Skyfinder, geoPose3k, CH1

Skyfinder数据集、geoPose3k数据集、CH1数据集

原始信息汇总

YUNet: Imprived YOLOv11 Network for Skyline Detection

数据集概述

数据集名称

• Skyline Detection Dataset

数据集描述

• 该研究提出了YUNet算法，结合了YOLOv11和Unet架构，用于在复杂和变化的环境中提取天际线。
• 数据集包括两个实验：天空分割和天际线检测。
• 天空分割实验使用Skyfinder数据集。
• 天际线检测训练使用geoPose3k数据集，验证使用CH1数据集。

数据集列表

1. Skyfinder - 用于天空分割实验。
   • 链接：Baidu Drive
2. geoPose3k - 用于天际线检测训练。
   • 链接：Baidu Drive
3. CH1 - 用于天际线检测验证。
   • 链接：Baidu Drive

配置文件

• skyseg.yaml：全局配置文件，位于ultralytics/cfg目录。
• skyfinder.yaml 和 geoPose3k.yaml：数据集配置文件，位于ultralytics/cfg/datasets目录。

训练和验证

• 训练入口：ultralytics/model/yolo/skyseg/train.py
• 验证入口：ultralytics/model/yolo/skyseg/val.py

模型性能

• 提供了不同版本的YOLOv11模型及其性能指标，包括准确度、精确度、召回率、Dice分数和IoU。

引用信息

• @misc{yang2025yunetimprovedyolov11network, ...}

搜集汇总

数据集介绍

构建方式

本研究针对无人机控制系统中的天际线检测问题，构建了Skyfinder、geoPose3k和CH1三个数据集。其中，Skyfinder数据集用于天空分割任务，geoPose3k数据集用于天际线检测的训练，CH1数据集用于验证。这些数据集经过预处理并公开，以便于研究者进行相关算法的研发与测试。

特点

这些数据集的特点在于，它们涵盖了复杂多变的天气和光照条件下的天空与非天空区域，能够有效支持算法对多尺度和大范围上下文特征融合能力的提升。特别是geoPose3k数据集，它为天际线检测提供了丰富的训练样本，而CH1数据集则为算法的验证提供了标准。此外，数据集的预处理确保了数据的质量和一致性，有利于算法的泛化能力和准确性的提升。

使用方法

用户可以通过访问提供的百度云链接或谷歌云链接下载这些数据集。在获取数据后，用户需要根据数据集配置文件设置数据集路径，然后使用训练和验证脚本进行模型的训练和评估。训练和验证的入口脚本分别为ultralytics/model/yolo/skyseg/train.py和ultralytics/model/yolo/skyseg/val.py，用户可以通过简单的命令行指令启动训练和验证过程。

背景与挑战

背景概述

在无人驾驶航空器（UAV）控制系统中，天际线检测具有至关重要的作用。由于不同的天气或光照环境，天空和非天空区域的外观具有可变性，这给天际线检测带来了挑战。本研究提出了YUNet算法，该算法结合了YOLOv11和Unet架构，以应对复杂和变化环境下的天际线提取任务。YOLOv11架构被扩展为类似Unet的结构，包括编码器、解码器和颈模块。编码器模块从给定图像中提取特征，而解码器模块利用颈模块的特征完成预测重建。颈模块能够融合多尺度和大范围上下文特征。为验证本研究方法的有效性，所提出的算法在Skyfinder和CH1两个公开数据集上进行了测试。Skyfinder数据集用于天空分割任务，而geoPose3k数据集用于天际线检测的训练过程，CH1数据集用于验证。这些数据集的预处理和发布为相关领域的研究提供了宝贵的资源。

当前挑战

本研究所面临的挑战主要包括：1）在天空和非天空区域外观可变的条件下，如何准确地进行天际线检测；2）在构建过程中，如何有效地融合多尺度和大范围上下文特征以提升检测性能。这些挑战对于提高UAV控制系统中天际线检测的准确性和鲁棒性至关重要。

常用场景

经典使用场景

在无人驾驶航空器（UAV）控制系统中，地平线检测具有至关重要的作用。本研究中提出的YUNet算法，融合了YOLOv11与Unet架构，以应对复杂多变的场景下的地平线提取任务。该算法的经典使用场景主要在于对UAV拍摄图像中的天空与非天空区域进行区分，以及在不同气象或光照环境下对地平线进行精准定位。

实际应用

在实际应用中，该数据集及其衍生的YUNet算法可应用于UAV的自动导航与避障，为智能交通、灾害监测以及城市管理等场景提供了技术支持，有望提升相关领域的作业效率和安全性。

衍生相关工作

基于该数据集，已经衍生出一系列相关工作，如针对不同场景和任务优化的网络结构和训练策略。这些工作不仅推动了地平线检测技术的发展，也为UAV相关领域的应用研究提供了丰富的实验基础和理论支持。