优卡服装CAD：面向打版师的工艺驱动型国产CAD系统
2026/10/13 14:19:07
国内场景无人机行人检测数据集
7417张数据集
训练集：5223 验证集：1512 测试集：744
类别数量：1个对象类别 ：行人
类别类型：['无人机视角下的行人]
文件格式：JPG
标签格式：txt（需要COCO、VOC、Tensoorflow的CSV等格式请私信，否则默认发TXT）
图片大小：2000 x 1500
| 项目 | 内容 |
|---|---|
| 数据集名称 | 国内场景无人机人员目标检测数据集 |
| 总图像数量 | 7,417 张 |
| 图像分辨率 | 2000 × 1500 像素（宽 × 高） |
| 文件格式 | JPG |
| 目标类别数量 | 1 类 |
| 类别名称 | 无人机视角下的行人（即：行人 / person，从无人机俯视角度拍摄） |
| 标签格式（默认） | TXT（YOLO 格式：class_id center_x center_y width height，归一化坐标） |
| 其他格式支持 | COCO JSON、VOC XML、TensorFlow CSV（需私信申请，不默认提供） |
| 数据划分 | |
| – 训练集 | 5,223 张（约占 70.4%） |
| – 验证集 | 1,512 张（约占 20.4%） |
| – 测试集 | 744 张（约占 10.0%） |
| 应用场景 | 无人机巡检、人群密度估计、应急搜救、智慧城市、交通监控、大型活动安防等 |
| 视角特点 | 高空俯拍、小目标密集、遮挡常见、光照与背景复杂（城市/乡村/道路/广场等国内典型场景） |
✅备注：
- 所有标注均为人工精细标注，确保边界框紧贴行人目标；
- 适用于 YOLOv5/v8、Faster R-CNN、RT-DETR 等主流目标检测框架；
- 因图像分辨率高（3MP），适合训练对小目标敏感的检测模型。
1
1
🚁 无人机视角行人检测系统（YOLOv8 目标检测）
数据集说明：7417 张高分辨率（2000×1500）JPG 图像，1 类目标 ——“无人机视角下的行人”
✅ 提供完整YOLOv8 训练 + 推理代码
✅ 支持 YOLO 格式 TXT 标签（默认）
✅ 适用于小目标、密集人群、复杂背景场景
📁 一、项目结构
drone_person_yolov8/ ├── datasets/ │ └── drone_person/ │ ├── images/ │ │ ├── train/ # 5223 张 │ │ ├── val/ # 1512 张 │ │ └── test/ # 744 张 │ └── labels/ │ ├── train/ # 对应 .txt 标签 │ ├── val/ │ └── test/ ├── data.yaml # 数据配置文件 ├── train.py # YOLOv8 训练脚本 ├── detect.py # 推理脚本（图片/视频/摄像头） └── requirements.txt💡 假设你已将图像和标签按上述结构组织好（YOLO格式：
class_id x_center y_center w h，归一化）
🔧 二、环境安装
# 创建虚拟环境conda create -n yolov8_dronepython=3.9-y conda activate yolov8_drone# 安装官方 YOLOv8pipinstallultralytics opencv-python numpy matplotlib tqdm📄 三、创建data.yaml
# data.yamlpath:./datasets/drone_persontrain:images/trainval:images/valtest:images/testnc:1names:['person']✅ 注意：
class_id在标签中必须为0- 所有坐标已归一化到 [0, 1]
🚀 四、YOLOv8 训练代码（train.py）
# train.pyfromultralyticsimportYOLO# 加载预训练模型（推荐 yolov8n 或 yolov8s 平衡速度与精度）model=YOLO('yolov8n.pt')# 可替换为 'yolov8s.pt' 提升精度# 开始训练results=model.train(data='data.yaml',epochs=100,imgsz=640,# 输入尺寸（YOLOv8 自动缩放，不影响原始高分辨率）batch=16,# 根据 GPU 显存调整（RTX 3060 建议 16）name='drone_person_yolov8n',device=0,# 使用 GPU 0；设为 'cpu' 则用 CPUpatience=20,# 早停：20 轮无提升则停止save=True,plots=True,# 数据增强（针对无人机小目标优化）hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,degrees=10.0,# 随机旋转（模拟无人机姿态变化）translate=0.1,scale=0.5,mosaic=1.0,# Mosaic 增强（提升小目标检测能力）flipud=0.0,# 不上下翻转（无人机视角通常无需）fliplr=0.5# 左右翻转（合理）)print("✅ 训练完成！")print("最佳权重路径: runs/detect/drone_person_yolov8n/weights/best.pt")⚠️重要提示：
虽然原始图像是2000×1500，但 YOLOv8 在训练时会自动 resize 到imgsz=640。
若需更好检测小目标，可尝试：imgsz=1280# 更大输入尺寸（显存允许前提下）
🔍 五、推理检测（detect.py）
# detect.pyfromultralyticsimportYOLOimportcv2# 加载训练好的模型model=YOLO('runs/detect/drone_person_yolov8n/weights/best.pt')# 1. 检测单张高分辨率图像defdetect_image(image_path,output_path="result.jpg"):results=model(image_path,imgsz=1280)# 推理时用更大尺寸提升小目标召回annotated=results[0].plot()cv2.imwrite(output_path,annotated)print(f"✅ 检测结果已保存至{output_path}")# 2. 检测视频defdetect_video(video_path,output_path="output.mp4"):model.predict(source=video_path,save=True,project="runs/predict",name="video_result",imgsz=1280)print(f"✅ 视频结果保存在 runs/predict/video_result/")# 3. 实时摄像头（或 RTSP 流）defdetect_stream(stream_url=0):# 0 表示本地摄像头model.predict(source=stream_url,show=True,imgsz=640,conf=0.4# 置信度阈值（可调）)if__name__=="__main__":# detect_image("test_drone.jpg")# detect_video("drone_footage.mp4")detect_stream()📊 六、预期性能（基于 7417 张数据）
| 指标 | 预期值 | 说明 |
|---|---|---|
| mAP@0.5 | ≥ 0.85 | 高密度人群下仍保持良好定位 |
| Recall | ≥ 0.80 | 小目标检出率高 |
| 推理速度 | ~45 FPS（RTX 3060, imgsz=640） | 满足实时无人机回传分析 |
| 适用模型 | YOLOv8n / YOLOv8s 最佳 | YOLOv8m/l 可用于离线高精度场景 |
🛠️ 七、针对无人机场景的优化建议
- 使用更大的输入尺寸（如
imgsz=1280）以保留小目标细节； - 开启 Mosaic 增强：让模型学习多图拼接中的小目标；
- 降低置信度阈值（推理时
conf=0.3~0.4）提升召回； - 后处理优化：对密集区域使用 Soft-NMS 替代标准 NMS（可通过
ultralytics的agnostic_nms=False控制）； - TTA（Test-Time Augmentation）：
results=model(image_path,augment=True)# 提升精度（速度变慢）
🛰️总结：本系统专为高空无人机行人检测设计，适用于应急搜救、大型活动监控、智慧城市等场景。利用 YOLOv8 的高效架构，在保持实时性的同时，有效应对小目标、遮挡、密集人群等挑战。