简介这份无人机频射信号检测数据集面向从事无人机侦测、频谱感知与目标识别的研究者及工程人员可用于训练和评估射频信号分类模型解决复杂电磁环境下无人机信号识别精度不足的问题。资源包共729个文件包含364张jpg原始图像、364个txt标注文件及1个yaml配置文件压缩包约136.82MB标注格式兼容YOLOv11可直接接入主流检测框架进行训练与验证。数据集覆盖多类无人机频射信号样本平均正确识别率可达94.3%适合作为算法对比、模型调优与课程实验的基准数据。目前已有633人学习下载读者可据此快速搭建训练流程、复现检测效果并在此基础上开展数据增强、模型轻量化等扩展研究为无人机监测与频谱安全应用提供可靠的数据支撑。1. 无人机频射信号检测数据集364 张原始图片能撑起 94.3% 识别率吗拿到这个标题时我第一反应不是「数据量好小」而是「频射信号检测」这个说法到底指什么。射频信号本身是电磁波肉眼不可见所谓「检测」通常是把频谱瀑布图、IQ 采样图或者信号时频图当成图像来做目标检测。364 张原始图片、平均正确识别率 94.3%、支持 YOLOv11 格式标注这三个数字放在一起说明它是一份已经标注好、可以直接丢进 YOLOv11 训练的小规模数据集。适合谁适合手上有无人机信号采集设备、想做频谱图目标检测、又不想从零标注的团队也适合学生拿来做课程设计或论文实验因为 364 张图的体量在单卡上几十分钟就能跑完一轮试错成本低。但小样本必然带来过拟合和泛化焦虑94.3% 这个数字是在什么划分下测出来的、有没有做交叉验证比数字本身更值得追问。这一章先把「频射信号检测数据集」的边界划清楚后面再讲怎么把它跑起来、怎么避开小样本的坑。2. 频射信号检测数据集拆解从原始图片到 YOLOv11 标注的完整链路2.1 频射信号为什么能当成图像来检测射频频谱在某一时刻是一段功率随频率分布的曲线把时间轴叠上去就得到频谱瀑布图横轴频率、纵轴时间、颜色深浅代表功率。无人机的图传、遥控、GPS 信号在瀑布图上会呈现特定的条带或跳频图案这些图案就是检测目标。把瀑布图存成 PNG 或 JPG它就和普通图像没有区别YOLOv11 的卷积骨干网络照样能提取纹理和边缘特征。常见做法是先用 SDR 设备采集 IQ 数据再用短时傅里叶变换生成时频图最后按目标检测格式标注信号出现的区域。这里的关键认知是数据集里的「原始图片」不是无人机航拍图而是信号时频图或频谱图标注框框的是信号在时频平面上的位置不是物理世界里的物体。2.2 364 张图片的标注格式与目录结构YOLOv11 沿用 YOLO 系列的标注规范每张图片对应一个同名 txt 文件每行格式为类别编号 中心x 中心y 宽度 高度坐标全部归一化到 0 到 1 之间。364 张原始图片通常按 8:1:1 或 7:2:1 划分训练集、验证集、测试集目录结构一般长这样dataset/ ├── images/ │ ├── train/ # 约 255 张 │ ├── val/ # 约 55 张 │ └── test/ # 约 54 张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml是 YOLOv11 训练时的入口配置文件内容至少包含训练、验证、测试三个路径类别数量和类别名称。如果数据集里只有一种信号类型nc就是 1如果区分图传、遥控、干扰等就按实际类别数写。这里有个容易翻车的地方图片和标签必须同名且一一对应缺一个标签文件训练时就会报No labels found或者把该图当负样本处理直接影响召回率。2.3 用 Python 校验标注文件是否合规拿到数据集先别急着训练花两分钟写个校验脚本能省下后面几小时的排查时间。下面这段代码检查每个标签文件的坐标是否越界、类别编号是否超出范围、图片和标签是否配对import os from pathlib import Path img_dir Path(dataset/images/train) lbl_dir Path(dataset/labels/train) nc 1 # 类别数按 data.yaml 修改 img_stems {p.stem for p in img_dir.glob(*.jpg)} | {p.stem for p in img_dir.glob(*.png)} lbl_stems {p.stem for p in lbl_dir.glob(*.txt)} # 检查配对 print(有图无标签:, img_stems - lbl_stems) print(有标签无图:, lbl_stems - img_stems) # 检查坐标和类别 for txt in lbl_dir.glob(*.txt): for i, line in enumerate(txt.read_text().strip().splitlines()): parts line.split() if len(parts) ! 5: print(f{txt.name} 第{i}行字段数不对: {line}) continue cls, cx, cy, w, h map(float, parts) if cls nc or cls 0: print(f{txt.name} 第{i}行类别越界: {cls}) if not all(0 v 1 for v in (cx, cy, w, h)): print(f{txt.name} 第{i}行坐标越界: {line})逻辑说明先做集合差集找出配对缺失再逐行解析标签字段数必须是 5类别编号必须在[0, nc-1]内四个坐标必须落在 0 到 1 之间。参数说明img_dir和lbl_dir按实际划分替换nc要和data.yaml里的nc一致。如果输出为空说明标注基本合规如果有大量坐标越界可能是标注工具导出时没做归一化需要重新导出。2.4 小样本下的数据增强策略364 张图对 YOLOv11 来说偏少直接训练容易过拟合。常见做法是开启 YOLOv11 内置的增强参数包括随机翻转、缩放、色彩抖动、马赛克增强。频谱图有个特殊性频率轴翻转会改变信号含义所以水平翻转要慎用垂直翻转时间轴翻转通常可以接受。我一般会在data.yaml同级写一个训练配置把mosaic设为 1.0flipud设为 0.5fliplr设为 0.0hsv_h和hsv_s调低到 0.015 和 0.3因为频谱图的颜色映射是伪彩色过度色彩抖动会破坏功率信息。如果类别不平衡还可以用copy_paste增强少数类但小样本下要控制比例否则合成样本会主导梯度。3. 用 YOLOv11 在本地跑通频射信号检测的最小命令3.1 环境配置与依赖安装YOLOv11 通过 Ultralytics 包分发环境配置比早期 YOLO 版本简单很多。我一般用 conda 建一个干净环境避免和系统里的 PyTorch 冲突conda create -n uav_rf python3.10 -y conda activate uav_rf pip install ultralytics8.3.0 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121参数说明Python 选 3.10 是因为 Ultralytics 对 3.10 支持最稳ultralytics版本写 8.3.0 只是示例实际装最新版即可但要注意版本更新可能改变默认增强参数PyTorch 的 CUDA 版本按自己显卡驱动选cu121 对应 CUDA 12.1。装完后用yolo checks验证环境它会打印 GPU 是否可用、依赖版本是否匹配。如果显示 CPU only检查显卡驱动和 CUDA 版本是否对应。3.2 data.yaml 的六个必填字段YOLOv11 训练只认data.yaml字段写错会直接报错。下面是一个针对频射信号检测数据集的最小配置path: /home/user/dataset train: images/train val: images/val test: images/test nc: 1 names: [rf_signal]逻辑说明path是数据集根目录train、val、test是相对路径YOLOv11 会自动拼接。nc是类别数names是类别名列表长度必须等于nc。如果只有训练集和验证集test可以省略但评估时就没有独立测试集。注意names里的类别名不要用中文虽然部分版本能读但导出 ONNX 或部署时容易出编码问题。3.3 启动训练与关键参数含义最小训练命令只有一行但参数决定成败yolo detect train \ datadataset/data.yaml \ modelyolo11n.pt \ epochs200 \ imgsz640 \ batch16 \ lr00.001 \ patience50 \ projectruns/uav_rf \ nameexp1逻辑说明modelyolo11n.pt用预训练权重做迁移学习小样本下比从头训练收敛快得多epochs200配合patience50如果 50 轮验证指标不提升就早停避免过拟合imgsz640是输入分辨率频谱图如果长宽比差异大可以改成 640x640 或按实际调整lr00.001是初始学习率小样本下比默认的 0.01 更稳batch16按显存调整显存不够就降到 8 或 4。训练过程中重点看mAP50和mAP50-95前者是 IoU 0.5 时的平均精度后者更严格。如果训练集 mAP 很高但验证集很低就是过拟合需要加增强或减模型容量。3.4 推理与结果保存训练完在runs/uav_rf/exp1/weights/best.pt拿到最优权重推理命令yolo detect predict \ modelruns/uav_rf/exp1/weights/best.pt \ sourcedataset/images/test \ conf0.25 \ saveTrue \ save_txtTrue \ projectruns/uav_rf_predict参数说明conf0.25是置信度阈值频射信号检测里如果漏检代价高就调低到 0.1误检多就调到 0.4save_txtTrue会把检测框按 YOLO 格式存成 txt方便后续做信号级后处理source可以是单张图、文件夹或视频。推理结果默认存在runs/uav_rf_predict下图片和标签分开存放。如果要做批量统计可以读save_txt生成的 txt按帧统计信号出现次数和类别分布。4. 频射信号检测的避坑与排查364 张图训练时最容易翻车的五件事4.1 现象训练 loss 正常下降但 mAP 始终为 0原因标签坐标没有归一化或者图片和标签的尺寸不匹配。有些标注工具导出的是像素坐标直接当归一化坐标用YOLOv11 解析后框全在图片外自然学不到东西。解决用 2.3 的校验脚本检查坐标范围如果大量超过 1说明需要除以图片宽高重新归一化。另外确认图片没有被预处理脚本改过尺寸而标签没同步缩放。4.2 现象验证集 mAP 比训练集低 30 个点以上原因364 张图的小样本过拟合模型记住了训练集的噪声而不是信号特征。解决先开强增强mosaic1.0、mixup0.2、scale0.5再考虑换更小的模型比如yolo11n换成yolo11s反而可能更差小样本下参数少的模型泛化更好最后检查划分是否随机如果训练集和验证集来自不同采集时段分布差异大会导致指标骤降这种情况要做分层划分。4.3 现象推理时同一信号被框出多个重叠框原因频射信号在时频图上往往是连续条带YOLOv11 的 NMS 阈值默认 0.7条带被切成多段后每段都出框。解决推理时把iou调到 0.3 到 0.5让重叠框合并或者在训练标签阶段就把连续信号标成一个完整框而不是分段标。如果信号本身是跳频的分段标反而合理那就保留多框后处理时按时间邻近合并。4.4 现象训练到一半报 CUDA out of memory原因imgsz或batch超过显存。640x640 的输入在 8G 显存上 batch 16 可能吃紧尤其是开了 mosaic 增强后一个 batch 里拼了 4 张图。解决先把batch降到 8再不行降到 4或者把imgsz降到 512但要注意小信号在低分辨率下可能消失。另一个办法是开ampTrue混合精度显存占用能降三成左右但部分老显卡不支持开了反而报错。4.5 现象换一批新采集的信号图模型几乎全漏检原因数据集覆盖的场景太窄364 张图可能只来自一种设备、一个频段、一个信噪比条件。解决先做频域分析看新数据的信号频率范围是否在训练集分布内如果偏移太大要么补充新场景的标注数据要么在推理前做频段对齐。小样本数据集的泛化边界就在这里94.3% 是在同分布测试集上的成绩跨设备跨场景会明显下降这一点在投入前必须心里有数。5. 把 94.3% 变成可复现的基线交叉验证与置信度校准技巧94.3% 这个数字如果只来自一次随机划分参考价值有限。364 张图做 5 折交叉验证每折训练集约 291 张、验证集约 73 张跑 5 次取平均才能看出模型是真的学到了信号特征还是碰巧拟合了测试集。具体做法是把图片按 stem 分成 5 份每次用其中 4 份做训练、1 份做验证生成 5 个data.yaml依次训练后汇总mAP50。如果 5 折标准差超过 5 个点说明划分敏感需要检查是否有某几折的验证集里信号类型特别偏。置信度校准是另一个容易被忽略的点。YOLOv11 输出的置信度是分类分支的 sigmoid 值不等于真实概率。在频射信号检测里如果下游要做干扰决策置信度 0.6 和 0.9 的差别很大。我一般会在验证集上画可靠性曲线把预测置信度分桶统计每个桶里的实际准确率如果偏差大就用温度缩放做校准。校准后的置信度再配合conf阈值能明显减少误报。还有一个实用技巧是测试时增强TTA。推理时把图片水平翻转、多尺度缩放各跑一次把检测框融合通常能涨 1 到 2 个点代价是推理时间翻倍。对 364 张图的小数据集来说这个代价可以接受。命令里加augmentTrue就能开 TTA但要注意它和 NMS 的配合融合后的框可能更多iou阈值要相应调整。最后说个我自己的习惯每次拿到新数据集先不训练而是把标注框画到原图上肉眼过一遍。364 张图半小时能翻完能发现标签错位、漏标、类别标反这些脚本查不出来的问题。这个动作帮我省过至少两次白跑一晚上的训练。频射信号检测数据集的价值不在图片数量而在标注质量和场景覆盖364 张图如果标得准、场景全比 3000 张脏数据管用。希望帮到你。本文还有配套的精品资源点击获取
