基于 YOLO11 的低空空域反无人机预警系统：红外热 成像 + Streamlit 全流程实战
关键词：YOLO11、反无人机、红外检测、低空安防、Streamlit、目标检测、机场净空
一、背景
1.1 行业痛点
近年来消费级与行业级无人机数量急速攀升，"低慢小"目标对低空空域安全的威胁已经成为机场净空、边境监控、军事禁飞区、重大活动安保等场景里绕不过去的课题：
- 可见光摄像头夜间瞎眼：黑夜、雾天、远距，传统 RGB 相机几乎拍不到无人机；
- 雷达成本高：低空小型无人机的雷达回波弱，专业雷达造价昂贵且部署复杂；
- 人工值守不可持续：让安保人员盯着监控屏几小时不眨眼，错检漏检不可避免。
把红外热成像 + 轻量级 YOLO接入到现有监控系统，可以用一个不到 6 MB 的小模型，把"夜间黑乎乎一片"的画面里的无人机点状热信号高效圈出来，并产生结构化的告警事件，对接给安保调度系统。本项目就是这条路线下的一个完整落点：基于 YOLO11n + 49,400+ 红外训练样本，做低空小目标无人机识别，并提供一个开箱即用的 Streamlit 可视化界面。
视频演示与源码 下载
包含：
📦 完整项目源码 📦 预训练 模型权重
🗂️ 数据集 数据集
1.2 项目运行效果
1.3 项目介绍
核心创新点：
| 维度 | 设计 |
|---|---|
| 数据样态 | 全部基于红外热成像数据训练，专攻夜视 / 雾天 / 远距探测 |
| 模型选型 | YOLO11n，参数量约 2.6 M，模型 6 MB，可部署在边缘盒子 / 工控机 |
| 部署形态 | Streamlit 单页应用 + 本地 best.pt，零依赖中间件，支持离线部署 |
| 输入兼容 | 图片 / 批量图片 / 视频 / 摄像头 4 种输入复用同一推理引擎 |
| 视觉风格 | UI 主色用警戒红 + 琥珀黄，符合反无人机指挥控制场景的人因工程要求 |
功能概览：
- 🎯 单图检测：上传红外画面 → 实时返回带框图 + "无人机"标签 + 置信度
- 📚 批量检测：单次最多 200 张，输出汇总表 + 类别分布图 + zip 下载
- 🎬 视频检测：mp4 / avi / mov / mkv 通通可读，逐帧推理后落盘新视频
- 📷 摄像头实时检测：可对接红外热成像枪机的 RTSP 流，做实时低空预警
类别：单类——无人机（UAV / drone）。
典型部署场景：机场净空、边境监控、军事禁飞区、重大活动安保。
技术栈：
| 层 | 选型 |
|---|---|
| 模型框架 | Ultralytics 8.3 + PyTorch |
| 视觉算法 | YOLO11n（Anchor-Free，C2f Backbone，Decoupled Head + DFL） |
| Web 前端 | Streamlit 1.35 + 自定义 HTML 主题（警戒红 + 琥珀黄） |
| 视频 / 图像 | OpenCV、imageio-ffmpeg |
| 数据可视化 | Plotly / Streamlit 原生 chart |
| 配置管理 | 单一 configs/project.yaml，行业话术 / UI / 推理阈值统一收口 |
二、设计框架
2.1 系统架构
┌──────────────────────────────────────────┐
│ Streamlit Web 前端（单页 SPA） │
│ · 指挥控制台 / 单图 / 批量 / 视频 / 摄像头 │
│ · 侧栏 · 阈值 · 模型缓存 · 警戒态势提示 │
└────────────────────┬─────────────────────┘
│ Python 调用
▼
┌──────────────────────────────────────────┐
│ 推理服务层（infer_image_path 等） │
│ · bytes / Path / frame → tensor │
│ · 推理结果 → 标注图 + DataFrame │
└────────────────────┬─────────────────────┘
│
▼
┌──────────────────────────────────────────┐
│ YOLO11n 推理引擎（model/best.pt） │
│ Backbone (C2f+SPPF) → Neck (FPN/PAN) │
│ → Decoupled Head（DFL + cls） │
└──────────────────────────────────────────┘
│
▼
（可对接：报警弹窗 / 短信 / 安防总线 / GIS）
2.2 YOLO11 网络结构
输入 640×640×3（红外伪彩色 / 灰度三通道）
│
▼
[Backbone]
Conv → C2f → Conv → C2f → Conv → C2f → Conv → C2f → SPPF
多尺度卷积 + 跨阶段特征融合，对小目标更友好
│
▼
[Neck] FPN 上采样 + PAN 下采样：P3 / P4 / P5 三级金字塔
小目标无人机主要在 P3 特征层被检出
│
▼
[Head] Decoupled Head（cls 头 / reg 头解耦）
回归头采用 DFL（Distribution Focal Loss）
Anchor-Free，输出 (cx, cy, w, h, cls × 1)
│
▼
[NMS] iou=0.7, conf=0.30 → 最终检测框
2.3 检测流程
红外摄像头帧 / 单张图片
│
▼
Letterbox 640×640
│
▼
YOLO11n forward
│
▼
Detect Head 输出
│
▼
conf 过滤 + NMS
│
▼
result.plot() 画框 + "无人机 0.88"
│
▼
Streamlit 双列展示 + DataFrame + 时间线（视频/摄像头）
│
▼
（可扩展：联动报警 / 写入安防数据库）
三、代码结构（核心 50 行 + 解析）
项目目录：
红外监控无人机目标检测/
├── app/streamlit_app.py # Web 入口
├── configs/project.yaml # 行业话术 / UI / 训练 / 推理参数
├── model/best.pt # 训练好的 YOLO11n 红外权重
├── scripts/ # train / validate / export 等
├── data/dataset/ # 训练 / 验证 / 测试集
└── 红外监控无人机目标检测YOLO数据集/ # 原始数据集
最核心的 50 行——模型加载 + 单图推理 + Streamlit 单图 Tab：
# === 1. 模型加载（带 streamlit 资源缓存，避免每次刷新重载）=============
@st.cache_resource(show_spinner=False)
def load_model(model_path: str) -> YOLO:
return YOLO(model_path)
# === 2. 单图推理：路径 → 标注图 + 检测明细 DataFrame ===================
def infer_image_path(model: YOLO, image_path: Path, conf: float):
result = model.predict(str(image_path), conf=conf, verbose=False)[0]
annotated = result.plot() # BGR ndarray，已画框
rows = []
if result.boxes is not None:
for box in result.boxes:
cls_id = int(box.cls.item())
x1, y1, x2, y2 = [float(v) for v in box.xyxy[0].tolist()]
rows.append({
"class_id": cls_id,
"class_name": result.names[cls_id], # "无人机"
"confidence": round(float(box.conf.item()), 4),
"x1": round(x1, 1), "y1": round(y1, 1),
"x2": round(x2, 1), "y2": round(y2, 1),
})
# BGR → RGB 给 Streamlit；rows 转 DataFrame 给表格组件
return annotated[:, :, ::-1], pd.DataFrame(rows)
# === 3. bytes → 临时文件 → 复用同一函数 ================================
def run_image_inference(model: YOLO, image_bytes: bytes, conf: float, suffix=".jpg"):
with tempfile.NamedTemporaryFile(delete=False, suffix=suffix) as f:
f.write(image_bytes); tmp = Path(f.name)
try:
return infer_image_path(model, tmp, conf)
finally:
tmp.unlink(missing_ok=True)
# === 4. Streamlit 单图 Tab：上传 → 推理 → 双列展示 =====================
model = load_model(str(MODEL_PATH))
uploaded = st.file_uploader("上传红外图像", type=IMAGE_UPLOAD_TYPES)
conf = st.sidebar.slider("置信度阈值", 0.05, 0.95, DEFAULT_CONF, 0.01)
if uploaded is not None:
annotated, df = run_image_inference(model, uploaded.getvalue(), conf,
suffix=Path(uploaded.name).suffix)
col1, col2 = st.columns(2)
col1.image(uploaded, caption="原图")
col2.image(annotated, caption="检测结果（高亮无人机）")
st.dataframe(detections_to_display(df))
render_detection_analysis(df)
5 段解析：
@st.cache_resource把YOLO(model_path)的耗时锁在第一次访问，避免每次切换 Tab 都重载——对 7×24 长时间值守的指挥屏尤其重要。result.plot()直接返回带颜色框 + 类别 + 置信度的BGR ndarray，无人机这种小目标在红外画面里通常只有十几像素见方，框 + 标签的可视化对值班人员复核非常友好。- 把每个
box的cls / conf / xyxy拍成dict，再拼成DataFrame——后续表格、CSV 下载、检测时间线全部复用同一份结构，方便对接到上游安防告警系统。 run_image_inference走临时文件而非 numpy 数组，是为了让 Ultralytics 内部的 EXIF / orientation 处理逻辑生效，对热成像枪机不同摆放姿态的输入都更稳。- Streamlit 的
cache_resource + file_uploader + dataframe组合，让一个产品级反无人机预警页面只需 11 行代码——这就是 Streamlit 在安防 AI 场景能快速出活的核心原因。
四、训练效果
模型在 49,400+ 红外训练样本上训练 200 epoch（YOLO11n、640 输入、 batch 16），最优一轮指标如下：
| 指标 | 数值 |
|---|---|
| Precision | 0.9678 |
| Recall | 0.9692 |
| mAP@0.5 | 0.9906 |
| mAP@0.5:0.95 | 0.7110 |
从训练曲线看，box / cls / dfl 三路 loss 在前 30 epoch 就快速收敛，mAP@0.5 最终稳定在 0.99 上下；归一化混淆矩阵中"无人机"类对角线接近 1.0；PR 曲线在召回率 0.95 之前几乎一直保持精确率 1.0，说明模型在严格 IoU=0.5 下对该类小目标有非常强的判别能力。
mAP@0.5:0.95 落在 0.71 是合理的——红外里无人机往往只有十几像素，IoU 阈值越高对回归框中心的微小偏差越敏感，这也是后续可以通过更高分辨率训练（如 imgsz=960 / 1280）继续推升的方向。
五、项目总结
做对了什么：
- 选 YOLO11n 而不是 v8s/v8m，模型 6 MB、CPU 单图 50 ms 内完成推理，便于部署在机场塔台、边境哨所的工控机或边缘盒子；
- 全程基于红外热成像数据训练，与传统可见光检测器形成互补，覆盖了夜视 / 雾天 / 远距等真实业务场景；
- 用一份
project.yaml把"行业话术 / UI 主题色 / 训练超参 / 推理阈值"全部收口，迁移到"反鸟群""反低空目标"等场景只需替换数据集与少量配置。
还能怎么做：
- 把 imgsz 从 640 提升到 960 / 1280 微调，进一步提升 mAP@0.5:0.95 与远距小目标召回；
- 接入 ByteTrack 等多目标跟踪，给每架无人机赋一个稳定 ID + 飞行轨迹，从"单帧检测"升级为"持续目标跟踪"；
- 把检测结果通过 MQTT / Kafka 推送给指挥调度系统，触发短信报警、声光告警、对接反制设备（电子干扰 / 拦截网枪等）。
