YOLO26可见光无人机识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要

针对低空无人机黑飞、违规飞行等安全隐患日益突出的问题，本文基于YOLO26目标检测算法构建了一套可见光条件下的无人机识别检测系统。系统采用单类别（无人机）检测方案，使用共计6252张可见光图像进行模型训练与验证，其中训练集5019张，验证集1233张。实验结果表明，模型在验证集上取得了0.992的精确率、0.908的召回率以及0.957的mAP50，最佳F1分数达到0.95。混淆矩阵分析显示，无人机类别的识别准确率为92.1%，误检率为8%。综合来看，所提系统在可见光环境下对无人机目标具有高精度、低误报的检测能力，具备良好的工程部署价值。

引言

近年来，随着民用无人机技术的快速发展和制造成本的持续下降，无人机在航拍、物流、农业、应急救援等领域的应用日益广泛。然而，无人机的大规模普及也带来了严重的安全隐患，如非法入侵机场净空区、干扰航班正常起降、偷拍隐私、走私违禁品甚至作为恐怖袭击工具等事件屡见不鲜。如何有效对低空小型无人机进行实时探测与识别，已成为公共安全领域亟待解决的重要课题。

目前主流无人机探测手段包括雷达、无线电频谱监测、声学探测和可见光/红外光电探测等。其中，可见光成像探测具有成本相对较低、信息丰富、符合人眼视觉习惯、可同时提供识别与取证等优势，在机场、监狱、体育场馆、政府机关等重点安防区域得到了广泛应用。然而，可见光条件下的无人机检测面临诸多挑战：无人机目标尺寸小、飞行速度快、背景复杂多变（如天空、建筑物、树木等）、光照条件变化剧烈等，传统基于手工特征的检测方法难以满足实时性与鲁棒性的要求。

目录

摘要

引言

详细功能展示视频

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

背景

数据集介绍

训练结果

总体性能评估​编辑

训练过程分析（results.png）​编辑

精确率-召回率曲线（BoxPR_curve.png）​编辑

精确率-置信度曲线（BoxP_curve.png）​编辑

召回率-置信度曲线（BoxR_curve.png）​编辑

F1-置信度曲线（BoxF1_curve.png）​编辑

混淆矩阵分析

绝对混淆矩阵：​编辑

归一化混淆矩阵：​编辑

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

功能模块

✅用户登录注册：支持密码检测，密码加密。

注册

登录

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅参数实时调节（置信度和IoU阈值）

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

背景

随着无人机“低慢小”（低空、慢速、小型）特性的普及，传统雷达系统对其探测能力严重受限。雷达在检测小型无人机时容易受到地杂波、鸟类等干扰，且对悬停或低速飞行的无人机存在探测盲区；无线电频谱监测只能发现正在通信的无人机，对完全自主飞行的无人机无效；声学探测受环境噪声影响大，作用距离有限。在此背景下，基于光电传感器的可见光无人机检测技术因其被动探测、信息丰富、直观可视等优点，成为无人机反制体系中的重要一环。

可见光无人机检测的核心挑战之一在于无人机目标在图像中往往只占据极少像素。大多数消费级无人机在50米以上距离时，其在1080P图像中的成像尺寸可能仅有20×20至50×50像素，属于典型的小目标检测问题。小目标在深层卷积网络中经过多次下采样后，特征信息极易丢失，导致漏检率升高。此外，无人机与天空背景的对比度受天气、光照、拍摄角度影响显著——逆光条件下无人机可能呈现为暗点，阴天背景下则可能与云层或飞鸟混淆。更为复杂的是，城市环境中频繁出现的建筑物、塔吊、风筝、气球等干扰物，对检测算法的区分能力提出了更高要求。

除视觉挑战外，实际部署场景还对检测系统的实时性和计算资源提出了严格约束。机场周界、大型活动安保等场景要求系统能够在毫秒级内完成对每帧图像的检测，以支持后续的跟踪、预警和反制联动。边缘计算设备（如嵌入式GPU、AI加速棒）的资源有限，要求模型在保持高精度的同时具备较小的参数量和计算复杂度。YOLO系列算法通过单次前向传播即可完成所有目标的定位与分类，在精度与速度之间取得了良好的平衡，且其轻量化版本能够在Jetson等边缘平台上达到实时运行，因此成为工程化部署的首选方案。

数据集介绍

本实验所使用的可见光无人机图像数据集共计包含6252张标注图像。

• 类别数量：1（仅包含无人机，类别名称为drone）

• 数据集划分：

  • 训练集：5019张

  • 验证集：1233张

训练结果

总体性能评估

模型在测试集上表现如下：

• 精确率（Precision）：0.992（99.2%）

• 召回率（Recall）：0.908（90.8%）

• mAP50：0.957（95.7%）

• mAP50-95：0.647（64.7%）

结论：模型整体性能优秀，精确率极高，误检率低；召回率略低于精确率，存在少量漏检。

训练过程分析（results.png）

关注点：验证集box_loss在训练后期上升，mAP50-95轻微下降，可能存在轻微过拟合。

精确率-召回率曲线（BoxPR_curve.png）

• 曲线饱满，右上角接近(1.0, 1.0)

• 说明模型在精确率和召回率之间取得了良好平衡

精确率-置信度曲线（BoxP_curve.png）

• 最高精确率1.00 @ 置信度0.893

• 高置信度区域精确率稳定

召回率-置信度曲线（BoxR_curve.png）

• 最高召回率0.93 @ 置信度0.000

• 降低置信度可提升召回率

F1-置信度曲线（BoxF1_curve.png）

• 最佳F1分数：0.95 @ 置信度0.476

• 推荐使用此置信度阈值平衡精确率和召回率

混淆矩阵分析

绝对混淆矩阵：

• 正确检测：1134个无人机

• 漏检（无人机被预测为背景）：99个

• 误检（背景被预测为无人机）：42个

归一化混淆矩阵：

• 无人机识别准确率：92.1%

• 误检率：8%（背景误认为无人机）

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性:YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率：端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于Segmentation的语义分割损失和多尺度原型模块，用于高精度姿势估计的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决旋转框检测中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

详细功能展示视频