Anti-UAV

本仓库提供 Anti-UAV 数据集以及在此数据集上训练的 YOLOv8l 模型权重。数据集专注于两种常见类型的自杀式无人机：copter_drone（多旋翼无人机）和 motor_drone（固定翼/电机驱动无人机）。数据集包含73,751张图像，划分比例为训练集 : 验证集 = 8 : 2，标注格式为YOLO格式，适用于复杂背景（城市、郊区、天空）、不同光照和天气条件下的无人机检测任务。This repository provides the Anti-UAV dataset and the YOLOv8l model weights trained on this dataset. The dataset focuses on two common types of suicide UAVs: copter_drone (multi-rotor UAVs) and motor_drone (fixed-wing/motor-driven UAVs). It contains 73,751 images, with a training-to-validation split ratio of 8:2. The annotation format follows the YOLO specification, and the dataset is tailored for UAV detection tasks under complex backgrounds including urban, suburban and sky scenarios, as well as diverse lighting conditions and various weather environments.

原始信息汇总

Anti-UAV 数据集概述

一、 数据集基本信息

• 数据集名称： Anti-UAV
• 核心用途： 用于反无人机视觉检测任务。
• 目标类别： 包含两种常见类型的无人机：
  • copter_drone：多旋翼无人机（如四旋翼），通常速度较慢。
  • motor_drone：固定翼/电机驱动无人机（如Shahed-136），通常速度较快。
• 数据规模： 图像总数为 73,751 张。
• 数据划分： 按 8:2 的比例划分为训练集与验证集（训练集约59,000张，验证集约14,800张）。
• 标注格式： YOLO格式（<类别> <中心点x坐标> <中心点y坐标> <宽度> <高度>）。
• 应用场景： 涵盖复杂背景（如城市、郊区、天空）以及不同光照和天气条件下的无人机检测。

二、 数据集技术细节

• 图像分辨率： 原始图像分辨率多样。
• 训练预处理： 训练时统一将输入图像缩放至 640×640 像素（YOLOv8默认输入尺寸）。

三、 关联模型性能

• 训练模型： YOLOv8l (large)。
• 关键性能指标（在验证集上）：
  • 精度（Precision）： 0.9808
  • 召回率（Recall）： 0.9621
  • mAP@0.5： 0.9805
  • mAP@0.5:0.95： 0.8205

四、 资源下载链接

• YOLOv8l模型权重（best.pt）： https://drive.google.com/file/d/1Q3Ge8UFjanGjhtFioC3iNX0LH3DmYMvA/view?usp=drive_link
• Anti-UAV完整数据集（73,751张图片及标签）： https://drive.google.com/file/d/1eJsAAB1Nj1KD6nEZnAKxLXz5bqSxOqpG/view?usp=drive_link

五、 使用许可

• 许可说明： 仅限学术研究使用。

搜集汇总

数据集介绍

构建方式

在反无人机视觉检测领域，数据集的构建需兼顾多样性与真实性。Anti-UAV数据集通过采集73,751张图像，涵盖城市、郊区和天空等复杂背景，并在不同光照与天气条件下进行拍摄，以确保场景的广泛覆盖。图像以YOLO格式标注，专注于两类常见无人机目标：多旋翼无人机（copter_drone）与固定翼电机驱动无人机（motor_drone）。数据集按8:2的比例划分为训练集与验证集，图像分辨率多样，在训练时统一调整为640×640输入，为模型提供了丰富且标准化的视觉样本。

特点

该数据集的特点在于其高度的专业性与实用性。它专门针对两类典型无人机目标进行标注，即速度较慢的多旋翼无人机和速度较快的固定翼无人机，这直接对应了实际反无人机任务中的主要威胁类型。数据集规模庞大，包含超过七万张图像，且背景复杂多变，涵盖了从城市建筑到开阔天空等多种环境，有效提升了模型的泛化能力。此外，标注质量高，配合发布的YOLOv8l模型权重，在验证集上达到了98.05%的mAP@0.5，显示出优异的检测精度与鲁棒性。

使用方法

使用该数据集时，研究人员可直接下载包含图像与标签的完整数据包，并利用其YOLO格式的标注进行模型训练或评估。对于快速应用，建议加载已提供的YOLOv8l预训练权重（best.pt），通过Ultralytics框架进行推理。用户可对单张图像或批量图像执行检测，通过调整置信度阈值来平衡精度与召回率。该数据集专为学术研究设计，适用于开发与测试反无人机视觉检测算法，尤其适合在复杂真实场景中评估模型的性能。

背景与挑战

背景概述

Anti-UAV数据集是面向无人机检测领域的重要视觉数据集，其创建旨在应对日益增长的无人机安全监控需求。该数据集由研究团队于近年构建，专注于两类典型无人机目标：多旋翼无人机与固定翼无人机，涵盖了城市、郊区及天空等多种复杂背景，并包含了不同光照与天气条件下的图像数据。通过提供大规模标注样本，该数据集有效支持了基于深度学习的目标检测算法在反无人机视觉任务中的研发与评估，对提升安防系统的自主感知能力具有显著推动作用。

当前挑战

在无人机检测领域，核心挑战在于目标尺寸小、运动速度快以及背景干扰复杂，导致传统检测方法易出现漏检与误检。Anti-UAV数据集构建过程中，面临数据采集与标注的双重困难：需在多样化的真实场景中捕捉两类无人机的清晰图像，同时确保标注的精确性与一致性，以应对目标形态多变、尺度差异大以及部分遮挡等问题。这些挑战要求数据集具备高度的场景覆盖与标注质量，从而为模型训练提供可靠基础。

常用场景

经典使用场景

在无人机检测与反制领域，Anti-UAV数据集为视觉目标检测算法的训练与评估提供了关键支撑。该数据集聚焦于多旋翼与固定翼两类常见无人机目标，其图像采集自城市、郊区和天空等复杂背景，并涵盖了多变的光照与天气条件。研究人员通常利用该数据集训练如YOLOv8等先进检测模型，以实现在真实复杂环境中对无人机的高精度、鲁棒性识别，为后续的跟踪与拦截决策提供可靠的感知输入。

解决学术问题

Anti-UAV数据集有效应对了无人机检测研究中普遍存在的挑战，例如小目标在远距离成像下的特征模糊问题，以及复杂动态背景对检测算法造成的干扰。通过提供大规模、高质量且场景多样的标注数据，该数据集助力学术界系统性地探索模型在跨场景泛化、抗遮挡与尺度变化等方面的性能极限。其意义在于构建了一个标准化的评估基准，推动了轻量化、高实时性检测架构的发展，并为低空安防领域的算法研究奠定了坚实的数据基础。

衍生相关工作

围绕Anti-UAV数据集，学术界衍生出一系列经典研究工作。除了本仓库展示的基于YOLOv8l的高精度检测模型外，研究人员进一步探索了基于Transformer架构的检测器、结合时序信息的无人机跟踪算法，以及利用该数据进行域自适应与少样本学习的研究。这些工作不仅提升了在复杂条件下对无人机的感知能力，也促进了多模态融合、模型压缩等技术在低空安防任务中的交叉应用与创新。