企业官网建设流程全解析

做目标检测这几年，我大部分时间都在和无人机、航拍数据打交道。每次有人拿着通用检测模型直接搬到航拍图上，然后跑来问我“为什么效果这么差”，我基本都是同一个回答：先别怀疑模型，你的数据集选对了吗。今天这篇想把“无人机、航拍数据集”这件事从头到尾整理一遍。因为不少公开数据集的授权不允许我直接转述具体名称，下面会用代号指代几类常见数据，但方法、参数、坑全部是真实项目里试出来的。内容适合正在做无人机巡检、智慧城市、农业遥感、低空安防等方向的朋友，也适合刚入门、不知道该去哪找数据的人看。我会从“为什么不能用普通数据”讲起，再讲怎么分类选型、怎么看标注质量、怎么训练评估，最后放一些独家经验。

1. 为什么无人机航拍检测不能用通用目标检测数据集

1.1 视角变了，问题也跟着全变

航拍数据集和通用数据集之间最本质的区别，是视角从“平视”变成了“俯视”。你可以想象自己站在十几层楼顶往下看一个停车场，和站在路边看同一个停车场的区别。平视时，车的侧面、轮胎、车窗纹理非常明显，目标之间的遮挡是前后层叠的关系；俯视时，车顶成了绝对主体，轮子几乎不可见，车身投影面积变小，目标也不再是前后遮挡，而是平面摊开、密集排列。

这个变化意味着卷积特征的空间分布完全偏移。通用检测模型在预训练阶段学到的更多是“侧面车身”“正面人脸”“直立行人”这类视角特征，一旦迁移到俯视影像，特征不匹配，最常见的表现就是大量漏检和把屋顶误检成车辆。我早期做过一个对照实验：同一套模型权重，在普通街景验证集上mAP接近0.5，在无人机俯视测试集上直接掉到0.2以下。这不是模型不够强，而是数据分布从一开始就没对上。

1.2 目标尺寸的分布完全不一样

航拍图像里，目标通常只占几十甚至十几个像素。很多人对“小目标”没有概念，工程上一般用GSD（地面采样距离）来量化，也就是图像中一个像素对应实际地面上多少厘米。同一台相机，飞行高度越高，GSD值越大，目标像素越少。

一个实长约20米的卡车，在GSD为10cm/pixel时约占200像素；但如果飞到GSD为50cm/pixel的高度，就只剩约40像素。很多航拍大图是4000×3000甚至更大，如果直接缩放到640×480去训练，很多目标可能只有三五个像素，几乎不可辨认。通用数据集里的目标相对较大，目标占画面面积的比例通常在百分之一量级；而航拍密集场景中，几百辆车挤在一个画面里，单目标占比往往小于千分之一。这种尺度分布的差异，决定了通用模型的预设几乎不适合直接套用。

1.3 密度、遮挡与背景复杂度

航拍数据另一个容易让人头疼的是目标密度。停车场、港口、物流园区的图像里，同类目标经常排得密密麻麻，互相挤压、遮挡。检测器要在密集场景中逐个区分实例，预测框之间的IoU往往很高，NMS后处理稍不留神就把一堆正确结果误删了。

背景复杂度也不低。同一张航拍图里可能同时出现树荫、屋顶阴影、道路标线、水面反光、玻璃反光等，目标和背景之间纹理相似，容易产生大量误检。类别不平衡问题则更明显：车辆类别可能有上百万样本，而船只、飞机、某些农业设施可能只有几千个，模型天然偏向高频类别，低频类别几乎学不到有效特征。

1.4 同是航拍，不同场景之间也有明显域偏移

即使都是无人机航拍，不同飞行高度、不同相机传感器、不同天气条件下的视觉差异也很大。晴天和阴天，正射和倾斜视角，可见光和热红外，模型效果会剧烈波动。很多项目组误以为用一套公开数据训练完就能通用，结果换一个拍摄区域、换一款无人机，指标立刻下跌。

这也是为什么我在选型时不太迷信“某个数据集特别全”的说法。公开数据集的场景、传感器、标注风格已经固定，真正务实的方式是把它当成基础训练集合，再针对自己的目标场景采集与标注一部分数据做微调，让模型见过“你真实要处理的长相”。

2. 航拍数据集怎么分类，怎么按项目选型

2.1 高空遥感型：大范围、旋转框、普查类任务

“高空遥感型”指的是拍摄高度在数公里以上，由卫星或高空固定翼平台获取的遥感影像。这类数据覆盖范围极大，单张图尺寸经常达到上万像素。目标以建筑物、储油罐、桥梁、大型车辆、舰船等大型地物为主。由于俯视角度下目标方向任意，水平框往往包进太多背景，因此很多标注采用旋转框。

如果你的任务是“对大片区域做目标普查”，比如港口舰船统计、城市建筑变化检测，优先考虑这类数据集。优点是覆盖面积大、目标类型明确；缺点是正射影像为主，缺少低空视角的细节，对行人、普通车辆这类小目标检测能力有限。选型时还要注意遥感影像是否真的来自目标传感器，多光谱影像和普通RGB影像的训练结论不能直接互换。

2.2 低空无人机型：视频流、密集小目标、交通参与者

“低空无人机型”是目前无人机目标检测里用得最多的一类。它一般由多旋翼无人机在几十米到几百米高度拍摄，很多以视频序列形式发布，内容常包含行人、车辆、骑车人等交通参与者。标注以水平框为主，部分还会附带目标跟踪ID。

如果你的项目是低空巡逻、车流统计、重点区域安防，这种类型最合适。它的特点是目标密度大、尺度变化剧烈、帧间关联强。但要注意，这类数据的视频时间相关性很强，同一个目标会连续出现在几十帧里。如果做随机划分训练集和验证集，同一辆车可能同时出现在两边，得到的结果会虚高，部署到新场景后立刻现原形。

2.3 合成仿真型：标注便宜、适合预训练

合成仿真数据集是用3D引擎或仿真环境生成的航拍图，车辆、行人、建筑等目标可以由场景程序自动摆放，标注完全自动生成，天气、光照、高度都能定制。缺点是图像分布和真实影像始终有差异，直接训练出来容易在真实数据上水土不服。

工程上更推荐把合成数据放到预训练阶段，让模型先学会“目标大致长什么样”，再用少量真实数据微调。如果你要检测一种很罕见的物体，比如某种特殊工程车，真实样本只有几百张，可以先拿合成数据把类别语义学起来，再用少量真实样本把外观细节拉回来。但一定要清楚，最终效果评估必须以真实场景数据为准，合成数据只能当辅助。

2.4 怎么选：一张决策表方便抄作业

选数据集前先问自己三个问题。第一，目标有多大，是大型设施、车辆还是行人级别？第二，你要做的是单张图检测，还是视频流实时检测？第三，检测结果要水平框还是旋转框，模型要部署在服务器还是机载边缘设备？

我把常见情况整理成一张表，可以直接对照参考：

除了技术维度，许可授权也必须查。有些数据只允许学术研究，商用会惹麻烦；有些即使能商用也要求署名。这个坑我在项目交付阶段踩过，后面专门讲。

3. 拿到数据集后的第一件事：标注格式与质量体检

3.1 先把标注格式统一成一套

公开航拍数据集的标注格式非常混乱。常见的有XML格式的方框标注，每张图对应一个XML文件；有JSON格式的标注，内部包含图片信息、实例列表和分割多边形；有TXT格式的归一化坐标，每行一个目标，保存类别、中心点、宽高；旋转框数据还会保存四个角的坐标。格式转换是第一步，绝对不能省。

转换时最需要注意三点。第一，坐标系差异，有的是左上角和右下角，有的是中心点加宽高，换算公式要写对。第二，归一化坐标与绝对像素坐标不能混用，否则训练损失直接异常。第三，类别ID的起始值，有的数据从1开始，而框架要求0开始，不调整会在损失函数计算时越界。

下面这段Python代码可以把TXT归一化格式转换成绝对像素坐标，并顺手检查是否越界：

def txt_to_abs(txt_line, img_w, img_h): parts = txt_line.strip().split() cls_id = int(parts[0]) cx, cy, w, h = [float(x) for x in parts[1:]] x1 = (cx - w / 2) * img_w y1 = (cy - h / 2) * img_h x2 = (cx + w / 2) * img_w y2 = (cy + h / 2) * img_h return cls_id, [x1, y1, x2, y2] # 使用示例：打印越界框信息 for line in txt_lines: cls_id, box = txt_to_abs(line, img_w, img_h) if box[0] < 0 or box[1] < 0 or box[2] > img_w or box[3] > img_h: print('越界框:', cls_id, box)

越界框不能直接丢，要看情况，有些只是标注时把边界目标的多余背景包进来了，截断到图像边缘就行；有些则是坐标错误，需要人工复核。

3.2 统计bbox分布，给模型量身定做

数据格式统一后，我强烈建议先做一次标注统计，而不是直接开训。统计内容至少包括：目标像素面积分布、宽高比分布、类别数量、每张图目标数。这些数字直接决定训练分辨率、是否切图、模型输出层设计。

举例来说，统计后发现90%的目标面积小于32×32，而你的训练输入只有640×640，并且直接对完整原图缩放，那么绝大多数小目标信息会在下采样过程中消失。这时候就需要提高输入分辨率、使用切图训练，或者在特征金字塔上增加高分辨率特征层。

下面是一个统计脚本的核心片段，用来快速了解数据集里的目标尺寸：

import numpy as np areas = [] whs = [] for box in all_boxes: w = box['x2'] - box['x1'] h = box['y2'] - box['y1'] areas.append(w * h) whs.append(w / (h + 1e-6)) areas = np.array(areas) print('box面积分位数:', np.percentile(areas, [50, 80, 90, 99])) print('宽高比中位数:', np.median(whs))

我习惯把面积小于32×32的目标比例单独打印出来。如果这个比例超过50%，后面所有训练策略都会围绕“保住小目标”来设计。宽高比中位数也很关键，如果大量目标宽高比超过1:5，比如舰船、桥梁，水平框的评估会有很多冗余面积，可能要换成旋转框检测方案。

3.3 清洗脏数据，不要贪多

公开数据集再“干净”，实际用起来也总有脏数据。最常见的有这几种：标注框超出图像边界；目标太小且模糊，人眼都看不清；视频数据里的重复帧；类别标签错误，把轿车标成卡车；空标注图片被混进训练集。

我的清洗流程一般分三步。第一步，脚本过滤坐标越界、宽高为0、面积过小的标注。第二步，人工抽检，随机采样几百张图，重点看类别混淆区域，比如远处的车辆和屋顶有没有标反。第三步，根据业务需求做类别归并，比如把小汽车、SUV、公交车合并成“vehicle”，减少类别不平衡的影响。

但要注意别过度清洗。某些场景下，模糊目标本来就是真实分布的一部分，全删了会导致模型在低分辨率目标上泛化更差。我的经验是，清洗主要针对标注噪声，而不是针对难样本。难样本应该保留，甚至要额外增强。

4. 从数据集到模型：训练与评估中的关键操作

4.1 切图、缩放与增强：小目标友好型预处理

无人机航拍图原始分辨率很大，常见做法是直接缩放到固定尺寸，但这会对小目标造成毁灭性打击。我常用的方案是滑窗切图加重叠：把大图切成多个patch，patch之间有10%~20%的重叠，确保跨边界的完整目标至少完整出现在一个patch里。每个patch可以缩放到模型输入尺寸，再送进网络。

切图尺寸需要根据目标尺寸选。如果目标平均大小是80×80像素，patch用800×800就合适；如果目标平均只有20×20，patch可以适当小一些，比如600×600，避免缩小后目标消失。推理时还要把多个patch的检测结果映射回原图坐标，再统一做NMS合并，这就是所谓的“大图切图推理”，后面排查部分会再提到。

数据增强方面，我比较推荐mosaic增强和copy-paste增强。mosaic把四张图拼在一起，能丰富上下文信息，对检测器的鲁棒性有帮助；copy-paste把目标从一个图复制到另一个图，适合目标稀疏的数据集。但无人机俯视图里目标有真实朝向，增强时尽量不要做90度旋转，否则目标外观会变成不存在的角度，反而增加学习难度。

4.2 模型结构、检测头和部署约束

模型选型要同时考虑数据集特性和部署环境。航拍检测目前的提升点主要有三个：多尺度特征融合、小目标检测层、旋转框回归头。

多尺度特征融合几乎是必选项，建议优先选带FPN或类似结构的检测器。小目标比例很高时，额外增加P2层，也就是更高分辨率的浅层特征，能明显提升小目标召回。虽然计算量会增加，但对航拍场景来说通常是值得的。如果目标是有明显朝向的车辆、船、建筑，旋转框检测器比水平框更合适，但旋转框的表示方式和角度回归稳定性比水平框麻烦得多，训练难度更高。

部署在机载边缘设备时，参数量和推理速度是硬约束。我的经验是先训练一个大模型验证效果上限，再蒸馏或换成轻量化模型，而不是一开始就用小模型反复调参，那样会同时面对“模型能力不足”和“调参无效”两个难题。方向错了，后面再努力也补不回来。

4.3 分阶段训练与超参数调整

训练策略上，我比较喜欢分阶段。先用公开通用预训练权重初始化，不要从头训练，这样收敛快很多。接着用较低分辨率比如640×640训练若干轮，让模型先建立对目标的基础感知。然后再切到高分辨率比如1280×1280微调，重点把注意力放在小目标上。最后如果推理时间允许，可以开启测试时增强，把原图和翻转图的结果合并输出，一般都能稳定涨一点。

学习率方面建议带warmup，总epoch一般在30到60轮之间。航拍数据类别往往不均衡，如果某些类别样本极少但业务上很重要，可以对这些类别的损失函数加权，或者做正样本过采样。网络输出的置信度阈值不要拍脑袋定，等训练完拿到PR曲线再选。

验证集划分要格外小心。视频类数据不能随机分帧，否则同一辆车会同时出现在训练集和验证集里。我通常按视频序列划分：一条视频的前面部分进训练集，后面一小段进验证集，这样可以测试模型对连续新帧的适应能力。

4.4 评估指标不能只看mAP

mAP是通用检测最常用的指标，但在航拍任务里有很大误导性。航拍图中大量小目标对整体AP的贡献很小，而少数大目标只要框得准就能拉高数值。所以我会按目标尺寸分组看AP，至少分成小、中、大三组，其中小目标的定义一般用像素面积小于32×32来判断。

如果小目标的AP远低于其他组，说明模型还没充分学到小目标特征。这时不要急着加数据，先回到训练分辨率、FPN层设计和标注质量上去找原因。另外还要看每类的PR曲线，特别是低置信度区间。在巡逻项目里，漏检比误检更致命，我会把置信度阈值压低一点，宁愿后处理阶段用规则过滤误检，也不想漏掉关键目标。

还有一个简单粗暴但很有用的指标：平均每张图检出的目标数与真实目标数的比值。如果远小于1，说明整体漏检严重；如果大于1且mAP又低，大概率是误检太多。这个比值配合PR曲线一起看，能快速定位问题方向。

5. 常见问题与排查技巧实录

5.1 小目标检测不到，问题可能不在模型

小目标漏检是航拍任务里出现频率最高的抱怨。遇到这种情况，我建议先做三件事：一是确认训练时到底有没有把图片缩得太小；二是确认有没有用切图训练和切图推理；三是检查标注里的小目标漏标率。

切图推理是很有效的补救措施。官方术语叫切片辅助推理，实现思路很简单：推理时把大图切成多个patch，让模型在近原分辨率上检测，再把检测结果映射回原图坐标，最后统一做NMS。尤其当你已经有一个很好的模型，但加载大图直接推理时小目标全部漏掉，这个方法往往能救回来。

还有一个反直觉的现象：模型在训练集上检测得很准，但测试集上小目标漏检严重。我试过把训练集检测结果和GT可视化叠加，人工看漏检区域，发现很多所谓“漏检”其实是GT漏标。模型学到的真阳性被当成负样本抑制了，这时候需要补标注，而不是调模型。

5.2 训练集验证集效果不一致，先查数据划分

训练集效果好，验证集却崩，最常见的两个原因分别是数据划分泄露和预处理不一致。视频数据随机分帧会把同一目标的多个相似帧分到两边，模型表现虚高；训练时用了mosaic增强，但验证时没有做等价处理，也可能造成差距。

解决办法是数据准备阶段就把划分逻辑写清楚。按视频或按场景划分训练与验证集，确保验证集不参与训练。如果验证集来自真实目标场景，训练集来自公开数据集，效果下降可能只是正常的域偏移，这时需要通过加入目标域数据、域适应、风格迁移等方式来缩小差距，而不能只盯着训练集指标。

5.3 旋转框训练不稳定的处理办法

旋转框检测比水平框多一个角度维度，训练崩溃的原因通常有两类。一类是角度采用弧度制，数值范围在边界处发生剧烈跳变，导致回归目标不稳定；另一类是长边定义法在目标接近正方形时，长边方向不稳定，角度预测随机翻转。

处理手段也比较固定。第一，对角度损失使用循环平滑损失，避免边界突变。第二，接近正方形的目标可以忽略角度惩罚，让它退化到水平框，反正旋转框和水平框对这类目标差别不大。第三，推理时不能用水平框IoU做NMS，必须计算旋转框的交并比，否则合并结果会错得离谱。训练中出现loss下降后突然反弹，优先查角度回归部分，而不是盲目调学习率。

5.4 问题排查速查表

为了省事，我把航拍检测训练中常遇到的问题整理成一张速查表，方便大家对照排查：

6. 一些只有踩过坑才会知道的事

6.1 数据集数量不是越多越好，一致性才是

我见过一个团队把所有能找到的航拍数据全塞进训练，结果类别体系互相冲突，标注质量参差不齐，模型效果反而更差。数据不是越多越好，一致性比数量更重要。与其用十个风格迥异的数据集混合，不如挑两三个场景接近、标注一致的数据集，再配合少量真实场景数据微调。统一类别定义也是重点工作，同样的“车”，在不同数据集里可能包括不同车型，合并前一定要想清楚业务需求。

6.2 许可证、隐私与合规，真的别忽视

很多公开数据集只允许学术研究，即使你只是公司内部做实验，也需要看条款。无人机影像采集还涉及地物隐私和数据合规问题，尤其当你要在真实城市区域采集数据做商业项目时，最好提前咨询专门人士，不要等模型都训完准备上线了才发现数据来源不合规。我吃过这个亏，项目中途换数据集，等于所有训练重新来一遍，时间和精力损失很大。

6.3 一个帮我省了很多时间的习惯：给数据做版本追溯

我会把原始标注、清洗脚本、清洗后的数据集版本分别存放，甚至在标注清洗前后各做一次统计并保存结果。这样做的好处是，当模型出现异常指标时，可以快速回溯是数据问题还是训练问题。几个月后想复现某个结论，也不需要重新猜当时怎么处理数据。这个习惯帮我省下的时间，远超我维护版本所花的时间，强烈建议你也试试。