无人机弱小目标检测数据集 | 覆盖 人工建筑建筑物、活动板房、水井、电缆塔、车辆、船只、农业设施养殖网箱、采石场及 水池、滑坡| 弱小目标检测 无人机遥感 多尺度识别9121期数据集概述本数据集专注于无人机航拍图像中的弱小目标检测服务于遥感解译、地理空间研究及无人机巡检。数据涵盖10类地物目标适配小目标检测、复杂背景识别及多尺度目标分析等应用。数据集核心信息数据要素详细说明类别共10类详见下方列表数量844张图像18334个标注实例格式图像为 JPG/PNG宽度1000-4800像素标签为 YOLO 格式的 txt 文件水平边界框数据划分无预定义划分用户可自行划分应用价值1.遥感解译支撑无人机图像中建筑物、道路、水体等地物的自动提取与制图。2.灾害监测检测滑坡等地质灾害体辅助风险评估与应急响应。3.城市管理识别建筑、车辆、船只等目标服务城市规划与交通管理。4.算法研发为弱小目标检测、多尺度识别等视觉任务提供大规模训练与评测数据。完整类别列表共10类序号英文名称中文释义标注对象数平均宽度像素1building建筑物1303474.852prefabricated-house活动板房205947.773well水井67833.514cable-tower电缆塔60753.235vehicle车辆49324.716ship船只102734.187quarry采石场83406.728cultivation-mesh-cage养殖网箱264176.619pool水池49211.7610landslide滑坡40526.24数据三要素解析类别与目标覆盖数据集定义10类地物目标覆盖人工建筑建筑物、活动板房、水井、电缆塔、交通工具车辆、船只、农业设施养殖网箱、工业场地采石场及自然水体与灾害水池、滑坡。类别设置兼顾了弱小目标如车辆、水井与大尺度目标如滑坡、采石场多尺度特性显著。部分类别如滑坡、采石场在现有数据集中较少见具有独特的研究价值。数据规模与挑战图像总量约844张标注实例18334个平均每张图像约含21.7个目标属于密集标注场景。图像宽度范围1000-4800像素分辨率约0.15米细节丰富。类别不平衡显著建筑物类最多13034个滑坡类最少40个。目标尺寸差异极大最小目标仅5像素宽最大目标达2044像素宽。部分目标呈弱小特征响应受遮挡、光照条件影响检测难度高。格式与结构采用通用YOLO 格式txt每张图像对应一个同名标签文件包含类别 ID 与归一化边界框坐标可直接接入 YOLOv5、YOLOv8 等主流检测框架。图像与标签一一对应数据结构规范便于进行训练/验证集划分与预处理集成。数据集无预定义划分用户可根据需求自行划分训练/验证/测试集。知识普及弱小目标检测的技术要点弱小目标定义弱小目标指尺寸小像素占比低且特征响应弱与背景对比度低的目标。本数据集中车辆、水井、电缆塔等均属于此类。上下文信息利用弱小目标缺乏显著特征需依赖上下文信息辅助检测。例如水井常出现在村落附近滑坡常出现在山坡地带。多尺度特征融合数据集中目标尺寸差异极大5-2044像素需采用FPN、PAN等多尺度特征融合结构。类别不平衡处理建筑物类样本远多于滑坡类训练时可采用类别加权损失、过采样或Focal Loss等策略。复杂背景与噪声无人机图像存在复杂地表背景、阴影、噪声等干扰需采用鲁棒的特征提取与后处理策略。应用闭环检测结果可导入GIS系统用于地物制图、灾害评估及城市规划。快速开始代码示例配置文件data.yaml示例train:./dataset/images/trainval:./dataset/images/valnc:10names:[building,prefabricated-house,well,cable-tower,vehicle,ship,quarry,cultivation-mesh-cage,pool,landslide]启动 YOLOv8 训练fromultralyticsimportYOLO modelYOLO(yolov8m.pt)model.train(datadata.yaml,epochs100,imgsz640,batch16,device0)标签弱小目标检测无人机遥感多尺度识别地理空间研究目标检测YOLO格式深度学习数据集计算机视觉
无人机弱小目标检测数据集 | 覆盖 人工建筑（建筑物、活动板房、水井、电缆塔）、车辆、船只、农业设施（养殖网箱）、采石场及 水池、滑坡| 弱小目标检测 无人机遥感 多尺度识别9121期
无人机弱小目标检测数据集 | 覆盖 人工建筑建筑物、活动板房、水井、电缆塔、车辆、船只、农业设施养殖网箱、采石场及 水池、滑坡| 弱小目标检测 无人机遥感 多尺度识别9121期数据集概述本数据集专注于无人机航拍图像中的弱小目标检测服务于遥感解译、地理空间研究及无人机巡检。数据涵盖10类地物目标适配小目标检测、复杂背景识别及多尺度目标分析等应用。数据集核心信息数据要素详细说明类别共10类详见下方列表数量844张图像18334个标注实例格式图像为 JPG/PNG宽度1000-4800像素标签为 YOLO 格式的 txt 文件水平边界框数据划分无预定义划分用户可自行划分应用价值1.遥感解译支撑无人机图像中建筑物、道路、水体等地物的自动提取与制图。2.灾害监测检测滑坡等地质灾害体辅助风险评估与应急响应。3.城市管理识别建筑、车辆、船只等目标服务城市规划与交通管理。4.算法研发为弱小目标检测、多尺度识别等视觉任务提供大规模训练与评测数据。完整类别列表共10类序号英文名称中文释义标注对象数平均宽度像素1building建筑物1303474.852prefabricated-house活动板房205947.773well水井67833.514cable-tower电缆塔60753.235vehicle车辆49324.716ship船只102734.187quarry采石场83406.728cultivation-mesh-cage养殖网箱264176.619pool水池49211.7610landslide滑坡40526.24数据三要素解析类别与目标覆盖数据集定义10类地物目标覆盖人工建筑建筑物、活动板房、水井、电缆塔、交通工具车辆、船只、农业设施养殖网箱、工业场地采石场及自然水体与灾害水池、滑坡。类别设置兼顾了弱小目标如车辆、水井与大尺度目标如滑坡、采石场多尺度特性显著。部分类别如滑坡、采石场在现有数据集中较少见具有独特的研究价值。数据规模与挑战图像总量约844张标注实例18334个平均每张图像约含21.7个目标属于密集标注场景。图像宽度范围1000-4800像素分辨率约0.15米细节丰富。类别不平衡显著建筑物类最多13034个滑坡类最少40个。目标尺寸差异极大最小目标仅5像素宽最大目标达2044像素宽。部分目标呈弱小特征响应受遮挡、光照条件影响检测难度高。格式与结构采用通用YOLO 格式txt每张图像对应一个同名标签文件包含类别 ID 与归一化边界框坐标可直接接入 YOLOv5、YOLOv8 等主流检测框架。图像与标签一一对应数据结构规范便于进行训练/验证集划分与预处理集成。数据集无预定义划分用户可根据需求自行划分训练/验证/测试集。知识普及弱小目标检测的技术要点弱小目标定义弱小目标指尺寸小像素占比低且特征响应弱与背景对比度低的目标。本数据集中车辆、水井、电缆塔等均属于此类。上下文信息利用弱小目标缺乏显著特征需依赖上下文信息辅助检测。例如水井常出现在村落附近滑坡常出现在山坡地带。多尺度特征融合数据集中目标尺寸差异极大5-2044像素需采用FPN、PAN等多尺度特征融合结构。类别不平衡处理建筑物类样本远多于滑坡类训练时可采用类别加权损失、过采样或Focal Loss等策略。复杂背景与噪声无人机图像存在复杂地表背景、阴影、噪声等干扰需采用鲁棒的特征提取与后处理策略。应用闭环检测结果可导入GIS系统用于地物制图、灾害评估及城市规划。快速开始代码示例配置文件data.yaml示例train:./dataset/images/trainval:./dataset/images/valnc:10names:[building,prefabricated-house,well,cable-tower,vehicle,ship,quarry,cultivation-mesh-cage,pool,landslide]启动 YOLOv8 训练fromultralyticsimportYOLO modelYOLO(yolov8m.pt)model.train(datadata.yaml,epochs100,imgsz640,batch16,device0)标签弱小目标检测无人机遥感多尺度识别地理空间研究目标检测YOLO格式深度学习数据集计算机视觉
