无人机视角目标识别训练

背景

无人机视角下小目标的人物识别，现场收集到的数据量少、背景单一，拍摄角度可能是正射，也可能是倾斜的。需要通过训练使模型能够识别小目标、不同背景、不同拍摄角度等情况。

核心策略

• 背景无关化与数据增强

做法： 将视频中识别出的人物实例（Instance）抠出来，随机“粘贴”到各种完全不同的背景图中（如沙漠、城市街道、雪地、森林等）。

意义： 强制模型学习人体的轮廓和特征，而不是人体与特定地面的空间关系。

• 引入在 VisDrone 或 UAVDT 数据集

不要从零开始训练。建议使用专门针对无人机视角训练过的预训练模型进行微调

• 自己的数据集，进行抽帧

关键帧提取： 不要按固定帧率抽，而是按位移/变化抽。只有当画面中的人物移动了一定距离，或者无人机视角发生了变化时，才取一张图。

负样本收集： 抽取一些完全没有人的背景图作为负样本。这能有效降低模型在其他场景把石头、邮箱或阴影误判为人的概率。

模型架构：针对“小目标”与“高空视角”

通用 YOLO 模型在无人机视角下表现不佳，是因为感受野太粗糙，小目标在特征图上可能只占 1 个像素。

标准的 YOLO 通常有 3 个检测头（P3, P4, P5），分别对应不同的下采样倍数。

• 改进方案： 增加一个 P2 探测头。
• 原理： P2 层下采样倍数更小（通常是 4 倍），保留了极高分辨率的特征，专门用来检测只有几个像素大小的“火点”或“人体”。
• 效果： 对于正射视角下只有“一个小点”的头部识别效果提升极其显著。

def train_from_yolo():
    # 加载预训练权重
    model = YOLO('yolov8l-p2.yaml')
    model.load('yolov8l.pt')

    # 开始训练
    results = model.train(
        data="dataset/v251230/data.yaml",  # 数据集配置文件路径
        epochs=100,  # 训练轮数（根据任务调整，建议50~300）
        freeze=10,  # 冻结前10层（Backbone部分，保护通用特征）
        batch=4,  # 批次大小（根据GPU显存调整）
        imgsz=1280,  # 输入图像尺寸（默认640x640）
        device=0,  # 训练设备（0表示第1块GPU，cpu表示CPU）
        workers=4,  # 数据加载线程数
        name="person_yolo8_v251230A",  # 训练任务名称（用于保存结果）
        pretrained=True,  # 关闭预训练（从头训练必须设为False）
        patience=10,  # 自动早停
        lr0=0.001,  # 初始学习率（默认0.01，可按需调整）
        mosaic=1,
        mixup=0.3,
        scale=0.5,
        close_mosaic=10,
        # cos_lr=True,
        # momentum=0.937,            # 动量因子
        # weight_decay=0.0005,       # 权重衰减（防止过拟合）
        augment=True,  # 启用数据增强
        val=True,
    )

一些注意事项

• 很糊的数据应该标注吗？

• 标注前需要先把图片转成640x640吗？

千万不要！ 虽然网上的数据集大多都是640x640的。

保持原图进行标注： 直接把拍摄的原始视频抽帧（通常是 1080P 或 4K），直接导入标注工具。

让模型决定尺寸： 在训练脚本中设置 imgsz=1280（或你选定的尺寸）。

• YOLO 的代码（Ultralytics）会自动完成缩放、填充（Padding）和长宽比对齐。
• 重要： 模型在训练时会自动处理这种缩放，不需要你手动预处理图片。

多尺度训练 (Multi-scale Training)：

• 训练时开启多尺度开关，模型会学会在不同分辨率下识别目标，这才是提高泛化能力的正确姿势。