YOLO11n v8: drone or bird
детектор мелких дронов в высоком разрешении
3 min readupdated
Модель компьютерного зрения для обнаружения небольших беспилотников в кадрах высокого разрешения и их точного отделения от птиц, самолётов и вертолётов. Это файнтюн (дообученная версия) компактной архитектуры YOLO11n на базе чекпоинта yolo11n-aod4-v7-small-targets от автора Seemorgh для библиотеки Ultralytics. В отличие от прошлой версии v7, которая находила лишь 6.5% дронов на валидации LRDD, новая модель выявляет более половины целей на тестовой выборке, а в связке с трекером вообще не путает птиц с дронами. Решение пригодится разработчикам систем видеомониторинга неба и исследователям задачи детекции сверхмалых объектов.
Ключевые особенности
- Тайловый анализ кадров: детектор нарезает изображение в полном разрешении на квадраты 640×640 пикселей с перекрытием 20%, чтобы мелкие объекты не терялись при сжатии, а затем объединяет кандидатов.
- Четыре класса объектов: модель распознаёт дроны (
drone), птиц (bird), самолёты (airplane) и вертолёты (helicopter), срабатывая на дрон при уверенности от 0.60. - Опциональный каузальный трекер: скрипт
track.pyсвязывает объекты между кадрами без заглядывания в будущее и подтверждает трек только после 3 кадров и смещения минимум на половину ширины объекта. - Честная оценка без утечек: все пороги и настройки трекера зафиксировали на валидации до единичного прогона на тестовых наборах LRDD и Drone-vs-Bird.
Что можно сделать
- Построить пайплайн постобработки видеопотока с камер наблюдения для выявления мелких БПЛА размером от 16 пикселей по меньшей стороне.
- Использовать в связке с трекером
reproduce/common/track.pyдля фильтрации ложных срабатываний на птиц в статичных камерах видеонаблюдения. - Взять чекпоинт за основу для дообучения под конкретные камеры и условия съёмки, чтобы повысить полноту детекции на новых ракурсах.
Пример
Сценарий запуска из карточки: кадр в полном разрешении разбивается на тайлы 640 px с перекрытием 20%, прогоняется через чекпоинт best.pt в Ultralytics, после чего кандидаты с уверенностью ≥ 0.60 передаются в трекер reproduce/common/track.py. На тесте LRDD (18 732 дрона и 1 998 птиц) связка «модель + трекер» обнаружила 51.7% дронов и 0 раз ошибочно приняла птицу за дрон.
Подробнее
Метрики (порог 0.60): на LRDD test v8 находит 53.6% дронов (8 ложных срабатываний на 1 998 птиц), с трекером — 51.7% дронов и 0 ложных срабатываний на птиц; лучшая точность (86%) достигается на дронах размером 32–64 px.Обучение: 34 096 тайлов из LRDD v3 и AOD4 v6, 16 эпох (лучший чекпоинт на 11-й, val mAP50–95 = 0.275), Ultralytics 8.4.87.
Ограничения: на камерах из нового домена (Drone-vs-Bird) бокс ставится на 69% дронов, но порог 0.60 проходят только 16–18%; объекты меньше 8 px почти не определяются; не тестировалось на смартфонах и в реальном времени.
Лицензия весов: AGPL-3.0.










Comments