PatWantsToLearn/Drone_Detections_Assignment

---
license: apache-2.0
---
Output Video 1:
https://youtu.be/cWDXapOfiyk

Output Video 2:
https://youtu.be/7rsJmHuLuKk

I used one of RoboFlow's given drone datasets with YOLOv8 detector. The dataset I chose had 7000 images with drones and its bounding box as well as other
objects so the detector can differentiate them from drones. Training was done with 20 epochs, 640 imgs, 16 batches, and 64 workers.

Kalfar Filter was designed using the filterpy library with state vector
x = [ cx, cy, vx, vy] and measurement vector
z = [cx, cy]

Noise Parameters:
kf.P = The uncertainty of the drone's starting position = high = 100
kf.Q = How unpredicatble is the drone's movement = low = 0.1
kf.R = Detector Accuracy(Noise measurement) = high = 10

Overall, my detector has smooth tracking of the drone, but it is slow to react to sudden movements or dealing with small-sized drone frames.

Every frame we collect goes through the Kilman Filter. We deal with missing detections by using a initalized boolean variable, and missing_fram count
and a max missing frame limit. The initialized boolean is used to determine if the drone was detected for the first time and set the inital position
to that spot. When a frame doesn't have a drone, it increments the missing_frame, but we still keep that frame in the final output video. It is only
when missing_frame count exceed max_missing do we ignore the frame. This count resets every time we detect the drone, so it has to be atleast 5
consecutive frames with no drone detection. I did this so we can account for misreads the dector might make and produce a smoother output video

搜集汇总

数据集介绍

构建方式

在无人机检测与追踪领域，数据集的构建通常依赖于高质量的图像标注与先进的检测模型。本数据集以RoboFlow提供的无人机图像为基础，精选了包含无人机及其他物体的7000张图像，每张图像均标注了边界框，以增强检测器对无人机的辨识能力。通过YOLOv8检测器进行训练，参数设置为20个训练周期、640像素图像尺寸、16批次及64个工作线程，确保了模型在复杂场景下的鲁棒性。

特点

该数据集的核心特点在于其集成了卡尔曼滤波技术以实现平滑的无人机追踪。状态向量定义为位置与速度分量，测量向量则聚焦于坐标信息，通过精心调整的噪声参数——如高初始位置不确定性、低运动不可预测性及高检测噪声——平衡了追踪的稳定性与响应速度。尽管检测器对突然运动或小尺寸无人机帧的反应稍显迟缓，但通过引入缺失帧处理机制，即在连续五帧未检测到无人机时才忽略该帧，有效减少了误检带来的干扰，提升了输出视频的连贯性。

使用方法

使用本数据集时，需将每帧图像输入至集成卡尔曼滤波的检测流程中。系统初始化后，通过布尔变量记录首次检测状态，并设置最大缺失帧数以处理检测中断情况。当无人机未被检测到时，缺失帧计数递增，但帧仍保留于输出中；仅当连续缺失超过阈值时，该帧才被忽略。此方法不仅适应了检测器的偶然误读，还通过重置计数机制确保了追踪的持续性，适用于无人机监控、轨迹分析等实际应用场景。

背景与挑战

背景概述

无人机检测与追踪作为计算机视觉领域的关键研究方向，近年来随着无人机技术的普及而备受关注。Drone_Detections_Assignment数据集由研究人员基于RoboFlow平台提供的无人机图像数据构建，结合YOLOv8检测器与卡尔曼滤波算法，旨在实现无人机目标的精准定位与运动轨迹预测。该数据集包含约7000张标注图像，涵盖无人机及其他干扰物体的边界框信息，通过20个epoch的训练优化模型性能，其核心研究问题聚焦于复杂场景下无人机目标的实时检测与稳定追踪，为自动驾驶、安防监控等应用提供了重要的数据支撑。

当前挑战

该数据集所针对的无人机检测与追踪任务面临多重挑战：在领域问题层面，无人机目标常因尺寸微小、运动快速或环境遮挡而导致检测器响应迟缓，难以适应突发性运动变化；同时，背景中相似物体的干扰增加了准确区分的难度。在构建过程中，数据集的创建需平衡检测精度与计算效率，例如通过卡尔曼滤波参数调整以处理测量噪声与运动不确定性，但滤波器的初始化位置偏差与缺失帧处理策略仍可能影响追踪的鲁棒性。此外，模型对连续帧中无人机缺失的容错机制虽能平滑输出，却可能引入轨迹预测的滞后误差。

常用场景

经典使用场景

在无人机监控与计算机视觉领域，Drone_Detections_Assignment数据集为无人机目标检测与跟踪算法的开发提供了关键支持。该数据集包含7000张标注图像，涵盖无人机及其边界框，并辅以其他物体以增强检测器的区分能力。其经典使用场景集中于训练和评估基于YOLOv8的检测模型，结合卡尔曼滤波器实现平滑轨迹跟踪，特别适用于处理视频流中无人机的动态运动与遮挡问题，为实时监控系统提供算法验证基础。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在多目标跟踪与滤波算法优化方向。研究者常借鉴其YOLOv8与卡尔曼滤波的结合架构，开发适应复杂场景的混合跟踪模型，如改进噪声参数自适应机制或引入深度学习滤波替代传统方法。此外，该数据集也促进了无人机重识别、跨摄像头轨迹关联等扩展研究，为RoboFlow生态中的无人机视觉任务提供了基准数据，推动了开源社区在自主感知技术上的协作创新。

数据集最近研究

最新研究方向

在无人机检测与跟踪领域，基于Drone_Detections_Assignment数据集的研究正聚焦于提升动态环境下的实时性与鲁棒性。当前前沿探索将YOLOv8等高效检测器与卡尔曼滤波等状态估计方法深度融合，旨在优化对无人机快速机动与小尺寸目标的追踪性能。热点事件如低空安防与交通监控的兴起，推动了该数据集在抗遮挡、多目标关联及轨迹预测方向的应用，其意义在于为自主系统提供可靠的环境感知基础，支撑智慧城市与空域管理的关键技术演进。