如何训练自己的数据集之—红外可见光无人机检测数据集 两个模态的数据——双模态可见光（RGB）图像和红外（IR）图像数据集
如何训练自己的数据集之—红外可见光无人机检测数据集
基于RGB可见光与红外热成像技术的数据集合，在RGB可见光下的训练图像数量为5019张，并配合对应的验证图像共1233张。来源于开源数据集anti-uav310，并转换为YOLOv5格式后可以直接进行训练，并提供了现成的模型可供直接使用。
该系统针对不同波段的无人机遥感图像进行分类研究，并基于Yolo算法构建了多源遥感图像分类模型。
其中包含三种相关数据系列：
近红外或远红外遥感图像的数据集合，
以及分别拥有5019张训练样本和1233张验证样本。
这些数据已经被转换为YOLO格式的模型可以直接用于训练，
并可实现对不同波段无人机遥感图像的有效分类。
可见光（RGB）与红外（IR）无人机检测数据集介绍
数据集概述
此数据集源自开源平台 anti-uav310。经对可见光与红外图像进行分类整理后，并经转换成YOLO格式，则可便捷地投入无人机检测模型的训练工作。其中包含训练用例与验证案例两部分。其中每个模态下各有5,019张训练图片及1,233张验证图片。
数据集特点
- 多模态图像：该数据集包含了两种类型的多模态图像——RGB可见光图像与红外（IR）图像。这种组合对于开发能够在不同光照条件下工作的无人机检测系统具有重要意义。
- YOLO标注格式：该数据集遵循YOLO格式，在每个图像中都对应一个标签文件(.txt)，其中记录了物体的定位信息。
- 充分预处理：经过充分的预处理步骤后，该数据集可以直接用于深度学习模型的训练，并且无需额外的数据清洗或格式转换。
- 区分训练与验证：研究人员可以据此清晰地区分出训练集与验证集，并据此方便地进行模型训练与性能评估。
数据集内容
- 训练集 ：每个模态（RGB和IR）有5019张图像。
- 验证集 ：每个模态（RGB和IR）有1233张图像。
数据集结构示例
anti-uav310/
├── RGB/
│ ├── train/
│ │ ├── image1.jpg
│ │ ├── image2.jpg
│ │ └── ...
│ ├── val/
│ │ ├── image1.jpg
│ │ ├── image2.jpg
│ │ └── ...
│ ├── train_labels/
│ │ ├── image1.txt
│ │ ├── image2.txt
│ │ └── ...
│ ├── val_labels/
│ │ ├── image1.txt
│ │ ├── image2.txt
│ │ └── ...
├── IR/
│ ├── train/
│ │ ├── image1.jpg
│ │ ├── image2.jpg
│ │ └── ...
│ ├── val/
│ │ ├── image1.jpg
│ │ ├── image2.jpg
│ │ └── ...
│ ├── train_labels/
│ │ ├── image1.txt
│ │ ├── image2.txt
│ │ └── ...
│ ├── val_labels/
│ │ ├── image1.txt
│ │ ├── image2.txt
│ │ └── ...
└── README.md # 数据集说明
数据集使用说明
- 数据集获取：从固定位置获取数据集，并解码至适当目录。
- 数据验证流程：在确认过程中，请检查待处理文件夹中的所有文档是否满足以下条件：
- 所有图片文件必须位于同一目录下
- 对应的文字标注文件必须位于与图片路径直接关联的位置
- 图片与标注之间的命名关系应当保持一致
- 模型构建步骤：采用YOLO框架进行模型构建工作，在具体实现过程中可选择以下任一版本：
- YOLOv5
- YOLOv7
- 或者其他支持标准YOLO格式的主流版本
YOLO格式标签示例
每个标签文件中带有若干个条目。这些条目按照特定格式排列，并且每一条目都对应一个物体的标签信息。具体格式如下：
<class_index> <x_center> <y_center> <width> <height>其中：
<class_index> 代表了物体类别在分类表中的索引值；
<x_center> 表示了物体中心点在水平方向上的归一化坐标；
<y_center> 则代表了垂直方向上的归一化坐标；
训练模型
作为一个基本的YOLOv5训练示例代码，请问您想要了解如何利用这个数据集进行训练？
# 安装YOLOv5依赖
pip install -r requirements.txt
# 下载YOLOv5源码
git clone https://github.com/ultralytics/yolov5.git
cd yolov5/
# 安装YOLOv5
pip install -r requirements.txt
# 设置数据集路径
DATA_PATH=./anti-uav310/
# 更新YOLOv5配置文件
cp $DATA_PATH/data.yaml ./data.yaml
# 开始训练
python train.py --img 640 --batch 16 --epochs 300 --data ./data.yaml --weights yolov5s.pt --cache
注意事项
- 请确认YOLOv5配置文件中的
data.yaml参数正确设置了训练数据和验证数据的路径。- 通过硬件性能评估来优化训练设置（例如调整批量大小或迭代次数等参数）。
总结
该数据集包含了可见光与红外图像条件下无人机检测的充足训练与验证样本集合。采用基于YOLO的数据集设计能够有效地进行模型训练与评估工作，并能在多光谱环境下实现可靠的无人机检测性能。这一资源对于研究人员和工程师来说具有重要意义，并可助力其快速开发高精度的无人机自动识别技术系统。