UAV IR Dataset

该数据集包含约3900张夜间拍摄的无人机红外图像，覆盖多种环境条件如城市场景、密集云层、室内、雾天、灌木丛和不同高度。数据集采用80/20划分（3100张训练，791张测试），标注为YOLO格式的边界框和标签，并经过416×416尺寸调整、对比度增强和马赛克增强等预处理。

This dataset contains approximately 3900 nighttime drone infrared images, covering diverse environmental scenarios including urban scenes, dense cloud cover, indoor environments, foggy conditions, shrubbery, and varying altitudes. It is split with an 80/20 ratio, with 3100 images allocated for training and 791 for testing. All images are annotated with bounding boxes and category labels in YOLO format, and have undergone preprocessing operations such as resizing to 416×416 resolution, contrast enhancement, and mosaic augmentation.

原始信息汇总

TF-Net数据集概述

数据集基本信息

• 数据集名称：TF-Net夜间无人机红外图像数据集
• 创建目的：用于夜间复杂背景下无人机（UAV）检测研究
• 图像数量：约3,900张红外（IR）图像
• 图像类型：夜间拍摄的红外图像

数据集内容

• 环境多样性：包含多种环境条件下的图像
  • 城市场景
  • 密集云层
  • 室内环境
  • 雾天条件
  • 灌木丛背景
  • 不同飞行高度
• 数据划分：
  • 训练集：3,100张图像（80%）
  • 测试集：791张图像（20%）
• 标注格式：YOLO格式的边界框和标签
• 图像尺寸：预处理后统一调整为416×416像素

数据集特征

• 预处理技术：
  • 对比度增强
  • 马赛克数据增强（MDA）
  • 自适应图像填充（AIF）
• 应用场景：专门针对夜间低能见度条件下的无人机检测

数据获取

• 发布平台：Roboflow
• 访问地址：https://universe.roboflow.com/uav-project-eia1l/uav_ir
• 下载链接：https://app.roboflow.com/tfnet-night-vision/mul/4

相关模型性能

• TF-Net模型性能指标：
  • 精确度：95.7%
  • 召回率：77.4%
  • mAP@0.5：84.0%
  • IoU：44.8%
  • 模型大小：10.8MB
• 比较基准：在准确性和鲁棒性方面优于YOLOv5（s、m、l、n）变体

搜集汇总

数据集介绍

构建方式

在夜间无人机检测领域，UAV IR数据集的构建采用了系统化的采集流程。研究团队通过红外成像设备在多样化夜间环境中捕获了约3900张无人机图像，涵盖城市景观、密集云层、室内空间、雾霭条件、灌木丛区域及不同飞行高度等复杂场景。数据标注遵循YOLO格式，精确标注边界框与类别标签，并经过416×416像素的统一尺寸调整、对比度增强及马赛克数据增强等预处理步骤，最终按80:20比例划分为3100张训练图像与791张测试图像。

特点

该数据集的核心价值体现在其针对夜间红外探测场景的专属性设计。图像数据全面覆盖低光照条件下无人机可能出现的各类环境背景，包括动态天气变化与复杂地形干扰，有效模拟真实探测挑战。数据样本呈现多尺度目标特性，从小型至大型无人机的形态变化均被完整收录，且通过对比度优化技术强化了红外特征的辨识度。其标注体系与YOLOv5框架高度兼容，为模型训练提供标准化输入基础。

使用方法

基于该数据集的实验部署需依托PyTorch深度学习框架，以YOLOv5s为架构基线进行模型适配。使用者可通过Roboflow平台获取预处理后的数据集，按照既定参数配置输入图像尺寸为416×416像素，采用结合Adam与SGD的混合优化策略，执行300轮次训练并应用余弦退火学习率调整。推理阶段可直接加载预训练权重，利用检测脚本对测试集进行多尺度目标识别，实现夜间环境下无人机实时探测的效能验证。

背景与挑战

背景概述

随着无人机在军事与商业领域的广泛应用，其未经授权的使用引发了严峻的安全隐患。夜间复杂背景下无人机检测成为关键研究课题，由Maham Misbah等学者于2023年提出的UAV IR数据集应运而生。该数据集聚焦红外成像技术，收录约3900张涵盖城市、云雾、室内等多场景的夜间无人机图像，为提升低能见度环境下目标检测模型的鲁棒性提供了重要数据支撑。其构建基于YOLOv5s框架优化的TF-Net模型，通过改进网络内核结构与特征金字塔机制，显著推动了夜间无人机侦测领域的技术边界。

当前挑战

在红外无人机检测领域，核心挑战在于夜间复杂环境中目标与背景的低对比度问题，以及云雾、建筑遮挡等干扰因素导致的特征模糊性。数据集构建过程中，需克服多尺度无人机目标标注的一致性难题，特别是在低分辨率红外图像中小尺寸目标的精准定位。此外，为模拟真实场景的多样性，数据采集需统筹不同海拔高度、天气条件及背景复杂度，而图像预处理中对比度增强与马赛克数据增强技术的应用，亦对保持标注质量与模型泛化能力提出了更高要求。

常用场景

经典使用场景

在无人机安全监控领域，UAV IR Dataset作为夜间红外图像检测的基准数据集，广泛应用于复杂背景下的目标识别研究。该数据集通过涵盖城市、雾天、灌木丛等多场景图像，为算法提供了丰富的测试环境，支撑了YOLOv5等模型的优化与验证，成为夜间无人机检测任务的核心资源。

实际应用

在实际应用中，该数据集被集成于边境巡逻、关键设施防护等安防系统，通过高精度红外检测技术实现对非法无人机的实时预警。其轻量模型特性适配边缘计算设备，在夜间城市安防、军事侦察等场景中显著提升了响应效率与部署灵活性。

衍生相关工作

基于该数据集衍生的经典工作包括TF-Net等轻量检测架构，其通过优化YOLOv5的核结构与特征金字塔网络，推动了夜间红外目标检测的技术演进。相关研究进一步拓展至多模态融合、跨域适应等方向，为低光照计算机视觉领域注入了持续创新动力。