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张原始图片、364个YOLOv11格式标注txt文件以及1个yaml配置文件压缩包约136.82MB图片与标注一一对应可直接接入YOLOv11训练流程省去格式转换与数据清洗环节。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%适合作为算法验证、模型对比与课程实验的基准数据。目前已有633人学习下载具备一定参考价值。读者可获得开箱即用的标注数据、清晰的目录结构以及可复现的检测基线便于快速开展无人机频射信号检测实验与二次开发。1. 无人机频射信号检测数据集364 张原始图片怎么撑起 94.3% 的识别率拿到一个只有 364 张原始图片的无人机频射信号检测数据集第一反应往往是「这点数据能训出什么」。但标题里那句「平均正确识别率 94.3%」和「支持 yolov11 格式的标注」放在一起说明它不是让你从零训一个大模型而是让你在一个已经标好的小规模频射信号图上做迁移学习或微调验证。频射信号检测和常见的可见光目标检测不一样它的输入通常是频谱图、瀑布图或者 IQ 采样转出来的时频图目标在图上表现为特定形状的能量块或调制条纹。364 张图对应的是「原始图片」不是增强后的样本量所以真正要解决的问题是怎么用 yolov11 这套现成框架把标注吃进去、把频射特征学出来、把 94.3% 这个数字复现到自己的验证集上。适合谁适合手里有频谱采集设备、想快速验证无人机信号检测可行性又不想从信号处理底层重写一套检测网络的工程师。下面按数据理解、格式转换、训练配置、避坑、进阶验证五步走每一步都落到能跑的命令和参数上。2. 频射信号图与 yolov11 标注格式先搞清楚 364 张图里到底存了什么2.1 频射信号检测和普通目标检测的输入差异普通 yolov11 目标检测吃的是 RGB 三通道图片像素值代表颜色。频射信号检测的输入通常是单通道灰度图或者伪彩色时频图像素亮度代表某个频点在某个时刻的能量强度。这意味着两件事第一你不能直接拿 ImageNet 预训练权重当万能起点因为预训练模型学的是纹理、边缘、语义而频射图里这些特征很弱能量块才是关键第二数据增强不能乱用水平翻转可能改变频率轴方向颜色抖动对单通道图没有意义甚至会把调制特征抹掉。我一般会先把原始图片全部读一遍确认三件事图片尺寸是否统一、是灰度还是三通道、目标框是紧贴能量块还是留了余量。364 张图如果尺寸不一致yolov11 训练时会自动 resize 到 imgsz 指定的大小但 resize 会改变目标框的相对面积小目标可能被缩没。所以第一步不是急着写训练脚本而是用脚本统计图片宽高分布和目标框面积分布。import os from PIL import Image import numpy as np img_dir raw_images sizes [] for f in os.listdir(img_dir): if f.lower().endswith((.png, .jpg, .jpeg, .bmp)): with Image.open(os.path.join(img_dir, f)) as im: sizes.append(im.size) sizes np.array(sizes) print(宽 min/max/mean:, sizes[:,0].min(), sizes[:,0].max(), sizes[:,0].mean()) print(高 min/max/mean:, sizes[:,1].min(), sizes[:,1].max(), sizes[:,1].mean()) print(唯一尺寸数量:, len(set(map(tuple, sizes))))这段代码只做一件事告诉你 364 张图里有多少种分辨率。如果唯一尺寸数量是 1说明采集时已经统一过可以直接进下一步如果超过 5 种就要考虑统一 resize 还是分桶训练。参数上img_dir换成你的原始图片目录输出里的 mean 值用来决定imgsz设 640 还是 512。频射图里目标往往偏小imgsz不建议低于 512否则能量块只剩几个像素yolov11 的 P3 特征层也救不回来。2.2 yolov11 标注格式的字段含义与转换检查yolov11 沿用 YOLO 系列的标注格式每张图对应一个同名.txt文件每行一个目标格式是class_id x_center y_center width height全部归一化到 0 到 1 之间。标题说「支持 yolov11 格式的标注」意味着数据集里应该已经带了这些 txt或者至少给了可以转成这种格式的原始标注。拿到之后不要直接开训先做一次格式校验因为归一化坐标一旦越界或者宽高为负训练时不会报错只会让 loss 变成 nan这就是典型的黑匣子翻车现场。import os label_dir labels img_dir raw_images bad [] for txt in os.listdir(label_dir): if not txt.endswith(.txt): continue stem os.path.splitext(txt)[0] img_path None for ext in (.png, .jpg, .jpeg, .bmp): p os.path.join(img_dir, stem ext) if os.path.exists(p): img_path p break if img_path is None: bad.append((txt, 没有对应图片)) continue with open(os.path.join(label_dir, txt)) as f: for i, line in enumerate(f): parts line.strip().split() if len(parts) ! 5: bad.append((txt, f第{i}行字段数不对)) continue cls, x, y, w, h parts vals list(map(float, [x, y, w, h])) if any(v 0 or v 1 for v in vals): bad.append((txt, f第{i}行坐标越界)) if float(w) 0 or float(h) 0: bad.append((txt, f第{i}行宽高非正)) print(问题文件数:, len(bad)) for b in bad[:20]: print(b)逻辑说明先检查每个 txt 是否有同名图片再逐行检查字段数和归一化范围。参数上label_dir和img_dir换成你的实际路径。如果问题文件数超过总数的 5%不要硬训先修标注。常见修法是重新导出或者用脚本把越界坐标裁剪到 0 到 1 之间但裁剪会改变框的形状最好回到标注工具里改。2.3 数据集划分364 张图怎么分才不浪费364 张图如果按 8:1:1 分验证集只有 36 张测试集 36 张指标波动会很大。频射信号检测里不同信噪比、不同调制方式的目标分布可能不均匀随机分容易让某一类在验证集里消失。我一般会先按类别分层再按信噪比或采集批次分层保证训练集和验证集里每个类别至少出现几次。如果类别只有无人机信号和背景两类那至少保证验证集里正样本不少于 30 个目标框。# 假设图片和标签已经按类别分好文件夹用 sklearn 做分层划分 python - EOF import os, shutil, random from sklearn.model_selection import train_test_split img_dir raw_images lbl_dir labels out_root dataset random.seed(42) files [os.path.splitext(f)[0] for f in os.listdir(img_dir) if f.lower().endswith((.png,.jpg,.jpeg,.bmp))] # 简单按是否有目标框分层 has_obj [] for stem in files: txt os.path.join(lbl_dir, stem .txt) has_obj.append(1 if os.path.exists(txt) and os.path.getsize(txt) 0 else 0) train, temp train_test_split(files, test_size0.2, stratifyhas_obj, random_state42) val, test train_test_split(temp, test_size0.5, stratify[has_obj[files.index(t)] for t in temp], random_state42) for split, items in [(train, train), (val, val), (test, test)]: os.makedirs(f{out_root}/images/{split}, exist_okTrue) os.makedirs(f{out_root}/labels/{split}, exist_okTrue) for stem in items: for ext in (.png,.jpg,.jpeg,.bmp): src os.path.join(img_dir, stemext) if os.path.exists(src): shutil.copy(src, f{out_root}/images/{split}/{stem}{ext}) break src_lbl os.path.join(lbl_dir, stem.txt) if os.path.exists(src_lbl): shutil.copy(src_lbl, f{out_root}/labels/{split}/{stem}.txt) print(train/val/test:, len(train), len(val), len(test)) EOF这段脚本做分层划分并复制文件到dataset/images和dataset/labels下。参数上test_size0.2表示验证加测试共 20%再对半分成 val 和 test。random_state42保证可复现。如果类别更多把has_obj换成类别 id 列表即可。注意频射信号里背景图也可能有噪声不要因为 txt 为空就全丢空标签图对抑制误报有用。3. 用 yolov11 在本地跑通频射信号检测的最小训练命令3.1 环境配置与 ultralytics 安装的版本选择yolov11 的官方实现放在 ultralytics 包里安装方式直接决定你能不能复现 94.3% 这个数字。常见做法是建一个干净的 conda 环境Python 用 3.9 到 3.11 之间PyTorch 按显卡 CUDA 版本选。不要在一个已经装了 yolov5 或旧版 ultralytics 的环境里直接升级依赖冲突会让训练中途报一些看不懂的错。我一般会先锁版本再装包。conda create -n drone_rf python3.10 -y conda activate drone_rf # 按你的 CUDA 版本选下面以 CUDA 11.8 为例 pip install torch2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics8.3.0 python -c from ultralytics import YOLO; print(ok)参数说明ultralytics8.3.0是支持 yolov11 的版本线具体小版本可以按你实际能装上的来但不要用 8.0 以下的版本因为 yolov11 的模型定义不在里面。torch和torchvision的版本要匹配CUDA 11.8 对应 cu118。装完用一行 import 验证能打印 ok 再往下走。如果 import 报libcudart相关错误说明 CUDA 版本和 torch 不匹配回退重装。3.2 准备 data.yaml 与最小训练命令yolov11 训练需要一个data.yaml里面写清楚训练、验证、测试图片目录和类别名。频射信号检测如果只有无人机信号一类nc: 1names: [drone_rf]。路径建议用绝对路径避免 ultralytics 在不同工作目录下找不到文件。# data.yaml path: /home/user/dataset train: images/train val: images/val test: images/test nc: 1 names: - drone_rf然后是最小训练命令。不要一上来就改网络结构先用默认的 yolov11n 或 yolov11s 跑通确认数据管道没问题。yolo detect train \ datadata.yaml \ modelyolo11n.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ projectruns/drone_rf \ namebaseline逻辑说明modelyolo11n.pt会下载预训练权重频射图和自然图像差异大但浅层卷积仍然能提取边缘和斑点比从零训收敛快。epochs100对 364 张图来说偏多但小数据集需要多轮才能稳定配合早停。imgsz640是默认值如果显存不够降到 512。batch16在 8G 显存上跑 yolov11n 没问题跑 yolov11m 就要降到 8 或 4。device0指定第一块 GPUCPU 训练会慢到无法接受。3.3 训练日志里该盯哪几个指标跑起来之后控制台会输出每轮的 box_loss、cls_loss、dfl_loss 和 mAP50、mAP50-95。频射信号检测里box_loss 下降慢是正常的因为能量块边界模糊模型很难学到精确的宽高。真正要盯的是 mAP50 和召回率。如果 mAP50 在 20 轮后还在 0.3 以下不要继续等先回去检查标注框是不是把整个时频图都框进去了。如果 cls_loss 一直不降说明正负样本极度不平衡背景图太多或者目标太少需要调整数据划分或者加 focal loss 类的策略。# 训练结束后用验证集跑一次看每类指标 yolo detect val \ modelruns/drone_rf/baseline/weights/best.pt \ datadata.yaml \ splitval \ imgsz640这条命令会输出每类的 precision、recall、mAP50、mAP50-95。94.3% 如果是平均正确识别率通常对应 mAP50 或者 top-1 准确率你要确认它是在哪个 split 上算的。如果验证集 mAP50 只有 0.85而测试集有 0.94说明验证集分布和测试集不一致需要重新分层。4. 频射信号检测训练避坑364 张图最容易翻车的 5 个地方4.1 现象loss 变成 nan训练几轮后中断原因标注文件里有坐标越界或者宽高为负归一化后的值超出 0 到 1yolov11 在计算框回归时产生非法梯度。频射信号数据集如果是从其他格式转过来的转换脚本没做裁剪很容易出现这种情况。解决回到 2.2 的校验脚本把所有问题文件列出来。越界坐标不要简单 clip因为 clip 后框的位置会偏移最好回到标注工具里重新画。如果只是个别文件直接删掉或者修正后重跑。训练前加一行yolo detect train ... rectFalse不能解决这个问题必须从数据源头修。4.2 现象mAP 很高但实际推理时漏检严重原因验证集和测试集里目标分布太单一比如全是高信噪比信号模型学到了「只要能量强就是目标」遇到低信噪比就失效。364 张图如果采集时只在一个频段、一个距离下做泛化能力会很差。解决在划分数据集时按信噪比分层把高、中、低信噪比的图都分到训练和验证里。如果原始数据没有信噪比标签可以用图片的平均亮度或能量均值做代理指标分桶后再划分。推理时把置信度阈值从默认 0.25 降到 0.1看召回率能不能上来如果能上来但误报也增加说明模型本身区分能力不够需要加数据或换更大的模型。4.3 现象训练速度极慢GPU 利用率只有 20%原因频射信号图如果是单通道ultralytics 默认按三通道读会在数据加载时做通道复制CPU 成为瓶颈。另外 364 张图太小如果workers设得太大每个 epoch 的启动开销占比高。解决把图片统一转成三通道灰度图存盘避免训练时实时转换。workers设成 4 到 8 之间不要超过 CPU 核数。batch适当加大到 32减少迭代次数。如果还是慢检查是不是把数据放在了机械硬盘上小文件随机读很吃 IO换 SSD 或者提前打包成 lmdb 格式。4.4 现象验证集 mAP 波动大每次跑结果差很多原因验证集只有 36 张图目标框数量少随机种子一变指标就跳。频射信号检测里某些调制方式的目标本来就少分到验证集里可能只有一两个。解决用 k 折交叉验证代替单次划分364 张图做 5 折每折验证集约 73 张指标更稳。或者固定随机种子并且把验证集扩大到 20%训练集用剩下的 80%。如果类别不平衡用yolo detect train ... fraction0.8不能解决要改划分脚本。4.5 现象推理结果保存后图片上框的位置偏移原因yolov11 保存推理结果时默认会把图片 resize 回原始尺寸再画框但如果原始图片尺寸和训练时imgsz不一致坐标变换可能出错。频射信号图如果原始尺寸是 1024x1024训练时 resize 到 640推理时再映射回去框会有几个像素的偏移。解决推理时显式指定imgsz和训练时一致并且用saveTrue保存可视化结果。如果偏移仍然存在用yolo detect predict ... rectTrue保持长宽比避免拉伸。对于频射信号几个像素的偏移可能让框偏离能量块中心影响后续人工判读所以最好在原始尺寸上直接推理或者训练时就统一 resize 到目标尺寸并保存。5. 把 94.3% 复现到自己的数据上验证方法与调参技巧5.1 用混淆矩阵和 PR 曲线定位误报来源训练完只看 mAP 不够频射信号检测里误报往往来自同频段的干扰信号或者噪声突起。yolov11 的验证命令会生成混淆矩阵和 PR 曲线存在runs/drone_rf/baseline/下。打开混淆矩阵看背景被误判成无人机信号的比例。如果背景误报高说明模型把噪声能量块当成了目标需要增加背景图或者提高置信度阈值。PR 曲线看 recall 在多少时 precision 开始骤降那个点就是实际部署时该设的阈值。yolo detect val \ modelruns/drone_rf/baseline/weights/best.pt \ datadata.yaml \ splittest \ imgsz640 \ plotsTrue \ conf0.001conf0.001是为了画完整的 PR 曲线实际推理时再按曲线选阈值。plotsTrue会生成混淆矩阵、F1 曲线等图。如果测试集 mAP50 接近 0.943说明标题里的 94.3% 大概率是 mAP50 或者类似指标你可以用同样的口径报告自己的结果。5.2 小目标频射信号的三个调参方向频射信号里的无人机图传信号在时频图上可能只占几十个像素属于小目标。yolov11 默认的 P3 特征层 stride 是 8对小于 8x8 的目标不友好。三个方向可以试第一把imgsz从 640 提到 1024让目标在特征图上占更多像素代价是显存和训练时间增加第二用yolo11s或yolo11m代替yolo11n更大的模型对小目标更敏感第三在data.yaml里加overlap_mask或者调整 anchor但 yolov11 是 anchor-free 的anchor 调不了只能靠数据增强里的mosaic和scale来增加小目标样本。yolo detect train \ datadata.yaml \ modelyolo11s.pt \ epochs150 \ imgsz1024 \ batch8 \ device0 \ mosaic1.0 \ scale0.5 \ projectruns/drone_rf \ namesmall_objmosaic1.0表示始终用 mosaic 增强scale0.5让图片随机缩放增加目标尺度多样性。batch8是因为 imgsz 提到 1024 后显存占用翻倍。如果显存不够用yolo11n加imgsz1024也比imgsz640强。5.3 用测试集做一次最终验证并保存推理结果调参结束后用测试集跑一次最终验证并且保存推理结果图人工抽查几张。频射信号检测的最终指标要报告 mAP50、mAP50-95 和 recall不要只报一个「正确识别率」。如果标题里的 94.3% 是平均正确识别率你可以用yolo detect val输出的 mAP50 作为对应指标并在报告里写清楚口径。yolo detect predict \ modelruns/drone_rf/small_obj/weights/best.pt \ sourcedataset/images/test \ imgsz1024 \ conf0.25 \ saveTrue \ projectruns/drone_rf \ nametest_predictconf0.25是默认阈值实际部署时按 PR 曲线调整。saveTrue会把画框后的图片存到runs/drone_rf/test_predict下。抽查时重点看低信噪比图片如果漏检集中在某几张把它们加回训练集再微调一轮往往能涨一两个点。我自己的习惯是每次拿到一个小规模频射数据集先跑一遍默认参数把 baseline 的 mAP 和混淆矩阵存下来再动任何参数。这样后面每改一个地方都能知道是涨了还是只是随机波动。364 张图不算多但足够验证一条技术路线能不能走通。希望帮到你。本文还有配套的精品资源点击获取
