基于改进YOLOv8的无人机军事目标检测系统设计与实现

摘要：随着无人机遥感与深度学习技术的快速发展，利用无人机平台对地面军事目标进行自动检测，已成为智能侦察与态势感知领域的重要研究方向。

项目概览

项目简介

随着无人机遥感与深度学习技术的快速发展，利用无人机平台对地面军事目标进行自动检测，已成为智能侦察与态势感知领域的重要研究方向。针对无人机航拍图像中目标尺度较小、背景环境复杂、目标分布密集以及不同类别样本不均衡等问题，本文设计并实现了一套基于改进YOLOv8的无人机军事目标检测系统。系统可识别主战坦克、自行榴弹炮、多管火箭炮、装甲运输车、防空导弹、雷达、军用车辆、人员阵地等16类目标。

在算法方面，本文以YOLOv8为基线模型，针对人员等小目标的检测难点，对数据增强方法和模型训练策略进行改进。通过调整Mosaic、MixUp和Copy-Paste等增强参数，提高训练样本的多样性；采用余弦学习率退火和预热训练策略，延长模型训练轮数，并对边界框回归损失、分类损失及分布焦点损失权重进行调整，以增强模型对小目标和困难样本的学习能力。同时，项目设计了CoordAttention、CBAM、SimAM和ECA等注意力模块，构建了Focal-EIoU、Alpha-IoU和Wise-IoU等损失函数，为后续网络结构优化与消融实验提供基础。

在系统实现方面，本文采用Python作为主要开发语言，基于PyQt5构建可视化界面，使用OpenCV完成图像、视频和摄像头数据的读取与处理，并通过多线程机制执行模型加载和目标检测任务，避免推理过程阻塞界面。系统支持静态图像检测、本地视频连续逐帧检测和摄像头实时动态检测，能够显示目标类别、置信度、边界框坐标、检测耗时、GPU利用率及实时帧率，并实现类别统计、军事目标属性匹配、威胁等级评估、态势分析和检测结果导出等功能。

实验结果表明，基线模型的Precision、Recall、mAP@0.5和mAP@0.5:0.95分别为99.2%、99.0%、99.2%和96.7%，改进训练模型的对应指标分别为99.2%、98.9%、99.3%和94.4%。其中，Soldier类别的Recall由84.3%提高至84.7%，mAP@0.5由95.4%提高至96.7%，说明改进训练策略能够在一定程度上提高小目标的检出能力，但其高精度定位性能仍有进一步优化空间。系统测试结果表明，该系统能够稳定处理图像、视频和摄像头等多种输入，完成军事目标检测及结果可视化分析，可为无人机目标检测算法研究和智能侦察系统开发提供参考。

系统架构

本系统采用分层模块化架构，主要由数据输入层、任务调度层、模型推理层、业务分析层和可视化交互层组成。数据输入层支持静态图像、本地视频、USB或内置摄像头以及YOLOv8模型权重和数据集配置文件的读取；任务调度层基于PyQt5的QThread机制，通过模型加载线程、单帧检测线程、视频逐帧检测线程和摄像头实时检测线程执行耗时任务，避免界面阻塞；模型推理层使用YOLOv8完成图像预处理、目标检测、置信度筛选、非极大值抑制和检测结果解析，并统一输出目标类别、置信度及边界框坐标；业务分析层负责类别统计、检测性能计算、军事目标属性匹配、威胁等级评估和态势信息生成；可视化交互层基于PyQt5构建三栏式界面，集中展示任务配置、实时检测画面、目标结果表格、GPU利用率、检测帧率、类别分布和系统日志，并支持检测结果导出，从而形成从多源数据输入、模型推理到结果分析与可视化展示的完整处理流程。

图1 系统架构图

技术创新

创新点1：面向无人机小目标的YOLOv8训练策略优化

针对无人机航拍图像中人员等目标尺寸较小、特征信息有限和类别样本不均衡的问题，在YOLOv8基线模型基础上调整Mosaic、MixUp和Copy-Paste等数据增强参数，并采用余弦学习率退火、预热训练和延长训练轮数等策略。同时重新设置边界框回归损失、分类损失和分布焦点损失的权重，以强化模型对目标位置和边界特征的学习。实验结果表明，优化后Soldier类别的召回率由84.3%提高至84.7%，mAP@0.5由95.4%提高至96.7%，在一定程度上改善了人员小目标的检出能力。

创新点2：构建面向小目标检测的可扩展算法改进模块库

针对无人机军事目标检测需求，设计并实现了包含CoordAttention、CBAM、SimAM和ECA的注意力机制模块，以及Focal-EIoU、Alpha-IoU、Wise-IoU和Focal Loss等损失函数模块。同时实现小目标Copy-Paste、局部尺度变化、光照扰动、运动模糊和无人机视角变化等数据增强方法，为后续开展网络结构组合、损失函数替换和消融实验提供统一的扩展基础。主要对YOLOv8的训练策略和数据增强参数进行了优化，并设计了可扩展的注意力机制与改进损失函数模块，为后续网络结构优化提供基础。

创新点3：实现图像、视频和摄像头统一检测架构

系统将静态图像、本地视频和实时摄像头统一接入YOLOv8推理流程，分别支持单帧检测、视频连续逐帧检测和摄像头实时动态检测。通过PyQt5的QThread机制，将模型加载、图像推理、视频处理和摄像头采集放入独立工作线程，解决深度学习推理导致界面卡顿的问题，并实现检测画面、目标表格、GPU利用率、推理耗时和实时帧率的同步更新。

创新点4：融合检测结果与军事目标属性的分析方法

在常规目标检测结果基础上，建立军事目标类别与中文名称、国家归属、作战类型、目标属性和威胁等级之间的映射关系。系统不再只根据目标数量判断总体风险，而是依据当前检测结果中的最高目标威胁等级进行综合评估，并结合类别分布和置信度生成态势分析结果，使模型输出由单纯的目标框扩展为结构化检测与辅助分析信息。

创新点5：设计检测、统计与分析一体化可视化系统

基于PyQt5设计三栏式检测界面，将模型配置、推理参数、多源输入、检测画面、类别统计、性能指标、系统资源监控、威胁评估、态势分析和结果导出集成到同一平台。该系统形成了从数据输入、模型推理、结果解析到可视化分析的完整流程，提高了无人机军事目标检测实验的操作便利性和结果可读性。

数据集

本文采用无人机军事目标检测数据集开展模型训练与性能验证。数据集共包含 2330幅图像，按照 8∶1∶1 的比例划分为训练集、验证集和测试集。其中，训练集包含 1864幅图像，用于模型参数学习；验证集包含 233幅图像，用于监测模型训练过程、调整训练参数及选择最佳模型；测试集包含 233幅图像，用于评价模型在未参与训练数据上的泛化能力。各数据子集的图像均配有对应的YOLO格式TXT标注文件，图像与标注文件数量一致，共包含2330个标注文件。

图2 数据集直方图

数据集包含16类无人机侦察场景中的典型军事目标，分别为2A65牵引榴弹炮、2S19自行榴弹炮、BM27多管火箭炮、BM30龙卷风火箭炮、BTR82装甲运输车、T72主战坦克、T90主战坦克、道尔M2防空导弹系统、机枪阵地、卡玛斯军用卡车、铠甲S1防空系统、山毛榉M3防空系统、士兵、S400导弹发射车、S400雷达和S400支援车辆，其对应的英文类别标识依次为2a65_msta_b、2s19_msta_s、bm27_uragan、bm30_smerch、btr82、t72、t90、tor_m2、mg_position、kamaz_5350、pantsir_s1、buk_m3、soldier、s400_launcher、s400_radar和s400_support。在数据集配置文件中，nc参数设置为16，表示数据集包含16个目标类别；names列表按照类别编号0～15的顺序保存各类别名称，模型在训练和检测过程中根据类别编号与类别名称之间的映射关系完成目标分类和结果显示。数据集采用YOLO格式进行标注，每个目标的标注信息由类别编号、归一化后的边界框中心点坐标以及边界框的宽度和高度组成。

该数据集主要面向无人机俯视和远距离侦察场景，具有目标尺度差异较大、背景环境复杂、目标分布密集、局部遮挡明显以及类别样本数量不均衡等特点。其中，士兵和机枪阵地等目标在图像中所占像素较少，容易受到背景干扰，检测难度相对较高。为增强模型对复杂场景和小目标的适应能力，训练过程中采用Mosaic、MixUp、Copy-Paste、尺度变换、图像翻转和光照扰动等数据增强方法。基线模型与改进模型均使用相同的数据集划分和640×640输入尺寸进行训练与验证，从而保证实验结果的公平性和可比性。

模型训练

运行train.py

图3 训练与验证指标随Epoch变化趋势图

图4 不同置信度阈值下的F1曲线

图5 目标检测PR曲线

图6 归一化混淆矩阵

快速开始

执行 pip install -r requirements.txt 安装依赖后，加载模型权重后选择图像、视频或摄像头输入，即可进行军事目标检测与结果分析。

环境要求

Windows系统、Python 3.9及以上版本、PyTorch、Ultralytics、OpenCV、PyQt5、NumPy、PyYAML和可选的CUDA GPU运行环境。

运行展示

运行gui.py

图7 系统主界面

图8 图像检测：2S19自行榴弹炮

图9 图像检测：BM27多管火箭炮

图10 图像检测：BM30龙卷风火箭炮

图11 图像检测：BTR82装甲运兵

图12 图像检测：S400防空系统

图13 图像检测：T72主战坦克

图14 图像检测：T90主战坦克

图15 图像检测：道尔M2防空导弹

图16 图像检测：机枪阵地

图17 机枪阵地和2S19自行榴弹炮

图18 机枪阵地、士兵和2A65牵引榴弹炮

图19 图像检测：卡玛斯军用卡车

图20 图像检测：铠甲S1防空系统

图20 图像检测：山毛榉M3防空导弹

图20 图像检测：士兵

图20 图像检测：2A65牵引榴弹炮

图20 视频检测

图20 实时动态检测

图20 导出结果

图20 态势分析总览

项目资源

配套文档

点击查看：基于深度学习的悬雍垂疾病智能诊断系统设计与实现 注意：仅供VIP会员免费下载！

配套文件

包括完整的项目源代码、演示视频、运行截图，开箱即用。

项目信息

作者信息

作者：Bob (张家梁)
项目编号：AI-34-P
原创声明：本项目为原创作品

联系方式

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。