构建高质量anti-uav数据集：标注工具选型与自动化标注实践

1次阅读

没有评论

共计 1595 个字符，预计需要花费 4 分钟才能阅读完成。

无人机检测任务面临的数据特殊性主要体现在以下几个方面：

低空小目标 ：无人机在图像中通常只占几十个像素，传统标注工具难以精确定位
高速运动模糊 ：无人机快速移动导致图像模糊，边界难以界定
多光谱数据 ：同时处理可见光和红外图像需要特殊的标注策略

现有公开数据集如 Anti-UAV410 存在标注不准确、边界框过大等问题，严重影响模型训练效果。

CVAT：支持视频标注、多人协作，适合大规模 anti-uav 数据集
LabelImg：轻量级但功能有限，不适合视频和多人协作场景
Roboflow：云端服务方便但定制化能力较弱

使用 YOLOv8 进行预标注

from ultralytics import YOLO
import cv2

def pre_annotation(img_path: str, model_path: str) -> list:
    """
    使用 YOLOv8 进行预标注
    :param img_path: 图像路径
    :param model_path: 模型路径
    :return: 标注框列表 [xmin, ymin, xmax, ymax, conf, cls]
    """
    model = YOLO(model_path)
    results = model(img_path)
    return results[0].boxes.data.tolist()

主动学习策略筛选难样本

from sklearn.cluster import KMeans
import numpy as np

def hard_sample_selection(features: np.ndarray, n_clusters: int = 5) -> np.ndarray:
    """
    基于特征空间聚类的难样本选择
    :param features: 图像特征矩阵
    :param n_clusters: 聚类数量
    :return: 难样本索引
    """
    kmeans = KMeans(n_clusters=n_clusters)
    labels = kmeans.fit_predict(features)
    # 选择离群点作为难样本
    distances = kmeans.transform(features)
    return np.argsort(distances.min(axis=1))[-int(len(features)*0.2):]

可见光和红外图像必须严格对齐时间戳
相同目标的标注 ID 要保持一致
红外图像标注需额外考虑热辐射特性

def calculate_iou(box1: list, box2: list) -> float:
    """计算两个边界框的 IOU"""
    x1 = max(box1[0], box2[0])
    y1 = max(box1[1], box2[1])
    x2 = min(box1[2], box2[2])
    y2 = min(box1[3], box2[3])

    inter_area = max(0, x2 - x1) * max(0, y2 - y1)
    box1_area = (box1[2]-box1[0])*(box1[3]-box1[1])
    box2_area = (box2[2]-box2[0])*(box2[3]-box2[1])

    return inter_area / (box1_area + box2_area - inter_area)

使用 Redis 作为任务队列，实现标注任务的动态分配和进度跟踪。