基于YOLO11的航拍路面杂物抛洒物检测：从数据标注到云上训练实践

无人机巡检正在成为高速公路、城市快速路以及园区道路日常巡查的重要补充手段。相比人工路面巡查，航拍视角能覆盖更大范围，但也带来了新的视觉识别挑战：路面杂物种类多样、尺度不一、背景复杂。本文围绕“航拍路面杂物抛洒物检测”这一具体场景，介绍如何基于YOLO11目标检测模型，完成从数据准备、标注管理、训练任务设计到模型评估的完整工程化流程，并给出可迁移到云上环境的数据与训练组织建议。

数据集获取

百度网盘：点击获取数据集

提取码：vfyg

链接仅作为本文配套数据资源入口，请按数据集说明合理使用。

数据集样本概览

以下拼图按顺序展示本批次选取的 100 张数据集样本。

业务场景与难点分析

路面杂物和抛洒物是道路安全隐患的重要来源之一。无论是散落的包装物、掉落的施工材料，还是其他未知物体，如果不能及时发现并清理，都可能对行车安全造成影响。传统的人工视频巡查依赖监控中心的值班人员盯屏，工作强度大，且容易出现漏检。基于无人机航拍画面进行自动检测，可以有效提升巡检效率。

在实际建模过程中，该场景主要面临以下难点：

• 目标尺度差异大：航拍高度不同，路面杂物在画面中的像素尺寸差异明显，部分小目标可能仅有几十个像素。
• 背景干扰强：路面标线、阴影、车辆、行人、施工设备等都可能成为干扰项，模型需要具备较强的背景抑制能力。
• 类别定义相对宽泛：杂物和抛洒物在形态上并不统一，单一类别内部差异较大，对特征提取提出更高要求。

针对上述问题，采用YOLO11作为基础检测模型，结合合理的数据组织和训练策略，可以在工程上取得较好的平衡。

数据集说明（来源：数据集说明表）

本实践所使用的数据集为“航拍路面杂物抛洒物检测数据集”，项目代号为 hplmzwpswjcsjj。该数据集面向YOLO目标检测模型训练，主要服务于航拍视角下的路面杂物与抛洒物识别任务。

从数据集说明表的客观信息来看，该数据集具有以下规模与格式特征：

• 图像尺寸：1080×1920，属于典型的高清竖屏航拍画面。
• 类别数量：1类，标注类别为 Debris（杂物/抛洒物）。
• 数据划分：训练集图像数量为2027张，验证集为70张，测试集为39张。
• 标注规模：Debris 类别涉及的图像数为2136张，标注总数为25913个。

此外，用于本次实践演示的素材子集包含100张图片，对应100个Label Studio标注任务，并附带一段视频素材，可用于短视频制作或数据集预览。整体来看，该数据集在标注数量上较为充分，单张图像的平均标注框数量较高，说明画面中杂物目标分布较为密集，适合用于训练多目标检测模型。

云上数据存储与版本管理建议

在将YOLO11训练流程工程化时，数据管理是第一步。对于航拍视频抽帧得到的图像数据，建议按以下方式组织目录结构：

dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
├── label_studio_import/
│   ├── oss_selected_100/
│   └── label_config.xml
└── data.yaml

在云上环境，可以考虑将原始图像和标注文件存放于对象存储服务中，例如阿里云OSS。将数据集作为独立版本管理，每次迭代训练前对数据集打标签（如 v1.0、v1.1），并记录对应的标注文件版本。这样在模型效果回退或数据溯源时，可以快速定位到具体的数据集版本。

对于Label Studio导出的JSON标注文件，建议保留原始导出文件，不直接修改，而是通过脚本转换为YOLO格式的TXT标注文件。这样可以保持数据链路的可追溯性。

YOLO11训练任务设计

YOLO11作为当前YOLO系列的重要版本，在检测精度和推理速度之间提供了较好的平衡。针对路面杂物检测任务，训练环节需要重点关注以下几个方面。

数据准备与预处理

将Label Studio导出的标注转换为YOLO格式时，需要将 Debris 类别映射为类别ID 0。转换脚本的核心逻辑包括读取JSON标注文件、解析每个图像的标注框坐标、归一化后写入对应的TXT文件。

在预处理阶段，可以考虑以下策略：

• 图像缩放：YOLO11训练时通常会将输入图像缩放到固定尺寸（如640×640或1280×1280）。考虑到原始图像为1080×1920，且杂物目标可能较小，建议使用较高的输入分辨率（如1280）以保留更多细节。
• 数据增强：航拍场景中可能存在光照变化、视角倾斜等情况，可以使用Mosaic、随机仿射变换、HSV扰动等增强手段提升模型的泛化能力。

训练配置示例

以下是一个基于YOLO11的训练配置示例，适用于云上GPU环境：

# data.yaml
path: /path/to/dataset
train: images/train
val: images/val
test: images/test

nc: 1
names:
  0: Debris

# 训练命令示例
yolo train \
  model=yolo11m.pt \
  data=data.yaml \
  imgsz=1280 \
  epochs=150 \
  batch=16 \
  device=0 \
  project=runs/train \
  name=debris_detection_v1 \
  patience=20

在训练任务设计上，建议关注以下几点：

• 预训练权重选择：YOLO11提供了不同规模的预训练模型（如n、s、m、l、x）。对于杂物检测这类目标尺寸差异较大的任务，可以优先尝试 yolo11m 或 yolo11l，在精度和速度之间寻求平衡。
• 早停机制：设置 patience 参数，当验证集指标连续多个epoch不提升时自动停止训练，避免过拟合。
• 多尺度训练：开启多尺度训练可以提升模型对不同目标尺寸的适应能力。

模型评估与复核

训练完成后，不能仅关注mAP指标，还需要结合业务场景进行针对性评估。

量化指标评估

在验证集和测试集上，需要关注以下指标：

• mAP@0.5 和 mAP@0.5:0.95：反映模型在不同IoU阈值下的整体检测精度。
• Precision 和 Recall：对于路面杂物检测，漏检（低Recall）可能带来安全隐患，因此需要特别关注Recall指标。
• 不同尺寸目标的AP：YOLO11训练日志中会输出小目标（small）、中目标（medium）、大目标（large）的AP值。航拍场景下，应重点关注小目标的AP表现。

可视化复核

指标之外，建议对验证集和测试集的预测结果进行可视化抽检。通过绘制检测框和置信度，可以直观发现模型的典型错误模式，例如：

• 将路面阴影误检为杂物；
• 漏检小尺寸目标；
• 在强光或逆光场景下的检测不稳定。

标注质量复核

模型效果的上限受限于标注质量。在训练多轮后，可以使用训练好的模型对训练集进行预测，将预测结果与人工标注进行比对，找出可能存在漏标或错标的样本，反馈给标注团队进行修正。这种“模型辅助标注复核”的方式可以有效提升数据质量。

工程化落地注意点

将YOLO11检测模型落地到实际的无人机巡检业务中，除了模型训练本身，还需要关注以下几个工程化问题。

推理服务化

训练好的模型需要部署为可调用的推理服务。可以考虑使用ONNX Runtime或TensorRT进行模型转换和加速，将推理服务封装为HTTP接口，方便上游业务系统调用。

视频流处理

无人机巡检产生的视频流是连续的，需要设计合理的抽帧策略。建议根据飞行速度和任务需求，设置每秒抽取1-2帧进行检测，并对连续帧的检测结果进行时序平滑处理，减少单帧误检带来的抖动。

告警与工单联动

检测到路面杂物后，需要将告警信息推送至相关人员。建议将检测结果结构化，包含时间戳、地理位置（如有GPS信息）、检测框坐标和置信度，并关联到对应的巡检任务，形成“发现-派单-处置-复核”的闭环。

持续迭代机制

路面杂物的形态和场景会随着季节、施工活动等因素变化。建议建立持续的数据回流机制，将现场新采集的难例样本定期补充到训练集中，并设置月度或季度的模型重训练计划。

素材配图建议

以下图片素材来源于数据集视频抽帧和系统界面截图，可用于文章配图或项目展示：

总结

本文围绕航拍路面杂物抛洒物检测场景，介绍了基于YOLO11的完整训练与工程化实践路径。从数据集的规模与标注特征出发，讨论了云上数据存储与版本管理、YOLO11训练任务设计、模型评估与标注复核，以及推理服务化和持续迭代等落地要点。

该场景的核心挑战在于目标尺度差异大、背景干扰强，以及单一类别内部形态多样。通过合理的训练配置、数据增强策略和标注质量管控，YOLO11能够在该任务上取得较好的效果。对于正在规划类似无人机巡检视觉方案的团队，建议优先做好数据版本管理和标注质量闭环，再逐步迭代模型能力。