🚁 YOLOv11 在 VisDrone 数据集上的使用

1. 📝 项目简介

本项目旨在将最新的单阶段目标检测算法 YOLOv11 应用于 VisDrone 无人机视角数据集。实验目标是评估 YOLOv11 在处理该数据集特有的密集小目标和复杂俯视场景时的基本检测能力和适应性。

主要工作包括：数据格式转换、YOLOv11 模型配置与训练、以及基于指标和可视化结果的性能分析。

2. ✨ 项目特色

本项目的核心是利用 ultralytics 框架，对 YOLOv11 模型的结构和训练参数进行调整，以适应 VisDrone 数据集的要求。

2.1. 针对性模型选择与调整

我们采用YOLOv11n 轻量级模型，网络中包含了以下对小目标检测有益的关键技术：

• 多尺度特征融合增强：YOLOv11 沿用了 PANet 结构，并集成了 C2PSA 模块（并行空间注意力）。该注意力机制旨在增强多尺度特征融合，有助于模型捕捉图像中小目标特征。
• 网络效率优化：YOLOv11 的 C3K2 动态卷积模块和轻量化设计，旨在在保持较高检测精度的前提下，减少计算量，使模型更适合作为实验平台。

2.2. 实验参数设定

3. 📊 项目效果

本实验的详细结果已在实验报告中详述。请参见 docs/实验报告 目录中的文档，获取完整的实验数据和结论。
检测效果展示

4. 💻 代码结构

yolov11/
├── src/
│   ├── converter.py        # 负责将数据转化为YOLO格式。
│   ├── VisDrone.yaml       # Ultralytics 框架配置文件，定义类别和数据路径。
│   └── main.py             # 训练/测试代码
├── datasets/
│   └── VisDrone/           # 存放 VisDrone 数据集（已转化）。
├── src/
│   └── 实验报告.docx        # 存放实验报告
└── README.md               # 本文件。

5. 🛠️ 使用说明

1. 下载代码：
   下载完整的项目代码仓库到本地计算机。
2. 安装依赖：
3. pip instal -r requirements.txt
   确保您的环境中安装了所有必要的 Python 依赖库。
4. 运行程序：
   打开命令行或终端，并执行主程序文件：

   python main.py
   

总结

• 小白手把手入门
• 深度学习
• YOLO人工智能项目
• 一文教你训练自己的无人机VisDrone数据集
• 如何入门yolo指导