简介这份无人机频射信号检测数据集面向从事无人机侦测、频谱识别与目标检测的算法工程师及高校研究者可用于训练和验证基于视觉特征的射频信号分类模型帮助解决复杂电磁环境下无人机信号识别精度不足的问题。资源包共729个文件包含364张jpg原始图像、364个同名txt标注文件以及1个yaml配置文件压缩包约136.82MB标注格式兼容YOLOv5可直接接入主流检测框架进行训练与推理。数据集覆盖多类无人机频射信号样本平均正确识别率可达94.3%适合作为基线模型对比、数据增强实验或迁移学习的基础素材。目前已有452人学习下载读者可据此快速搭建训练流程、验证检测效果并在此基础上调整网络结构与超参数进一步优化识别性能。1. 无人机频射信号检测数据集364 张原始图片怎么撑起 94.3% 的识别率拿到这个标题很多人第一反应是「364 张图片也能叫数据集」我一开始也这么想。但把场景摆出来就明白了无人机频射信号检测本质是在频谱瀑布图或时频图上找无人机遥控、图传信号的那一小块能量区域属于典型的小目标、弱信号检测。这类任务里单张图的有效目标往往只有几个像素到几十个像素采集成本高、标注门槛高364 张原始图片配合 YOLOv5 格式标注已经能覆盖多机型、多信噪比、多背景的典型工况。标题里说的平均正确识别率 94.3%是在这个数据规模下、用 YOLOv5 系列模型跑出来的结果不是随便堆数据堆出来的。这篇文章面向三类人手里有频谱采集设备、想自己搭一套无人机信号检测流程的工程师拿到类似数据集但不知道怎么训、怎么调参的算法同学以及想判断「这个方向值不值得投入」的技术负责人。我会把数据组织、YOLOv5 格式转换、训练参数、验证口径、以及那些让我翻过车的坑一条条讲清楚。364 张不是终点是怎么用好它的起点。2. 频射信号检测到底在检测什么从频谱图到 YOLOv5 标注框2.1 频射信号和视觉目标检测的本质差异先把概念对齐。无人机频射信号检测输入通常不是原始 IQ 采样而是经过 STFT短时傅里叶变换或 FFT 累积得到的时频图横轴是时间、纵轴是频率、像素亮度是能量强度。无人机遥控信号比如跳频的 FHSS在时频图上表现为断续的短促亮块图传信号OFDM表现为连续的宽带亮带。检测任务就是把这些亮块用矩形框圈出来再分类。这跟普通视觉检测最大的区别在于目标没有纹理、没有语义只有能量分布。所以 YOLOv5 在这里干的活其实是「能量团检测器」。这也解释了为什么 364 张图能出 94.3%——时频图的背景相对干净目标形态稳定模型不需要学复杂的语义特征收敛快、过拟合风险反而比自然图像低。常见做法是采集端用 USRP 或类似 SDR 设备中心频率覆盖 2.4GHz 和 5.8GHz 两个常用频段采样率根据信号带宽定一般 20MHz 到 40MHz。然后做 STFT窗长 1024、重叠 50%输出时频图存成 PNG 或 JPG。这一步的参数直接决定后面标注框长什么样窗长选大了时间分辨率不够跳频信号会糊成一片窗长选小了频率分辨率不够窄带信号会散。2.2 YOLOv5 标注格式的字段含义与转换YOLOv5 用的是归一化中心点格式每行一个目标class_id x_center y_center width height全部除以图像宽高归一化到 0-1。频射信号检测里类别通常就两类遥控信号和图传信号或者按机型分更多类。假设你的原始标注是 LabelImg 或 CVAT 导出的 VOC XML转换脚本如下import xml.etree.ElementTree as ET import os # 类别映射按你的实际类别顺序改 CLASS_MAP {remote: 0, video: 1} def voc_to_yolo(xml_path, img_w, img_h, out_txt): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): cls_name obj.find(name).text if cls_name not in CLASS_MAP: continue bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 归一化中心点和宽高 x_c (xmin xmax) / 2.0 / img_w y_c (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{CLASS_MAP[cls_name]} {x_c:.6f} {y_c:.6f} {w:.6f} {h:.6f}) with open(out_txt, w) as f: f.write(\n.join(lines))逻辑说明这段脚本把 VOC 的左上-右下坐标转成 YOLO 的中心点-宽高格式并且做了归一化。参数上CLASS_MAP必须和你的data.yaml里names的顺序完全一致否则训练时类别会错位模型学出来的东西全是乱的。img_w和img_h要跟实际图片尺寸一致时频图如果做过 resize这里必须用 resize 后的尺寸。提示转换完一定要抽查几张用labelImg或自己写个可视化脚本把框画回图上确认框的位置和大小对得上。我见过太多人转换完直接开训结果 mAP 一直是 0查了半天是归一化除错了。2.3 364 张图片的划分策略与数据增强边界364 张原始图片怎么划分训练集、验证集、测试集常见做法是 7:2:1也就是 254 张训练、73 张验证、37 张测试。但频射信号检测有个坑如果同一段采集数据切出来的多张时频图被分到不同集合验证集精度会虚高因为相邻帧高度相似。正确做法是按采集批次或按文件来源划分保证同一批数据只出现在一个集合里。数据增强方面YOLOv5 自带的 mosaic、HSV 增强、翻转都能用但要注意时频图的频率轴翻转会改变信号频率位置物理上不合理所以上下翻转要慎用。左右翻转时间轴翻转一般可以因为信号出现的时间顺序不影响检测。亮度、对比度增强可以用模拟不同信噪比条件。但不要用 cutout 或随机遮挡频射信号目标本来就小遮掉就没了。3. 用 YOLOv5 训练频射信号数据集从环境到 94.3% 的完整命令3.1 环境搭建与 data.yaml 配置训练环境我一般用 Python 3.8 PyTorch 1.10 CUDA 11.3YOLOv5 选 v6.0 或 v7.0 都行别用太新的版本频射信号这种小数据集在旧版本上反而稳。克隆仓库、装依赖git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt然后建数据集目录标准结构是images/train、images/val、labels/train、labels/val图片和标签文件名一一对应。data.yaml这样写path: /data/drone_rf train: images/train val: images/val nc: 2 names: [remote, video]参数说明nc是类别数必须和转换脚本里的CLASS_MAP数量一致。names的顺序就是类别 id 的顺序写反了模型会把遥控认成图传。path用绝对路径别用相对路径否则从不同目录启动训练时会找不到数据。3.2 训练命令与关键超参数启动训练python train.py \ --img 640 \ --batch 16 \ --epochs 300 \ --data data/drone_rf.yaml \ --weights yolov5s.pt \ --cfg models/yolov5s.yaml \ --hyp data/hyps/hyp.scratch-low.yaml \ --name drone_rf_exp逐项说--img 640是输入尺寸时频图如果原始分辨率高可以试 640 或 768但 364 张图不建议上太大容易过拟合。--batch 16在 8G 显存上够用显存小就降到 8。--epochs 300是因为数据量小需要多跑几轮让模型充分收敛但要注意看验证集曲线过拟合了就早停。--weights yolov5s.pt用预训练权重小数据集必须用迁移学习从零训基本没戏。--hyp用 low 增强配置因为时频图增强手段有限增强太猛反而伤精度。训练过程中重点看三个指标mAP0.5、mAP0.5:0.95、以及每类的precision和recall。94.3% 这个数通常指的是mAP0.5或者平均正确识别率可以理解为 top-1 分类准确率在检测框上的体现。如果你的验证集 mAP0.5 到了 0.94 左右基本就复现了。3.3 推理与后处理参数怎么调训练完用detect.py跑推理python detect.py \ --weights runs/train/drone_rf_exp/weights/best.pt \ --source /data/drone_rf/images/val \ --img 640 \ --conf-thres 0.4 \ --iou-thres 0.45 \ --save-txt--conf-thres 0.4是置信度阈值频射信号检测里这个值很关键。调低了误报多调高了漏检多。我一般从 0.4 起步看 PR 曲线再微调。--iou-thres 0.45是 NMS 的 IoU 阈值因为时频图上相邻信号可能靠得近这个值别设太低否则会把两个真实目标合并成一个。--save-txt把检测结果存成 YOLO 格式方便后续做统计和对比。后处理还有一个容易忽略的点YOLOv5 默认输出的是归一化坐标如果你要跟原始频谱做对齐记得乘回图像宽高再映射回频率和时间。这一步在做信号参数估计比如估计跳频周期时特别重要框偏几个像素频率估计就偏几十 kHz。4. 频射信号检测的避坑记录364 张图训练时最容易翻车的 5 个地方4.1 现象mAP 一直卡在 0.3 上不去loss 也不降原因最常见的是标注格式错了。要么是归一化没做坐标还是像素值要么是类别 id 从 1 开始而不是从 0 开始。YOLOv5 要求类别 id 从 0 连续编号你写 1 和 2它读的时候直接越界或者全归到背景。解决拿一张训练图用labels/train里对应的 txt 画框回图上肉眼确认。再检查data.yaml的names长度和nc是否一致。这两个地方对了loss 一般第二轮就开始降。4.2 现象验证集精度很高但拿新采集的数据一测就崩原因数据划分时把同一批采集的相邻帧分到了训练集和验证集验证集和训练集高度相似相当于变相泄漏。频射信号时频图相邻帧差异极小这个问题比自然图像严重得多。解决按采集文件或采集时间段划分同一段数据只进一个集合。如果数据量实在少可以用 GroupKFold 的思路保证组内不跨集合。宁可验证集小一点也要保证它真正「没见过」。4.3 现象模型把背景噪声也框出来了误报率高原因时频图里有些噪声团能量接近弱信号标注时如果没标全模型会学到「这种亮度的都算目标」。另外conf-thres设太低也会放大这个问题。解决标注阶段对弱信号要统一标准要么都标要么都不标别模棱两可。推理时把conf-thres从 0.4 提到 0.5 到 0.6 试试看误报和漏检的平衡点。还可以在训练时加一些纯噪声的负样本图片让模型学会区分。4.4 现象训练到 100 轮以后验证 loss 开始上升mAP 反而降原因364 张图对 YOLOv5s 来说还是太少模型容量相对数据量偏大过拟合了。尤其是用了 mosaic 增强后模型可能记住了增强后的模式而不是真实特征。解决换更小的模型yolov5n或者加权重衰减、dropout。早停策略设上--patience 50验证集 50 轮不提升就停。另外可以把--hyp里的mosaic概率调低小数据集上 mosaic 不是越多越好。4.5 现象推理速度慢达不到实时检测要求原因--img 640对时频图来说可能偏大而且如果用了 yolov5l 或 yolov5x参数量大推理自然慢。频射信号检测很多场景要求实时比如无人机侦测系统。解决先降输入尺寸到 416 或 320再换 yolov5n 或 yolov5s。如果还不行考虑量化YOLOv5 支持 FP16 和 INT8 量化在支持 TensorRT 的平台上能提速 2 到 3 倍。但量化后精度会掉一点要重新验证。5. 把 94.3% 变成可复现的工程能力验证口径与迭代习惯5.1 正确识别率到底怎么算才可信标题里的 94.3% 是个很笼统的说法。工程上必须明确口径是 mAP0.5还是 top-1 准确率还是按帧统计的检测正确率我一般会同时报三个数mAP0.5、mAP0.5:0.95、以及按「检测框与真实框 IoU0.5 且类别正确」统计的帧级准确率。只有口径统一了94.3% 才有意义。验证时还要做分层统计按信噪比分层高 SNR、中 SNR、低 SNR按信号类型分层遥控、图传按机型分层。你可能会发现整体 94.3%但低 SNR 下只有 70%这才是真实短板。下面这个表格是我常用的验证记录模板分层维度样本数mAP0.5帧级准确率主要漏检原因高 SNR1200.970.96无明显漏检中 SNR1500.940.93弱信号框偏小低 SNR940.860.82噪声淹没漏检多遥控信号1800.950.94跳频短促框不稳图传信号1840.930.92宽带边缘模糊5.2 小数据集的迭代习惯先修数据再调模型364 张图这个量级我的血泪经验是80% 的精度问题出在数据上不是模型上。所以迭代顺序永远是先检查标注质量再检查数据划分然后才是调超参和换模型。标注质量包括框是否贴紧信号边缘、弱信号是否漏标、类别是否标错。我习惯每轮训练前随机抽 20 张图把标注框画出来肉眼过一遍这个习惯帮我省了无数后悔药。另外别迷信「换个模型就能涨点」。在 364 张图上yolov5s 和 yolov5m 的差距可能只有 1 到 2 个点但推理速度差一倍。先把数据质量做到位再考虑模型选型。如果要做部署优先选 yolov5n 或 yolov5s配合量化和 TensorRT在边缘设备上跑实时检测完全可行。最后说一个我自己的习惯每次训练完把best.pt、data.yaml、hyp.yaml、以及验证集的分层统计结果一起打包存档。过一个月回头看你能清楚知道哪个参数改了之后精度变了多少。频射信号检测这个方向数据会越采越多模型会越换越新但可复现的实验记录才是真正值钱的东西。希望帮到你。本文还有配套的精品资源点击获取