无人机城市低空巡检数据集AU-AIR智能交通识别安防监控视觉训练集多类别交通目标检测城市低空视觉感知深度学习航拍样本库无人机交通巡检数据集道路车辆行人识别YOLO低空模型训练数据城市低空治理与智能交通加速落地无人机正成为交通流量监测、道路违章识别、城区安防巡逻、应急指挥的核心装备。但城市道路目标密集、尺寸悬殊、遮挡严重、视角多变通用数据集难以适配真实低空航拍场景导致模型漏检高、泛化差、工程落地难。本文严格遵循GitHub开源项目风格完整梳理AU-AIR无人机城市低空巡检数据集配套YOLO训练、格式转换、推理统计全流程工程代码开箱即用快速构建城市低空智能视觉系统。10200 项目总览GitHub Style项目领域计算机视觉目标检测无人机低空视觉智能交通城市安防核心任务无人机航拍视角下多类别交通目标精准检测数据规模9950 张高清航拍图像11 个数据集分组场景丰富均衡标注类别自行车、公交车、汽车、人、摩托车、挂车、卡车、厢式货车共 8 类数据格式兼容 VOC / YOLO / JSON 主流标注格式支持一键转换附加信息多场景、多角度、多光照覆盖贴近真实无人机巡检适配算法YOLOv5/v7/v8/v10/v11 全系列小目标与密集场景专项优化应用场景智能交通监测、城区安防巡逻、道路违章取证、人流车流统计、应急救援 数据集核心信息信息项详细内容任务类型计算机视觉 · 目标检测标注类别自行车、公交车、汽车、人、摩托车、挂车、卡车、厢式货车数据总量9950 张无人机航拍图像数据结构11 个数据集分组便于分场景训练与验证数据格式图像 标注框兼容 VOC、YOLO、COCO 等格式场景特点城市道路、街区、高空俯视、小目标密集、遮挡复杂、多光照配套资源数据集划分、格式转换、训练/推理/统计全套代码核心优势城市场景专属真实低空航拍视角完全匹配无人机交通巡检与安防监控类别覆盖全面8 大类覆盖全量交通参与者无需额外补标即可落地数据规模充足近万张图像 11 组划分支撑模型充分训练与泛化测试小目标/密集优化大量远距离、小尺寸、密集遮挡样本显著提升鲁棒性工程友好原生兼容 YOLO 系列一键训练、一键推理、一键统计 标准目录结构drone-auair-det/ ├── images/ # 航拍图像 │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO 格式标注 │ ├── train/ │ └── val/ ├── scripts/ # 工具脚本 │ ├── split_dataset.py # 训练/验证集划分 │ ├── voc2yolo.py # VOC → YOLO 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 # 航拍图像/视频推理 ├── count_traffic.py # 车流人流统计 └── README.md 深度学习实战代码带城市低空场景经验注释1. data.yamlAU-AIR 低空交通检测专用配置# 场景注释无人机城市低空巡检·8类交通目标检测# 城市小目标多、遮挡密集建议 imgsz640/800 提升召回率path:./drone-auair-dettrain:images/trainval:images/valtest:images/testnc:8names:[bicycle,bus,car,person,motorcycle,trailer,truck,van]# 城市低空调参经验# 1. imgsz640 起步小目标多可升到 800# 2. 开启 mosaic、mixup、hsv 增强适应光照与视角# 3. conf0.25降低遮挡与远距离目标漏检2. voc2yolo.pyVOC 转 YOLO 标注脚本importosimportxml.etree.ElementTreeasETfrompathlibimportPath# 场景注释AU-AIR数据集VOC转YOLO保证城市小目标框归一化精准defvoc_to_yolo(voc_dir,yolo_dir,class_names):os.makedirs(yolo_dir,exist_okTrue)forxml_fileinPath(voc_dir).glob(*.xml):treeET.parse(xml_file)roottree.getroot()img_wint(root.find(size/width).text)img_hint(root.find(size/height).text)txt_pathos.path.join(yolo_dir,f{xml_file.stem}.txt)withopen(txt_path,w)asf:forobjinroot.findall(object):cls_nameobj.find(name).textifcls_namenotinclass_names:continuecls_idclass_names.index(cls_name)bndboxobj.find(bndbox)xminfloat(bndbox.find(xmin).text)yminfloat(bndbox.find(ymin).text)xmaxfloat(bndbox.find(xmax).text)ymaxfloat(bndbox.find(ymax).text)# YOLO 归一化坐标cx(xminxmax)/2/img_w cy(yminymax)/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[bicycle,bus,car,person,motorcycle,trailer,truck,van]voc_to_yolo(./labels/voc,./labels/yolo,classes)3. train.pyYOLOv8 城市低空训练fromultralyticsimportYOLO# 场景注释无人机城市巡检·密集车流行人小目标训练参数if__name____main__:modelYOLO(yolov8s.pt)model.train(datadata.yaml,epochs150,# 多类别适当增加轮数保证收敛imgsz640,# 高分辨率适配航拍小目标batch16,device0,patience15,# 早停防止过拟合lr00.001,lrf0.01,optimizerAdamW,momentum0.937,weight_decay0.0005,warmup_epochs3,cos_lrTrue,augmentTrue,# 强数据增强hsv_h0.015,hsv_s0.7,hsv_v0.4,close_mosaic15,nameauair_city_det)4. predict.py航拍图像/视频推理fromultralyticsimportYOLOimportcv2# 场景注释无人机低空巡检推理·城市道路低漏检配置defauair_predict():modelYOLO(./runs/detect/auair_city_det/weights/best.pt)img_pathdrone_city.jpgresultsmodel.predict(sourceimg_path,conf0.25,iou0.45,agnostic_nmsTrue# 类别无关NMS抑制密集框误检)res_imgresults[0].plot()cv2.imwrite(auair_result.jpg,res_img)if__name____main__:auair_predict()5. count_traffic.py车流人流自动统计fromultralyticsimportYOLO# 场景注释智能交通核心·航拍图自动统计车流量、人流量defcount_traffic_flow():modelYOLO(auair_city_det.pt)resultsmodel.predict(drone_traffic.jpg,conf0.25)name_map{0:自行车,1:公交车,2:汽车,3:人,4:摩托车,5:挂车,6:卡车,7:厢式货车}count{v:0forvinname_map.values()}forrinresults:forboxinr.boxes:clsint(box.cls)count[name_map[cls]]1print( 航拍统计结果,count)if__name____main__:count_traffic_flow() 落地应用方向智能交通监测实时统计车流量、人流量、车型分布优化信号控制城区安防巡逻重点区域入侵检测、异常停留、聚集人群自动告警道路违章取证违停、压线、逆行、占道等自动识别与抓拍应急指挥调度灾害/事故现场快速识别人员与车辆辅助救援决策智慧城市治理全域交通态势感知支撑城市规划与拥堵治理 标签#无人机数据集 #AU-AIR数据集 #城市低空巡检 #智能交通 #目标检测 #YOLO无人机 #低空视觉 #安防监控 #车流统计 #计算机视觉 #深度学习数据集 #航拍目标检测 #城市治理