简介这份飞机型号识别数据集05面向从事目标检测、图像分类与军机识别研究的算法工程师、高校师生及竞赛选手采集自俄罗斯机场覆盖苏霍伊、米格、安东诺夫、伊尔、雅克、图波列夫等34种军民飞机可用于训练与验证飞机型号分类及目标检测模型。资源包共2001个文件包含1000张jpg可见光RGB图像、1000个xml标注文件及1个说明txt图像尺寸为1024x768标注由labelimg工具生成压缩包约174.46MB目录结构清晰便于直接接入YOLO、Faster R-CNN等主流检测框架。目前已有593人学习下载。读者可获得成对的图像与XML标签快速构建分类或检测训练集省去自行采集与标注成本同时可结合02、03、04等批次扩展样本多样性提升模型泛化能力适合算法研究、课程实验与竞赛练手。1. 飞机型号识别数据集从“能认出是飞机”到“分清是哪型”的那道坎做目标检测的人大多经历过这个阶段模型在通用数据集上跑得挺欢一换到飞机场景就露馅——框是框住了可框里到底是歼击机、运输机还是轰炸机全靠猜。飞机型号识别数据集要解决的正是这后半段问题它不只是“飞机检测”而是把检测框里的目标继续细分到具体型号或类别。这类数据集通常包含多型飞机的可见光图像标注形式以水平框或旋转框为主类别数从个位数到几十不等覆盖军机、民航、通用航空等不同粒度。适合谁用做遥感目标检测的研究生、做机场场面监控的工程团队、以及想拿飞机场景练细粒度分类的算法工程师。它最大的价值在于飞机外形差异小、背景干扰大、尺度跨度极端是检验检测器细粒度能力的天然试金石。但别急着下载就跑先搞清楚你的任务到底是“检测”还是“识别”这决定了你该选哪一档标注粒度的数据集。2. 飞机检测与型号识别任务定义、数据选型与标注格式拆解2.1 先分清检测、分类、细粒度识别三件事很多人把“飞机型号识别数据集”当成一个东西实际上它至少对应三种任务形态。第一种是纯目标检测只要求框出飞机位置类别统一为“飞机”一类输出是[x1, y1, x2, y2, score]。第二种是检测加粗分类框出飞机的同时给出“军机/民航/通用”这种大粒度标签类别数通常 3 到 5。第三种才是细粒度型号识别框出后还要区分具体型号比如某型双发重型战斗机与某型单发中型战斗机类别数可能到 20 以上。任务定义不同数据集的标注成本差一个数量级。我一般建议如果你的下游只需要知道“有没有飞机、在哪”就别碰细粒度数据集标注噪声会让你调参调到怀疑人生。反过来如果业务要求区分机型那粗分类数据集对你没用必须找带型号级标签的。2.2 数据集选型的四个硬指标选飞机数据集不能只看图片数量下面四个指标决定你能不能跑出可用模型。指标说明建议阈值类别粒度单类/粗分类/型号级按任务定别降级使用标注形式水平框/旋转框/多边形遥感场景优先旋转框尺度分布目标像素面积跨度跨度大需 FPN 或多尺度训练背景多样性机场/天空/地面/海面至少覆盖两类背景旋转框在遥感飞机检测里几乎是刚需因为飞机停放在停机坪上朝向任意水平框会引入大量背景像素回归时 IoU 抖动明显。如果你的数据集只有水平框而场景又是俯视遥感要么换数据集要么自己补标旋转框——后者工作量极大血泪经验是能换就换。2.3 标注格式转换从 VOC 到 YOLO 的脚本与边界处理拿到数据集后第一件事是统一格式。常见做法是把 VOC XML 转成 YOLO txt。下面是我常用的转换脚本处理了类别映射和越界裁剪。import xml.etree.ElementTree as ET import os # 类别映射把数据集里的原始类别名统一成训练用的 id CLASS_MAP {fighter: 0, transport: 1, bomber: 2, other: 3} def voc_to_yolo(xml_path, out_dir, img_w, img_h): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text.strip().lower() if name not in CLASS_MAP: continue # 未映射类别直接丢弃避免训练时类别错乱 cls_id CLASS_MAP[name] bbox obj.find(bndbox) x1 float(bbox.find(xmin).text) y1 float(bbox.find(ymin).text) x2 float(bbox.find(xmax).text) y2 float(bbox.find(ymax).text) # 越界裁剪标注超出图像边界的框必须裁掉否则归一化后为负 x1, y1 max(0, x1), max(0, y1) x2, y2 min(img_w, x2), min(img_h, y2) if x2 x1 or y2 y1: continue # 裁剪后无效的框丢弃 cx (x1 x2) / 2.0 / img_w cy (y1 y2) / 2.0 / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) base os.path.splitext(os.path.basename(xml_path))[0] with open(os.path.join(out_dir, base .txt), w) as f: f.write(\n.join(lines))逻辑说明先按类别映射过滤不在映射表里的类别直接跳过防止训练时出现未定义类别。越界裁剪是必须的飞机数据集里经常有标注框超出图像边缘的情况不裁剪会导致归一化坐标为负YOLO 训练时直接报错或静默学歪。参数上img_w和img_h必须和实际图像尺寸一致建议从图像文件读取而不是硬编码。转换完抽查几个 txt确认类别 id 和框位置对得上这一步偷懒后面全是坑。2.4 划分训练验证集时别按图片随机分飞机数据集有个隐蔽问题同一架飞机、同一场景可能有多张连拍或近似帧。如果按图片随机划分训练集和验证集会出现高度相似的样本验证指标虚高上线就翻车。常见做法是按场景或按架次分组划分保证验证集里的飞机背景组合在训练集里没出现过。如果数据集没提供分组信息可以用图像感知哈希做去重把相似度高的图片分到同一侧。这个细节不做你的 mAP 可能虚高十个百分点以上。3. 用 YOLO 系列在飞机数据集上跑通训练配置、参数与验证3.1 环境与数据目录组织训练前先把目录理清楚YOLO 系列对目录结构有约定。我一般这样组织dataset/ images/ train/ val/ labels/ train/ val/ data.yamldata.yaml内容如下path: ./dataset train: images/train val: images/val nc: 4 names: [fighter, transport, bomber, other]注意nc必须和类别映射表数量一致names顺序要和映射 id 对应。写错顺序不会报错但模型学出来的类别全是乱的排查起来很费时间。3.2 关键训练参数怎么设飞机检测有几个参数和通用目标检测不一样下面是我在飞机数据集上反复试出来的经验值。参数建议值理由imgsz640 或 1024小目标多时上 1024batch8~16显存允许尽量大mosaic0.5~1.0增强小目标但别全程开scale0.5飞机尺度跨度大缩放增强有用fl_gamma1.5类别不均衡时抑制易分样本mosaic 增强对飞机小目标很有效但最后 10 个 epoch 建议关掉让模型在真实分布上收敛。fl_gamma在军机类别样本远少于民航时能明显提升稀有类召回。学习率用余弦退火初始 0.01warmup 3 个 epoch。3.3 启动训练与日志观察yolo detect train \ datadataset/data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz1024 \ batch12 \ mosaic0.8 \ scale0.5 \ fl_gamma1.5 \ cos_lrTrue \ warmup_epochs3 \ projectruns/aircraft \ nameexp1跑起来后重点看三个曲线train/box_loss是否稳定下降、metrics/mAP50是否在 30 epoch 后还在涨、val/cls_loss是否震荡。如果 cls_loss 一直高位震荡多半是类别映射错了或者标注里有大量错标。我习惯每 20 epoch 抽一批验证集预测图肉眼过一遍看框有没有系统性偏移——飞机数据集里标注框偏半个机身的情况不少见模型学出来的框会跟着偏。3.4 推理与结果验证训练完用验证集跑一遍混淆矩阵重点看军机各型号之间有没有互相混。飞机型号识别最容易混的是同系列不同改型外形差异只在进气口或翼尖。如果混淆严重两个方向一是提高输入分辨率二是引入旋转框或关键点辅助。推理命令yolo detect predict \ modelruns/aircraft/exp1/weights/best.pt \ sourcedataset/images/val \ conf0.25 \ iou0.5 \ save_txtTrueconf别设太低飞机数据集背景里云层、建筑边缘容易出假阳性0.25 是常用起点。iou在密集停机坪场景可以降到 0.4避免相邻飞机框被合并。4. 飞机型号识别避坑五条踩出来的经验4.1 现象验证 mAP 很高实际部署漏检严重原因训练验证集划分时同场景图片泄漏模型记住了背景而不是飞机特征。解决按场景分组划分或用感知哈希去重后再分。部署前一定用完全独立的测试集跑一遍别信验证集数字。4.2 现象小目标飞机几乎全漏原因输入分辨率不够飞机在图像里只有十几个像素下采样后特征消失。解决imgsz提到 1024 甚至 1280同时开 mosaic 和 scale 增强。如果还不行考虑切图推理把大图裁成小块分别检测再合并。4.3 现象类别预测在军机型号间乱跳原因细粒度类别样本不均衡稀有型号样本太少模型倾向预测多数类。解决用fl_gamma做焦点损失或者对稀有类过采样。更彻底的做法是两阶段先检测飞机再裁框送分类网络做型号识别分类网络可以用更强的 backbone。4.4 现象旋转飞机用水平框标注IoU 抖动大原因飞机朝向任意水平框包含大量背景回归目标不稳定。解决换旋转框标注格式用支持 OBB 的检测头。如果数据集只有水平框至少把scale增强开大让模型见过各种朝向。4.5 现象训练 loss 正常但推理框位置系统性偏移原因标注框本身有系统性偏差比如标注时习惯框到机翼外沿。解决抽 50 张图叠加标注框和原图检查发现偏差就统一修正标注别指望模型自己学回来。5. 把飞机型号识别做扎实从单帧检测到时序确认的进阶技巧单帧检测在飞机型号识别上有个天花板某些型号单看一帧就是分不清但连续几帧看飞行姿态、起降动作就能区分。我后来在几个项目里都加了一层时序确认效果比单纯堆检测模型明显。具体做法是检测器逐帧输出框和类别置信度用一个轻量跟踪器把同一架飞机的框串起来然后对每条轨迹做投票或时序分类。投票最简单取轨迹内类别置信度加权和最大的类别时序分类可以用一个小 GRU 吃轨迹的框宽高比、速度、类别分布。这个方案在起降场景特别有用因为飞机姿态变化提供了单帧没有的判别信息。验证时序方案是否有效别只看整体 mAP要看轨迹级准确率一条轨迹最终类别对不对。我一般会统计三个数单帧准确率、投票后准确率、时序分类后准确率。如果投票后比单帧提升不到 3 个点说明检测器本身类别置信度就不靠谱先回去修检测器。如果提升明显再考虑上时序分类。还有一个容易被忽略的技巧把飞机型号识别和机场场面结构化信息结合。比如检测到飞机在跑道入口且朝向跑道大概率是起飞或降落状态这个上下文能帮助排除一些型号误判。实现上就是在后处理阶段加规则不复杂但有效。最后说个习惯每次换数据集或换型号列表我一定先跑一个极简 baseline——只训 10 个 epoch看 loss 能不能降、验证集能不能出框。这一步花不了多少时间但能提前暴露标注格式错误、类别映射错误、图像路径错误这些低级问题。很多翻车不是模型不行是数据没理清楚就开跑。希望帮到你。本文还有配套的精品资源点击获取