YOLOv11 无人机红外小目标检测-人工智能第118期

1. 项目概述 | Project Overview

YOLOv11 无人机目标检测 YOLOv11

本仓库包含代码和资源，用于在HIT-UAV数据集上微调YOLOv11n模型，通过人工智能实现无人机对行人、车辆、自行车等目标的最优检测超参数。

目录结构

项目概述

本项目采用Ultralytics最新发布的YOLOv11n模型，通过HIT-UAV数据集进行微调，显著提升无人机航拍图像中常见目标的检测精度。

环境安装

本地环境配置步骤如下：

1. 克隆仓库：

git clone https://github.com/your-repo-name.git  
cd your-repo-name  

1. 安装依赖：

pip install -r requirements.txt  

✍🏻作者简介：机器学习，深度学习，卷积神经网络处理，图像处理
🚀B站项目实战：Plato-AI的个人空间-Plato-AI个人主页-哔哩哔哩视频
😄 如果文章对你有帮助的话， 欢迎评论 💬点赞👍🏻 收藏 📂加关注+
🤵‍♂代做需求QQ：673276993

使用指南

环境配置完成后，可使用以下脚本进行训练和模型转换。

模型训练

训练流程详见YOLOv11_Trainning.ipynb笔记本。该笔记本在Google Colab环境运行（非本地），复现步骤：

1. 在Colab中打开YOLOv11_Trainning.ipynb1. 按指引加载数据集并训练模型

模型转换

通过convert_pt2onix.py脚本可将训练好的PyTorch模型（.pt格式）转换为ONNX格式：

python convert_pt2onix.py --weights path/to/model.pt  

文件目录

关键目录说明：

api/ - YOLOv11 Flask接口

dataset/ - 示例数据集

training_results/ - 训练输出

---

2. 数据集配置 | Dataset Configuration

路径结构

Path Structure

path: /tmp/dataset  
train: /tmp/dataset/images/train  
val: /tmp/dataset/images/val  
test: /tmp/dataset/images/test  
names:  
  0: Person  
  1: Car  
  2: Bicycle  
  3: OtherVehicle  
  4: DontCare  
nc: 5  

---

3. 目录结构 | Table of Contents

---

4. 环境安装 | Installation

本地部署步骤

Local Setup Instructions

• 克隆仓库：

  git clone https://github.com/your-repo-name.git  
  cd your-repo-name  
  

• 安装依赖：

  pip install -r requirements.txt  
  

• ---

  5. 模型训练 | Training

  Google Colab执行说明
  
  Google Colab Execution

  ---

  6. 模型转换 | Model Conversion

  PyTorch转ONNX
  
  PyTorch to ONNX

  python convert_pt2onix.py --weights path/to/model.pt  
  
  

  ---

  7. 核心文件夹 | Folder Structure

  |文件夹|描述
  |------
  |api/|YOLOv11 Flask API接口（含部署说明）
  |dataset/|示例数据集与配置文件（需按训练笔记本修改dataset.yaml）
  |training_results/|训练输出（超参数调优结果、权重文件、评估指标及性能图表）

  ---

  8. 军事应用价值 | Military Applications

  通过无人机视角精准检测人员、车辆等目标，可为军事侦察任务提供关键技术支持。