低空空中目标检测数据集（Low-Altitude Aerial Target Detection Dataset）低空目标检测 反无人机 空中目标分类 小目标检测 YOLO格式 深度学习数据集 计算机视觉x

数据集概述

本数据集专注低空空域目标感知，服务于反无人机、空中交通监控及生态监测等前沿领域。数据涵盖典型空中目标，场景丰富，适配可见光条件下的目标检测算法研发与评测。

数据集核心信息

数据三要素解析

类别与数量

• 数据集定义 4 个核心类别：飞机、鸟类、无人机、直升机，基本覆盖低空常见移动目标。
• 图像总量约 13000 张，规模适中，适合作为反无人机及小目标检测算法的训练基准。
• 数据已按 训练集、验证集、测试集 进行标准化划分，便于模型训练与独立评估。

格式与结构

• 采用通用 YOLO 格式，每张图像对应一个同名 txt 标签文件，包含类别 ID 和归一化边界框坐标。
• 图像分辨率跨度大（163×134 至 3840×2178），多数样本为 640×512 或 640×640，兼顾小目标与高分辨率细节。
• 数据包含普通图像及可见光视频抽帧样本，可同时支持图像与视频帧级检测任务。

应用与扩展

• 数据集场景多样，涵盖天空、城市、山地、森林及远距离小目标等复杂环境，提升模型泛化能力。
• 无人机与鸟类类别有助于研究 小目标检测 及 类间相似目标区分 等难点问题。
• 可扩展用于 目标跟踪、轨迹预测 及 多目标关联 等高级视觉任务。

知识普及：小目标检测挑战

空中目标通常尺寸较小，像素占比低，且易受背景干扰，这对检测算法提出更高要求。YOLO 等算法通过多尺度特征融合、增大输入分辨率、优化 Anchor 设计等策略提升小目标检测性能。本数据集提供丰富的远距离小目标样本，是算法优化的理想测试平台。

快速开始（代码示例）

配置文件 data.yaml 示例：

train: ./dataset/images/train
val: ./dataset/images/val
test: ./dataset/images/test
nc: 4
names: ['airplane', 'bird', 'drone', 'helicopter']

启动 YOLOv8 训练（针对小目标优化）：

from ultralytics import YOLO
model = YOLO('yolov8m.pt')
model.train(data='data.yaml', epochs=100, imgsz=640, batch=16, mosaic=0.5)

标签

低空目标检测 反无人机 空中目标分类 小目标检测 YOLO格式 深度学习数据集 计算机视觉