布与标注统计类别编号类别名称英文类别名称中文标注数量占比特点说明1excavator挖掘机9,612~43.8%最常见形态多样有臂状结构2dump_truck自卸卡车10,061~45.9%数量最多车身大尾部可倾倒3bulldozer推土机1,216~5.5%前部推铲体型较宽4compactor压实机40~0.2%极少常用于路面压实作业✅总标注数9,612 10,061 1,216 40 21,929接近 21,937微小误差可能来自重复或合并 模型性能指标YOLOv11n 30 Epochs指标数值说明mAP0.50.972所有类别综合精度极高适合工业部署Precision-Recall 曲线见图示各类召回率均 0.9精度接近 1.0Excavator mAP0.995几乎完美识别Dump Truck mAP0.953表现优异Bulldozer mAP0.969高精度但样本较少Compactor mAP未单独标注因样本极少仅40易受噪声影响备注图中all classes 0.972 mAP0.5是标准评估指标excavator和dump_truck占主导是主要学习对象compactor样本极稀疏建议后续增加数据或使用迁移学习增强泛化能力。️ 数据集目录结构建议aerial_construction_vehicle_dataset/ ├── images/ │ ├── IMG_00001.jpg │ ├── IMG_00002.jpg │ └── ... ├── labels/ │ ├── IMG_00001.txt # YOLO 格式每行: class x y w h │ ├── IMG_00002.txt │ └── ... ├── annotations/ │ ├── IMG_00001.xml # VOC XML 格式 │ └── ... ├── train.txt # 训练集图像列表 ├── val.txt # 验证集图像列表 └── classes.names # 类别文件内容 excavator dump_truck bulldozer compactor 应用领域与场景分析该数据集在智慧城市、智能建造、无人机巡检、AI 工程管理等多个前沿领域具有广泛价值✅ 1.智慧工地Smart Construction Site实时车辆监控通过无人机自动识别现场施工设备位置和状态。进度跟踪统计各类机械出现频率辅助工期预测。安全预警检测非授权车辆进入危险区域如深基坑旁。 博主简单举一个示例某大型建筑公司部署无人机每日巡检系统自动输出“今日共发现挖掘机 8 台、自卸车 12 辆”。—✅ 2.无人施工与自动驾驶车辆调度路径规划结合车辆检测结果为自动驾驶压路机、运输车分配最优路线。避障决策避免两台推土机同时进入同一工作区造成碰撞。协同作业控制实现“挖运平”三步联动自动化流程。 示例在矿山或填埋场系统指挥挖掘机装料 → 自卸车运输 → 推土机摊铺 → 压实机碾压。✅ 3.工程资产盘点与资产管理自动清点无需人工普查直接从航拍图中统计设备数量。丢失预警若某台设备连续多日未出现在指定区域则触发警报。利用率分析根据出镜频次判断设备使用效率优化资源配置。 示例政府监管部门远程审计某市政项目是否按合同配置足够机械。✅ 4.灾害应急响应与灾后评估地震/滑坡后快速勘察无人机飞行采集图像识别可用工程机械进行救援。道路恢复监测观察压实机是否已到位并完成路面修复。交通阻断评估判断是否有自卸车被困或卡在泥泞路段。 示例台风过后救援队利用此模型快速评估哪些地区具备施工条件。✅ 5.AI 模型研发与学术研究研究方向支持能力小样本学习compactor仅 40 例适合研究少样本检测技术不平衡分类excavator与compactor数量差异极大可用于长尾问题研究多尺度检测不同距离下的车辆大小变化显著测试模型鲁棒性域适应Domain Adaptation可迁移到不同光照、天气、地形条件目标追踪结合视频序列实现施工车辆轨迹跟踪✅ 6.商业产品开发产品类型应用方式智能监理平台提供“自动计数定位告警”功能降低人力成本无人机AI套件预装此模型一键生成工地报告AR施工导航系统在手机/头显上叠加车辆位置提示AI竞赛数据集举办“智能工地挑战赛”吸引高校参与 性能曲线解读Precision-Recall CurvePrecision-Recall Curve: - excavator: 0.995 → 极高精度几乎无误检 - dump_truck: 0.953 → 稳定表现部分遮挡仍可识别 - bulldozer: 0.969 → 表现良好样本虽少但训练充分 - all classes: 0.972 mAP0.5 → 整体性能卓越✅结论YOLOv11n 在该数据集上表现出色尤其对主流设备挖掘机、自卸车达到近满分水平。建议对compactor可加入数据增强或合成样本若需更高精度可尝试 YOLOv11m/l 或集成注意力机制。 附录YOLOv11n 训练代码片段博主写作为参考# train.pyfromultralyticsimportYOLO modelYOLO(yolov11n.pt)# 使用 YOLOv11n 预训练模型resultsmodel.train(datadata.yaml,# 包含 train/val 路径和类别epochs30,imgsz640,batch16,device0iftorch.cuda.is_available()elsecpu,projectruns/aerial_construction,nameexp_yolov11n,saveTrue,augmentTrue,hsv_h0.015,degrees10,flipud0.0,fliplr0.5)## ✅ 总结|维度|评价||------|------||**数据质量**|高清航拍多标注格式实际工程场景||**模型性能**|mAP0.5达到**0.972**属于工业级优秀水平||**应用潜力**|覆盖智慧工地、应急响应、资产管理、AI研究等多领域||**扩展性**|支持升级至更大模型、融合其他传感器如 LiDAR|------基于最新版本的[Ultralytics YOLOv8/v11 API](https://docs.ultralytics.com/)注目前官方命名为 ultralytics支持 YOLOv11 系列模型。✅**说明**YOLOv11 是 Ultralytics 推出的新一代高效主干网络类似 YOLOv8 的升级版目前在 ultralytics 库中通过 yolov11n.pt 等权重文件调用。---## ✅ 一、环境准备bash# 1. 安装依赖推荐使用 Python 3.9pip install ultralytics opencv-python numpy torch torchvision matplotlib pillow# 或使用 condaconda install-c conda-forge opencv pip install ultralytics 官方文档https://docs.ultralytics.com✅ 二、博主建议数据集结构要求同学请确保您的数据集组织如下aerial_construction_vehicle_dataset/ ├── images/ │ ├── train/ │ │ ├── IMG_00001.jpg │ │ └── ... │ └── val/ │ ├── IMG_09001.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── IMG_00001.txt │ │ └── ... │ └── val/ │ ├── IMG_09001.txt │ └── ... ├── data.yaml✅ 三、创建data.yaml文件# data.yamltrain:./aerial_construction_vehicle_dataset/images/trainval:./aerial_construction_vehicle_dataset/images/val# 类别数量nc:4# 类别名称必须与标签索引一致names:[excavator,dump_truck,bulldozer,compactor]⚠️ 注意nc必须为 4名称顺序必须与训练时标签.txt中的class_id0~3一一对应图像和标签文件名需相同仅后缀不同。✅ 四、完整训练脚本train_yolov11.py# train_yolov11.pyfromultralyticsimportYOLOimporttorchimportosfromdatetimeimportdatetime# -------------------------------# 1. 配置参数# -------------------------------MODEL_NAMEyolov11n.pt# 可选yolov11s.pt, yolov11m.ptPROJECT_DIRruns/aerial_constructionEPOCHS30BATCH_SIZE16# 根据 GPU 显存调整16: 12GB, 32: 24GBIMG_SIZE640DEVICE0iftorch.cuda.is_available()elsecpu# 使用 GPU 0若无 GPU 则用 CPU# 数据增强参数提升泛化能力AUGMENTATIONTrueHYP{hsv_h:0.015,# 色调增强hsv_s:0.7,# 饱和度增强hsv_v:0.4,# 明度增强degrees:10.0,# 旋转角度translate:0.2,# 平移比例scale:0.5,# 缩放比例shear:0.0,# 剪切flipud:0.0,# 上下翻转fliplr:0.5,# 左右翻转mosaic:1.0,# Mosaic 数据增强mixup:0.1,# MixUp 增强copy_paste:0.0}# 日志与保存SAVE_DIRf{PROJECT_DIR}_{datetime.now().strftime(%Y%m%d_%H%M%S)}os.makedirs(PROJECT_DIR,exist_okTrue)print(f 开始训练 YOLOv11 模型)print(f️ 使用设备:{GPUiftorch.cuda.is_available()elseCPU})print(f 数据集路径: data.yaml)print(f 模型:{MODEL_NAME})print(f Batch Size:{BATCH_SIZE}, Image Size:{IMG_SIZE}, Epochs:{EPOCHS})# -------------------------------# 2. 加载预训练模型# -------------------------------modelYOLO(MODEL_NAME)# 自动下载或加载本地权重# -------------------------------# 3. 开始训练# -------------------------------resultsmodel.train(datadata.yaml,# 数据配置文件epochsEPOCHS,batchBATCH_SIZE,imgszIMG_SIZE,deviceDEVICE,projectPROJECT_DIR,nameexp_yolov11n,# 实验名称saveTrue,save_period5,# 每 5 轮保存一次exist_okFalse,# 不覆盖已有实验pretrainedTrue,# 使用预训练权重optimizerAdamW,# 优化器可选 SGD, Adam, AdamWlr00.001,# 初始学习率lrf0.1,# 最终学习率 lr0 * lrfmomentum0.937,# SGD 动量weight_decay5e-4,# 权重衰减warmup_epochs3.0,# 学习率预热warmup_momentum0.8,box7.5,# 检测框损失权重cls0.5,# 分类损失权重dfl1.5,# 分布焦点损失verboseTrue,# 打印详细日志seed42,# 随机种子deterministicTrue,single_clsFalse,# 多类别rectFalse,# 不使用矩形训练保持原始比例cos_lrFalse,# 是否使用余弦退火学习率patience15,# 早停耐心值**AUGMENTATION,# 数据增强开关**HYP# 增强超参)print(✅ 训练完成)✅ 五、验证与推理代码infer.py# infer.pyfromultralyticsimportYOLOimportcv2# 加载最佳模型modelYOLO(runs/aerial_construction/exp_yolov11n/weights/best.pt)# 最优权重# 推理单张图像resultsmodel.predict(sourcetest_image.jpg,# 输入图像路径conf0.5,# 置信度阈值iou0.45,# NMS IOU 阈值showTrue,# 显示结果弹窗saveTrue,# 保存带框图像save_txtFalse,# 是否保存检测框到 .txtsave_confTrue,# 保存置信度classesNone,# 检测所有类别line_width2# 边框线宽)# 打印结果forrinresults:boxesr.boxesforboxinboxes:cls_idint(box.cls[0])conffloat(box.conf[0])labelmodel.names[cls_id]print(f检测到:{label}(置信度:{conf:.3f}))✅ 六、评估模型性能命令行# 评估验证集 mAPyolotaskdetectmodevalmodelruns/aerial_construction/exp_yolov11n/weights/best.ptdatadata.yaml输出将包含mAP0.5mAP0.5:0.95各类别的 Precision、Recall、F1-score✅ 七、导出模型用于部署# export_model.pyfromultralyticsimportYOLO modelYOLO(runs/aerial_construction/exp_yolov11n/weights/best.pt)# 导出为 ONNX通用格式model.export(formatonnx,dynamicTrue,simplifyTrue)# 其他可选格式# model.export(formatengine) # TensorRTNVIDIA GPU 加速# model.export(formatcoreml) # iOS# model.export(formattflite) # Android / Edge TPU生成文件best.onnx可用于 OpenCV DNN、ONNX Runtime、TensorRT 等推理引擎。✅ 八、可视化训练结果训练完成后runs/aerial_construction/exp_yolov11n/目录将包含文件说明weights/best.pt最高 mAP 模型weights/last.pt最后一轮模型results.png训练曲线loss, mAP, precision, recallconfusion_matrix.png混淆矩阵PR_curve.png各类别的 Precision-Recall 曲线F1_curve.pngF1 分数随置信度变化✅ 九、性能优化建议问题解决方案compactor样本太少仅40使用 Mosaic、Copy-Paste 增强或合成数据显存不足降低batch_size至 8 或 4启用halfTrue过拟合增加mixup0.1,copy_paste0.3或早停patience10小目标检测弱使用imgsz800或1024或添加注意力模块基于 YOLOv11 的航拍视角工程车辆检测系统的完整代码包含✅PyQt5 图形界面GUI✅YOLOv11 模型加载与推理✅图像/视频实时检测功能✅结果展示、保存、坐标输出✅支持单张图片和视频文件输入 系统功能说明功能说明 图像检测加载本地图片并进行目标检测 视频检测支持.mp4、.avi等格式视频流分析️ 实时显示在窗口中实时显示检测结果 结果表格显示类别、置信度、坐标信息 保存结果可保存标注后的图像或视频 退出程序安全关闭 博主建议项目目录结构aerial_detection_system/ ├── main.py # 主程序入口 ├── detect.py # YOLO 推理核心逻辑 ├── ui_main_window.py # PyQt5 UI 设计可从 .ui 文件生成 └── weights/ └── best.pt # 训练好的 YOLOv11n 模型权重
