无人机和鸟数据集，无人机数据集+鸟数据集 yolo格式，可以直接用于模型的训练。7000张，图片自己打的标签  yolov5-yolov10通用

• 无人机及鸟类目标检测数据集
• 规模：
  • 总图像数量：约7,000张
• 类别：2类检测目标
  • Drone：无人机
  • Bird：鸟类
• 标注格式：YOLO txt格式
• 用途：目标检测
• 适用框架：YOLO系列目标检测算法（如YOLOv5到YOLOv10）

数据集特点

• 高质量影像：所有图像均为高分辨率的图像，适合用于精确的目标检测。
• 详细标注：每张图像都有详细的边界框标注，采用YOLO txt格式。
• 多样性：包含多种环境和场景下的无人机和鸟类图像，适用于不同的应用场景。
• 广泛适用性：支持多种深度学习框架，特别是YOLO系列模型。

数据集结构

UAV_BirdDataset/
├── images/  # 图像文件
│   ├── train/  # 训练集图像
│   │   ├── image_00001.jpg
│   │   ├── image_00002.jpg
│   │   └── ...
│   ├── val/  # 验证集图像
│   │   ├── image_00001.jpg
│   │   ├── image_00002.jpg
│   │   └── ...
│   └── test/  # 测试集图像
│       ├── image_00001.jpg
│       ├── image_00002.jpg
│       └── ...
├── labels/  # YOLO格式标签
│   ├── train/  # 训练集标签
│   │   ├── image_00001.txt
│   │   ├── image_00002.txt
│   │   └── ...
│   ├── val/  # 验证集标签
│   │   ├── image_00001.txt
│   │   ├── image_00002.txt
│   │   └── ...
│   └── test/  # 测试集标签
│       ├── image_00001.txt
│       ├── image_00002.txt
│       └── ...
└── data.yaml  # 数据配置文件

• images/train/、images/val/ 和 images/test/ 文件夹分别包含训练集、验证集和测试集的图像文件。
• labels/train/、labels/val/ 和 labels/test/ 文件夹分别包含每个图像对应的YOLO txt格式标签文件。
• data.yaml 文件列出了数据集的基本信息和类别列表。

标注格式示例

每行表示一个物体的边界框和类别：

class_id cx cy w h

• class_id：类别ID（0为无人机，1为鸟类）。
• cx：目标框中心点x坐标 / 图像宽度。
• cy：目标框中心点y坐标 / 图像高度。
• w：目标框宽度 / 图像宽度。
• h：目标框高度 / 图像高度。

例如：

0 0.453646 0.623148 0.234375 0.461111
1 0.250000 0.300000 0.150000 0.200000

使用该数据集进行模型训练

1. 数据预处理与加载

首先，我们需要加载数据并将其转换为适合YOLOv5等模型使用的格式。假设你已经安装了PyTorch和YOLOv5。

import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transformsclass UAVBirdDataset(Dataset):def __init__(self, image_dir, label_dir, transform=None):self.image_dir = image_dirself.label_dir = label_dirself.transform = transformself.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]def __len__(self):return len(self.image_files)def __getitem__(self, idx):img_name = self.image_files[idx]img_path = os.path.join(self.image_dir, img_name)label_path = os.path.join(self.label_dir, img_name.replace('.jpg', '.txt'))# 加载图像image = Image.open(img_path).convert('RGB')if self.transform:image = self.transform(image)# 加载标注with open(label_path, 'r') as f:lines = f.readlines()boxes = []labels = []for line in lines:class_id, cx, cy, w, h = map(float, line.strip().split())boxes.append([cx, cy, w, h])labels.append(int(class_id))boxes = torch.tensor(boxes, dtype=torch.float32)labels = torch.tensor(labels, dtype=torch.int64)return image, boxes, labels# 数据增强
transform = transforms.Compose([transforms.Resize((640, 640)),transforms.ToTensor(),
])# 创建数据集
train_dataset = UAVBirdDataset(image_dir='UAV_BirdDataset/images/train/', label_dir='UAV_BirdDataset/labels/train/', transform=transform)
val_dataset = UAVBirdDataset(image_dir='UAV_BirdDataset/images/val/', label_dir='UAV_BirdDataset/labels/val/', transform=transform)
test_dataset = UAVBirdDataset(image_dir='UAV_BirdDataset/images/test/', label_dir='UAV_BirdDataset/labels/test/', transform=transform)train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=4, shuffle=False, num_workers=4)
test_loader = DataLoader(test_dataset, batch_size=4, shuffle=False, num_workers=4)

2. 构建模型

我们可以使用YOLOv5模型进行目标检测任务。假设你已经克隆了YOLOv5仓库，并按照其文档进行了环境设置。

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

创建数据配置文件 data/uav_bird.yaml：

train: path/to/UAV_BirdDataset/images/train
val: path/to/UAV_BirdDataset/images/val
test: path/to/UAV_BirdDataset/images/testnc: 2  # 类别数
names: ['Drone', 'Bird']

3. 训练模型

使用YOLOv5进行训练。

4. 评估模型

在验证集上评估模型性能

python val.py --img 640 --batch 16 --data data/uav_bird.yaml --weights runs/train/exp/weights/best.pt --task test

5. 推理

使用训练好的模型进行推理。

python detect.py --source path/to/test/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.5

实验报告

实验报告应包括以下内容：

1. 项目简介：简要描述项目的背景、目标和意义。
2. 数据集介绍：详细介绍数据集的来源、规模、标注格式等。
3. 模型选择与配置：说明选择的模型及其配置参数。
4. 训练过程：记录训练过程中的损失变化、学习率调整等。
5. 评估结果：展示模型在验证集上的性能指标（如mAP、准确率）。
6. 可视化结果：提供一些典型样本的检测结果可视化图。
7. 结论与讨论：总结实验结果，讨论可能的改进方向。
8. 附录：包含代码片段、图表等补充材料。

依赖库

确保安装了以下依赖库：

pip install torch torchvision
pip install -r yolov5/requirements.txt

总结

这个无人机及鸟类目标检测数据集提供了丰富的标注数据，非常适合用于训练和评估目标检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的目标检测模型。实验报告可以帮助你更好地理解和分析模型的表现，并为进一步的研究提供参考。