军事飞机检测数据集 | 军事飞机 细粒度识别 目标检测 YOLO格式 VOC格式 深度学习数据集 计算机视觉 航空器识别9110期
数据集概述
本数据集专注于军事飞机型号的视觉检测与识别，服务于军事航空研究、目标侦察及空域安全。数据涵盖34种经典军用飞机型号，从A10、B1、B2、B52到F22、F35等，适配细粒度目标检测、机型识别及航空器分类等任务。
数据集核心信息
| 类别 | 共 34 类军用飞机（详见下方列表） |
| 数量 | 4725 张图像 |
| 格式 | 图像为 JPG/PNG；同时提供 VOC（XML）与 YOLO（txt）两种标注格式 |
| 配套文件 | 提供 data.yaml 配置文件，可直接导入训练 |
| 应用价值 | 1. 军事侦察：支撑侦察图像中军用飞机型号的自动识别与分类。2. 航空研究：为民用航空管制、历史机型研究提供视觉数据基础。3. 安防监控：辅助机场、军事基地周边的飞行器类型识别与威胁评估。4. 算法研发：为细粒度目标检测、多类别航空器识别等任务提供大规模训练与评测数据。 |
完整类别列表（共34类）
| 1 | A10 | 13 | F14 | 25 | RQ4 |
| 2 | B1 | 14 | F15 | 26 | Rafale |
| 3 | B2 | 15 | F16 | 27 | SR71 |
| 4 | B52 | 16 | F18 | 28 | Su57 |
| 5 | Be200 | 17 | F22 | 29 | Tu160 |
| 6 | C130 | 18 | F35 | 30 | Tu95 |
| 7 | C17 | 19 | F4 | 31 | U2 |
| 8 | C5 | 20 | J20 | 32 | US2 |
| 9 | E2 | 21 | JAS39 | 33 | V22 |
| 9 | EF2000 | 22 | MQ9 | 34 | XB70 |
| 11 | F117 | 23 | Mig31 | YF23 | |
| 12 | F14 | 24 | Mirage2000 |
数据三要素解析
类别与机型覆盖
- 数据集定义 34 类军用飞机型号，覆盖 战斗机（F14、F15、F16、F18、F22、F35、J20、Su57等）、轰炸机（B1、B2、B52、Tu160、Tu95等）、运输机（C130、C17、C5等）、侦察机（SR71、U2、RQ4、MQ9等）及 特种机型（V22鱼鹰、XB70等）。
- 类别设置涵盖了美国、俄罗斯、中国、欧洲等主要军事力量的经典型号，具有较强的代表性与研究价值。
数据规模与格式
- 图像总量约 4725 张，规模充足，能支撑多类别细粒度检测模型的稳健训练。
- 同时提供 VOC 与 YOLO 双格式标注，无需额外转换即可适配不同算法框架。
- 配套提供 data.yaml 配置文件，包含训练/验证路径与类别名称，用户可直接导入训练。
应用与配套代码
- 附赠完整训练流程：环境准备、数据集组织、YOLOv5训练命令。
- 附赠推理代码：单张图片推理、批量图片推理并保存结果。
- 附赠用户界面（GUI）代码：基于 PyQt5 构建，支持图片上传与检测结果可视化。
- 附赠Web应用部署代码：基于 Flask 框架搭建 API 接口，支持在线推理服务。
知识普及：细粒度军事飞机识别的技术要点
- 类间相似性：不同型号的战斗机在远距离或特定角度下形态相似（如F16与F18），模型需依赖机翼形状、进气道位置、尾翼构型等细节特征进行区分。
- 尺度与姿态变化：飞机在图像中的大小受拍摄距离影响显著，且俯视、侧视、仰视等角度会改变外观轮廓。需采用多尺度训练与视角增强策略。
- 背景干扰：天空、云层、地面等背景可能干扰检测，模型需学习鲁棒的纹理与形状特征。
- 应用闭环：检测结果可结合雷达、ADS-B数据，构建多传感器融合的航空器识别系统。
快速开始（代码示例）
1. 准备配置文件 (military_aircraft.yaml)
train: ./data/MAD/images/train
val: ./data/MAD/images/test
nc: 34
names: ['A10', 'B1', 'B2', 'B52', 'Be200', 'C130', 'C17', 'C5', 'E2',
'EF2000', 'F117', 'F14', 'F15', 'F16', 'F18', 'F22', 'F35',
'F4', 'J20', 'JAS39', 'MQ9', 'Mig31', 'Mirage2000', 'RQ4',
'Rafale', 'SR71', 'Su57', 'Tu160', 'Tu95', 'U2', 'US2', 'V22',
'XB70', 'YF23']
2. 启动 YOLOv8 训练
from ultralytics import YOLO
model = YOLO('yolov8m.pt')
model.train(
data='military_aircraft.yaml',
epochs=100,
imgsz=640,
batch=16,
device=0
)
3. 单张图片推理
import cv2
from ultralytics import YOLO
model = YOLO('runs/detect/train/weights/best.pt')
results = model.predict(source='test_image.jpg', conf=0.25)
for result in results:
im_array = result.plot()
im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR)
cv2.imshow("Detection Result", im)
cv2.waitKey(0)
cv2.destroyAllWindows()
4. Web应用部署（Flask）
from flask import Flask, request, jsonify
from ultralytics import YOLO
import cv2
import numpy as np
from PIL import Image
import io
import base64
app = Flask(__name__)
model = YOLO('runs/detect/train/weights/best.pt')
@app.route('/predict', methods=['POST'])
def predict():
file = request.files['image']
img_bytes = file.read()
img = Image.open(io.BytesIO(img_bytes))
results = model.predict(source=img, conf=0.25)
for result in results:
im_array = result.plot()
im = Image.fromarray(cv2.cvtColor(im_array, cv2.COLOR_BGR2RGB))
img_byte_arr = io.BytesIO()
im.save(img_byte_arr, format='PNG')
img_byte_arr = img_byte_arr.getvalue()
return jsonify({"status": "success", "result": base64.b64encode(img_byte_arr).decode('utf-8')}), 200
if __name__ == '__main__':
app.run(debug=True)
标签
军事飞机 细粒度识别 目标检测 YOLO格式 VOC格式 深度学习数据集 计算机视觉 航空器识别
