遥感小目标数据集共有图片数据集10159张；已处理成yolo格式、voc格式，可直接用于训练；5类标签类别及标签个数：storagetank： 13774；airplane： 10595

【5类遥感小目标数据集】

共有图片数据集10159张； 已处理成yolo格式、voc格式，可直接用于训练； 标签类别及标签个数： storagetank： 13774； airplane： 10595； ship： 62400； tenniscourt： 26414； vehicle： 2165；

 

五类遥感小目标检测数据集 (Five-Class Remote Sensing Small Object Detection Dataset)

描述: 本数据集旨在支持对遥感图像中的小目标进行自动检测，特别适用于卫星图像分析、地理信息系统（GIS）、环境监测、军事侦察等领域。通过使用该数据集训练的模型可以帮助及时发现并分类各种小目标，提高遥感图像处理的效率和准确性。

类别:

• storagetank (储油罐)
• airplane (飞机)
• ship (船只)
• tenniscourt (网球场)
• vehicle (车辆)

数据量:

• 总图片数: 10,159张
• 总标注个数:
  • storagetank: 13,774个标注
  • airplane: 10,595个标注
  • ship: 62,400个标注
  • tenniscourt: 26,414个标注
  • vehicle: 2,165个标注
• 总标注个数: 115,348个

标注格式:

• VOC格式 (XML)
• YOLO格式 (TXT)

文件格式:

• 图像采用常见的JPEG或PNG格式。
• 标注文件有两种格式：
  • VOC格式 (XML): 保存在annotations文件夹中，每个图像对应一个XML文件。
  • YOLO格式 (TXT): 保存在labels文件夹中，每个图像对应一个文本文件，其中包含边界框坐标及类别标签。例如，对于storagetank类别的标注，文本文件中的每一行将按照以下格式表示：<class_id> <x_center> <y_center> <width> <height>，其中<class_id>为0到4（代表不同的目标类别），其余参数均为归一化后的浮点数值。

数据集结构

确保您的数据集目录结构如下所示（这只是一个示例结构，您可以根据实际情况调整）：

remote_sensing_dataset/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── img5000.jpg
│   │   ├── img5001.jpg
│   │   └── ...
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   ├── val/
│   │   ├── img5000.txt
│   │   ├── img5001.txt
│   │   └── ...
├── annotations/
│   ├── train/
│   │   ├── img1.xml
│   │   ├── img2.xml
│   │   └── ...
│   ├── val/
│   │   ├── img5000.xml
│   │   ├── img5001.xml
│   │   └── ...
└── data.yaml

data.yaml 配置文件

创建一个名为 data.yaml 的配置文件，内容如下：

train: ./remote_sensing_dataset/images/train
val: ./remote_sensing_dataset/images/val

nc: 5  # 类别数量
names: ['storagetank', 'airplane', 'ship', 'tenniscourt', 'vehicle']  # 类别名称

使用方法

1. 准备环境

确保安装了必要的Python库，如ultralytics（用于YOLOv8）和其他相关依赖：

pip install ultralytics

2. 修改配置文件

根据实际路径修改 data.yaml 文件中的路径。

3. 训练脚本

以下是一个使用YOLOv8进行训练的Python脚本示例：

from ultralytics import YOLO
import torch

# 设置设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'

# 加载预训练模型或从头开始训练
model = YOLO('yolov8n.pt')  # 使用预训练的YOLOv8n模型
# model = YOLO()  # 从头开始训练

# 开始训练
results = model.train(
    data='path/to/data.yaml',  # 指定数据集配置文件路径
    epochs=100,  # 训练轮次
    batch=16,  # 批处理大小
    imgsz=640,  # 输入图像尺寸
    workers=8,  # 数据加载线程数
    device=device,  # 使用GPU设备编号，默认为0
    project='remote_sensing_detection',  # 保存结果的项目名称
    name='exp',  # 实验名称
    exist_ok=True  # 如果存在相同实验名，覆盖旧的结果
)

# 可视化训练结果
results.plot()

# 保存模型
model.save('remote_sensing_detection_model.pt')

训练结果

模型: YOLOv8

性能指标:

• 准确率 (Accuracy): [根据实际结果填写]
• 精确度 (Precision): [根据实际结果填写]
• 召回率 (Recall): [根据实际结果填写]
• F1分数 (F1 Score): [根据实际结果填写]
• 平均精度均值 (mAP@0.5:0.95): [根据实际结果填写]

模型文件:

• 提供了YOLOv8的预训练模型文件，可以直接用于推理或进一步微调。

总结

这个五类遥感小目标检测数据集提供了10,159张高质量的遥感图像，并且已经使用VOC和YOLO两种格式进行了标注。数据集涵盖了五种不同的小目标类别，包括储油罐、飞机、船只、网球场和车辆。通过使用YOLOv8框架，可以有效地识别和分类这些小目标。提供的预训练模型可以在实际应用中提供可靠的检测结果。

特点

1. 多样性:

   • 包含多种不同类型的遥感图像，覆盖了常见的小目标类型。
   • 图像采集自真实场景，具有较高的多样性和实用性。

2. 标注质量:

   • 图像采用高质量的标注，包括边界框和类别标签。
   • 提供VOC和YOLO两种格式的标注文件，方便在不同的深度学习框架中使用。

3. 规模适中:

   • 10,159张图像的数据集规模适中，既足够训练模型，又不会导致过长的训练时间。

4. 可扩展性:

   • 数据集可以进行扩充，以增加更多图像数据，提高模型的泛化能力。

示例UI界面设计

如果您需要开发一个上位机软件来进行实时的小目标检测，可以参考以下简单的Tkinter GUI示例：

import tkinter as tk
from tkinter import filedialog
from PIL import Image, ImageTk
import cv2
import torch
from ultralytics import YOLO

# 加载预训练模型
model = YOLO('remote_sensing_detection_model.pt')

def load_image():
    global image_path
    image_path = filedialog.askopenfilename()
    if image_path:
        image = Image.open(image_path)
        image = image.resize((640, 480))
        photo = ImageTk.PhotoImage(image)
        image_label.config(image=photo)
        image_label.image = photo

def detect_objects():
    if image_path:
        # 读取图像
        image = cv2.imread(image_path)
        results = model(image)

        # 绘制检测结果