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.yaml（AU-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 imgsz=640/800 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. imgsz=640 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. conf=0.25，降低遮挡与远距离目标漏检2. voc2yolo.py（VOC 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_ok=True)forxml_fileinPath(voc_dir).glob("*.xml"):tree=ET.parse(xml_file)root=tree.getroot()img_w=int(root.find("size/width").text)img_h=int(root.find("size/height").text)txt_path=os.path.join(yolo_dir,f"{xml_file.stem}.txt")withopen(txt_path,"w")asf:forobjinroot.findall("object"):cls_name=obj.find("name").textifcls_namenotinclass_names:continuecls_id=class_names.index(cls_name)bndbox=obj.find("bndbox")xmin=float(bndbox.find("xmin").text)ymin=float(bndbox.find("ymin").text)xmax=float(bndbox.find("xmax").text)ymax=float(bndbox.find("ymax").text)# YOLO 归一化坐标cx=(xmin+xmax)/2/img_w cy=(ymin+ymax)/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.py（YOLOv8 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__":model=YOLO("yolov8s.pt")model.train(data="data.yaml",epochs=150,# 多类别适当增加轮数保证收敛imgsz=640,# 高分辨率适配航拍小目标batch=16,device=0,patience=15,# 早停防止过拟合lr0=0.001,lrf=0.01,optimizer="AdamW",momentum=0.937,weight_decay=0.0005,warmup_epochs=3,cos_lr=True,augment=True,# 强数据增强hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,close_mosaic=15,name="auair_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():model=YOLO("./runs/detect/auair_city_det/weights/best.pt")img_path="drone_city.jpg"results=model.predict(source=img_path,conf=0.25,iou=0.45,agnostic_nms=True# 类别无关NMS，抑制密集框误检)res_img=results[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():model=YOLO("auair_city_det.pt")results=model.predict("drone_traffic.jpg",conf=0.25)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:cls=int(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
