当前位置：首页 > news >正文

无人机航拍违禁植物识别数据集｜低空禁毒巡检｜安防监管视觉训练集智慧安防无人机数据集｜野外违禁品监测｜AI目标识别深度学习样本库低空安全巡检数据集｜野外违禁植株识别｜安防视觉模型训练数据

news 2026/6/1 7:46:24

无人机航拍违禁植物识别数据集｜低空禁毒巡检｜安防监管视觉训练集

智慧安防无人机数据集｜野外违禁品监测｜AI目标识别深度学习样本库

低空安全巡检数据集｜野外违禁植株识别｜安防视觉模型训练数据

禁毒安防与野外安全监管常态化升级，偏远山地、农田、林区等区域违禁植株巡查面临范围广、地形险、人工巡查效率低、隐蔽性强等难题。无人机低空巡检具备全域覆盖、快速排查、远程安全作业等优势，但野外环境复杂、目标小、与杂草混淆度高，通用数据集无法支撑高精度识别需求。本文按 GitHub 开源项目规范，完整开放无人机安防违禁植株专项检测数据集，配套 YOLO 训练、推理、部署全流程工程代码，开箱即用，快速落地低空安全智能巡检系统。

📁 项目总览

项目领域：计算机视觉｜目标检测｜智慧安防｜无人机低空巡检
核心任务：无人机航拍视角下违禁植株高精度识别与定位
数据规模：610 张高清野外航拍图像，专用场景数据集
配套资源：完整数据集文件 + 预训练适配模型，开箱可测
格式支持：图像 JPG/PNG + 标注 YOLO TXT / VOC XML
适配算法：YOLOv5/v7/v8/v10/v11 全系列，小目标增强优化
应用场景：禁毒巡查、野外安防监管、区域安全巡检、违禁植株识别

🧾 数据集核心信息

信息项	详情
任务类型	计算机视觉 · 目标检测
标注类别	违禁植株单类别精准标注
数据总量	610 张无人机野外航拍图像
数据格式	图像文件 + 模型配置，支持平台上传直接测试
场景特点	野外山地、农田、杂草丛生、小目标、远距离、高隐蔽性
配套资源	专用数据集 + 预训练模型，完整“数据-模型”支撑链

✨ 核心优势

安防场景专属：聚焦违禁植株识别，无多余类别干扰，识别精度更高
野外环境适配：覆盖山地、农田、杂草区等真实巡查场景
小目标专项优化：大量远距离、小尺寸样本，提升低空巡检召回率
工程化就绪：数据集+模型配套，无需从零训练，快速部署上线
细分领域高效：规模适中，在安防垂直场景下训练快、泛化稳定

📂 标准目录结构（GitHub 规范）

drone-safety-det/ ├── images/ # 航拍巡检图像 │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO格式标注 │ ├── train/ │ └── val/ ├── scripts/ # 工具脚本 │ ├── split_dataset.py # 数据集划分 │ ├── voc2yolo.py # 标注格式转换 │ └── vis_label.py # 标注可视化校验 ├── data.yaml # YOLO数据集配置 ├── train.py # 模型训练脚本 ├── predict.py # 实时推理脚本 ├── README.md # 项目说明 └── model.pt # 预训练权重

🧪 深度学习实战代码（带安防巡检场景经验注释）

1. data.yaml（无人机违禁植株检测专用配置）

# 场景注释：无人机低空安防巡检·违禁植株小目标检测# 野外杂草多、目标小、易混淆，建议 imgsz=640/800 提升细节path:./drone-safety-dettrain:images/trainval:images/valtest:images/testnc:1# 单类别违禁植株检测names:['poppy']# 目标名称# 野外小目标调参经验：# 1. imgsz=640/800 增强远距离小目标召回# 2. 开启hsv、mosaic增强，适应复杂杂草背景# 3. conf=0.25 降低隐蔽目标漏检率

2. train.py（YOLOv8 安防小目标训练脚本）

fromultralyticsimportYOLO# 场景注释：无人机野外巡检·小目标+复杂背景训练优化if__name__=="__main__":# 轻量模型适合机载端实时推理model=YOLO("yolov8s.pt")model.train(data="data.yaml",epochs=120,# 小目标场景适当加轮数imgsz=640,# 高分辨率输入捕捉细节batch=16,device=0,patience=10,# 早停防止过拟合lr0=0.01,lrf=0.01,momentum=0.937,weight_decay=0.0005,warmup_epochs=3,cos_lr=True,augment=True,# 强数据增强提升鲁棒性hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,close_mosaic=10,name="safety_poppy_det")

3. predict.py（无人机安防巡检推理）

fromultralyticsimportYOLOimportcv2# 场景注释：安防巡检专用·隐蔽小目标低漏检推理defsafety_predict():# 加载训练完成模型model=YOLO("./runs/detect/safety_poppy_det/weights/best.pt")# 单张航拍图推理img_path="drone_safety.jpg"results=model.predict(source=img_path,conf=0.25,iou=0.45,agnostic_nms=True# 抑制杂草干扰误检)# 保存检测结果res_img=results[0].plot()cv2.imwrite("safety_result.jpg",res_img)# 视频/实时流巡检推理# model.predict(source="drone_flight.mp4", save=True, stream=True)if__name__=="__main__":safety_predict()

4. voc2yolo.py（标注格式转换）

importosimportxml.etree.ElementTreeasETfrompathlibimportPath# 场景注释：VOC转YOLO，保证野外小目标框归一化精准defvoc_to_yolo(voc_dir,yolo_dir,class_names):os.makedirs(yolo_dir,exist_ok=True)forxml_fileinPath(voc_dir).glob("*.xml"):tree=ET.parse(xml_file)root=tree.getroot()img_w=int(root.find("size/width").text)img_h=int(root.find("size/height").text)txt_path=os.path.join(yolo_dir,f"{xml_file.stem}.txt")withopen(txt_path,"w")asf:forobjinroot.findall("object"):cls_name=obj.find("name").textifcls_namenotinclass_names:continuecls_id=class_names.index(cls_name)bndbox=obj.find("bndbox")xmin=float(bndbox.find("xmin").text)ymin=float(bndbox.find("ymin").text)xmax=float(bndbox.find("xmax").text)ymax=float(bndbox.find("ymax").text)# YOLO标准归一化坐标cx=(xmin+xmax)/2/img_w cy=(ymin+ymax)/2/img_h w=(xmax-xmin)/img_w h=(ymax-ymin)/img_h f.write(f"{cls_id}{cx:.6f}{cy:.6f}{w:.6f}{h:.6f}\n")if__name__=="__main__":classes=["poppy"]voc_to_yolo("./labels/voc","./labels/yolo",classes)