Skip to content
Merged
Changes from all commits
Commits
Show all changes
51 commits
Select commit Hold shift + click to select a range
a879469
完成选题毕进行首次提交
MKHQ07 Sep 22, 2025
5c3e0bf
完成选题毕进行首次提交
MKHQ07 Sep 22, 2025
c8cefda
Merge remote-tracking branch 'origin/main'
MKHQ07 Sep 22, 2025
290feda
Merge branch 'OpenHUTB:main' into main
MKHQ07 Sep 23, 2025
d478785
Merge branch 'OpenHUTB:main' into main
MKHQ07 Sep 29, 2025
8c2818c
Merge branch 'OpenHUTB:main' into main
MKHQ07 Oct 13, 2025
2d1a00b
Merge branch 'OpenHUTB:main' into main
MKHQ07 Oct 20, 2025
4ecca9a
基于深度学习的无人机控制与可视化系统
MKHQ07 Oct 20, 2025
c8e7221
基于深度学习的无人机控制与可视化系统
MKHQ07 Oct 20, 2025
3e68432
Merge branch 'OpenHUTB:main' into main
MKHQ07 Oct 27, 2025
3ad4ea0
基于深度学习的无人机控制与可视化系统
MKHQ07 Oct 27, 2025
fbc0120
Merge branch 'OpenHUTB:main' into main
MKHQ07 Oct 27, 2025
00e8ed2
基于深度学习的无人机控制与可视化系统
MKHQ07 Oct 27, 2025
1074cab
基于深度学习的无人机控制与可视化系统
MKHQ07 Oct 27, 2025
c1f19fd
目标跟踪
MKHQ07 Oct 27, 2025
4ba6c94
Merge remote-tracking branch 'origin/main'
MKHQ07 Oct 27, 2025
68d026c
Merge branch 'OpenHUTB:main' into main
MKHQ07 Oct 29, 2025
bb5390f
Merge branch 'OpenHUTB:main' into main
MKHQ07 Nov 3, 2025
2452e35
高度保持
MKHQ07 Nov 3, 2025
9c662ab
Merge remote-tracking branch 'origin/main'
MKHQ07 Nov 3, 2025
ee2e73a
Merge branch 'OpenHUTB:main' into main
MKHQ07 Nov 3, 2025
7983cb4
速度保持
MKHQ07 Nov 3, 2025
ed33ebd
速度保持
MKHQ07 Nov 3, 2025
a802f3e
速度保持
MKHQ07 Nov 3, 2025
8785c8f
速度保持
MKHQ07 Nov 3, 2025
d251672
速度保持
MKHQ07 Nov 3, 2025
7010c26
速度保持
MKHQ07 Nov 3, 2025
7387c85
速度保持.
MKHQ07 Nov 3, 2025
8a8c731
Merge remote-tracking branch 'origin/main'
MKHQ07 Nov 3, 2025
7bd1833
Merge branch 'OpenHUTB:main' into main
MKHQ07 Nov 3, 2025
f3e1d00
Merge branch 'OpenHUTB:main' into main
MKHQ07 Nov 17, 2025
788c942
平衡保持
MKHQ07 Nov 17, 2025
073a498
平衡保持
MKHQ07 Nov 17, 2025
4241a3a
平衡保持
MKHQ07 Dec 1, 2025
47234f8
图像分类
MKHQ07 Dec 15, 2025
482a44f
图像分类
MKHQ07 Dec 15, 2025
e485b57
图像分类
MKHQ07 Dec 15, 2025
ee252a4
图像分类
MKHQ07 Dec 15, 2025
d52716a
Merge branch 'OpenHUTB:main' into main
MKHQ07 Dec 15, 2025
ea0312f
图像分类
MKHQ07 Dec 15, 2025
d50d84f
图像分类
MKHQ07 Dec 15, 2025
8ab9541
Merge branch 'OpenHUTB:main' into main
MKHQ07 Dec 16, 2025
db6f483
图像分类
MKHQ07 Dec 16, 2025
3fec6f6
Merge remote-tracking branch 'origin/main'
MKHQ07 Dec 16, 2025
98389a9
图像分类
MKHQ07 Dec 16, 2025
89f2afb
图像分类
MKHQ07 Dec 16, 2025
13f990b
图像分类
MKHQ07 Dec 16, 2025
2ce68b0
Merge branch 'OpenHUTB:main' into main
MKHQ07 Dec 16, 2025
b1fd772
Merge branch 'OpenHUTB:main' into main
MKHQ07 Dec 17, 2025
491f35d
Merge branch 'OpenHUTB:main' into main
MKHQ07 Dec 17, 2025
12f9a26
图像
MKHQ07 Dec 17, 2025
File filter

Filter by extension

Filter by extension

Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
191 changes: 177 additions & 14 deletions src/driverless_car/README.md
Original file line number Diff line number Diff line change
@@ -1,14 +1,177 @@
# 无人机图像分类深度学习Demo(无硬件/仿真依赖)
该项目实现了**无人机图像分类**的深度学习简单方向demo,无需无人机硬件和仿真软件,通过公开数据集模拟无人机采集的图像数据,搭建轻量化卷积神经网络(CNN)完成分类任务,并提供数据显示和可视化界面,帮助新手理解无人机深度学习的基本流程。

## 项目特点
- 🚀 **无硬件依赖**:使用CIFAR-10公开数据集模拟无人机航拍图像,无需无人机硬件和仿真软件。
- 🧠 **轻量化模型**:搭建适用于无人机端的轻量化CNN,兼顾性能与算力消耗。
- 📊 **可视化界面**:包含数据集样本展示、训练过程实时可视化、预测结果展示三大可视化模块。
- 🐞 **兼容性修复**:解决Matplotlib中文字体缺失、PyCharm后端兼容等问题,可直接运行。

## 环境配置
### 1. 依赖库安装
项目基于Python和PyTorch实现,需安装以下依赖库:
```bash
pip install torch torchvision matplotlib numpy
无人机图像分类深度学习 Demo(无硬件 / 仿真依赖)
该项目实现了无人机图像分类的深度学习简单方向 demo,无需无人机硬件和仿真软件,通过公开数据集模拟无人机采集的图像数据,搭建轻量化卷积神经网络(CNN)完成分类任务,并提供数据显示和可视化界面,帮助新手理解无人机深度学习的基本流程。
同时,本项目还扩展了无人机目标检测、语义分割等进阶方向的简化版实现,覆盖无人机视觉的核心应用场景,新手可逐步进阶学习。
项目特点
🚀 无硬件依赖:使用 CIFAR-10 / 公开检测 / 分割数据集模拟无人机航拍图像,无需无人机硬件和仿真软件。
🧠 轻量化模型:
分类任务:搭建适用于无人机端的轻量化 CNN,兼顾性能与算力消耗;
检测任务:使用 YOLOv8n(nano 版本)轻量化预训练模型,直接推理无需复杂训练;
分割任务:使用轻量化 UNet(UNet-small),完成二分类语义分割,降低计算量。
📊 可视化界面:
分类任务:数据集样本展示、训练过程实时可视化、预测结果展示;
检测任务:原图 + 目标框标注可视化、实时摄像头检测展示;
分割任务:原图 + 掩码 + 预测结果三图并列展示、训练损失曲线可视化。
🐞 兼容性修复:解决 Matplotlib 中文字体缺失、PyCharm 后端兼容、SSL 证书验证失败等问题,可直接运行。
环境配置
1. 依赖库安装
项目基于 Python 和 PyTorch 实现,需安装以下依赖库:
bash
运行
# 基础依赖(分类任务)
pip install torch torchvision matplotlib numpy pillow
# 扩展依赖(检测/分割任务)
pip install ultralytics tqdm opencv-python
2. 环境说明
Python 版本:3.8~3.11(兼容主流版本)
硬件:CPU 即可运行(GPU 可加速训练,需安装对应 CUDA 版本的 PyTorch)
系统:Windows/Linux/macOS(全平台兼容)
核心功能模块
1. 无人机图像分类(基础)
功能介绍
使用 CIFAR-10 数据集模拟无人机航拍的场景 / 物体分类,轻量化 CNN 模型完成 10 类分类(飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船、卡车),对应无人机航拍中常见的物体识别场景。
关键流程
数据集加载与可视化:展示 CIFAR-10 样本,模拟无人机采集的图像数据;
轻量化 CNN 搭建:包含卷积层、池化层、全连接层,参数精简适配无人机算力;
训练与可视化:实时展示训练损失 / 准确率曲线,支持模型保存;
预测演示:加载训练好的模型,对单张图像进行分类并展示结果。
2. 无人机目标检测(进阶)
功能介绍
分类任务的延伸,不仅识别类别,还能定位目标在图像中的位置,使用 YOLOv8n 预训练模型实现,覆盖无人机安防、巡检、物流等核心场景。
关键流程
数据来源:使用 YOLO 官方示例图像 / 模拟无人机航拍图像(无需本地数据);
模型推理:加载 YOLOv8n 预训练模型,直接输出目标的类别、置信度和边界框坐标;
可视化:在图像上绘制红色边界框 + 类别 + 置信度,支持批量图像检测和摄像头实时检测;
结果保存:自动保存检测后的图像到本地。
3. 无人机语义分割(高阶)
功能介绍
比目标检测更细粒度的任务,实现二分类分割(如道路 / 非道路),使用轻量化 UNet 模型,模拟无人机航拍中的场景分割需求(农田、建筑、道路分割)。
关键流程
模拟数据生成:自动生成包含道路、建筑、行人的无人机航拍图像,并生成对应的分割掩码;
轻量化 UNet 搭建:减少网络层数和通道数,降低训练耗时;
训练与收敛:少量 epoch 即可收敛,展示损失曲线;
可视化:三图并列展示原图、真实掩码、模型预测结果,伪色彩标注分割区域。
使用说明
1. 图像分类模块运行
bash
运行
# 运行分类任务主程序
python drone_classification.py
程序会自动加载 CIFAR-10 数据集,展示样本后开始训练;
训练完成后,会展示预测结果和训练曲线;
可调整代码中的epochs、batch_size参数优化训练效果。
2. 目标检测模块运行
bash
运行
# 运行检测任务主程序
python drone_detection.py
程序会自动下载 YOLOv8n 预训练模型,使用内置示例图像进行检测;
支持替换为本地无人机航拍图像,只需修改图像路径;
取消注释可开启摄像头实时检测(模拟无人机摄像头)。
3. 语义分割模块运行
bash
运行
# 运行分割任务主程序
python drone_segmentation.py
程序会自动生成模拟航拍数据集,开始训练轻量化 UNet 模型;
训练完成后,展示 5 组样本的分割结果,自动保存结果图;
可修改num_samples参数调整数据集大小,epochs参数调整训练轮数。
扩展方向
数据集替换:将 CIFAR-10 替换为无人机航拍专用数据集(如 UC Merced Land Use Dataset、DroneDeploy 数据集),提升场景适配性;
模型优化:对分类模型使用迁移学习(MobileNetV2、ResNet18),对检测 / 分割模型进行微调(使用自定义无人机数据);
部署适配:将训练好的模型导出为 ONNX/TensorRT 格式,部署到无人机嵌入式设备(如 Jetson Nano、Raspberry Pi);
功能融合:结合分类、检测、分割功能,实现无人机端的多任务视觉处理(如先分类场景,再检测目标,最后分割区域)。
常见问题解决
Matplotlib 中文显示乱码:代码中已配置SimHei字体,若仍乱码,需手动安装对应中文字体;
YOLOv8 模型下载失败:代码中添加了模拟图像替代逻辑,无需网络也可运行;
训练速度慢:可减少数据集大小、降低图像分辨率、使用 GPU 加速训练;
摄像头检测无法启动:检查摄像头硬件连接,或安装opencv-python库。
许可证
本项目为学习用途的开源项目,可自由修改和分发,禁止用于商业用途。
返回可以直接复制粘贴到README上的内容
无人机图像分类深度学习 Demo(无硬件 / 仿真依赖)
该项目实现了无人机图像分类的深度学习简单方向 demo,无需无人机硬件和仿真软件,通过公开数据集模拟无人机采集的图像数据,搭建轻量化卷积神经网络(CNN)完成分类任务,并提供数据显示和可视化界面,帮助新手理解无人机深度学习的基本流程。
同时,本项目还扩展了无人机目标检测、语义分割等进阶方向的简化版实现,覆盖无人机视觉的核心应用场景,新手可逐步进阶学习。
项目特点
🚀 无硬件依赖:使用 CIFAR-10 / 公开检测 / 分割数据集模拟无人机航拍图像,无需无人机硬件和仿真软件。
🧠 轻量化模型:
分类任务:搭建适用于无人机端的轻量化 CNN,兼顾性能与算力消耗;
检测任务:使用 YOLOv8n(nano 版本)轻量化预训练模型,直接推理无需复杂训练;
分割任务:使用轻量化 UNet(UNet-small),完成二分类语义分割,降低计算量。
📊 可视化界面:
分类任务:数据集样本展示、训练过程实时可视化、预测结果展示;
检测任务:原图 + 目标框标注可视化、实时摄像头检测展示;
分割任务:原图 + 掩码 + 预测结果三图并列展示、训练损失曲线可视化。
🐞 兼容性修复:解决 Matplotlib 中文字体缺失、PyCharm 后端兼容、SSL 证书验证失败等问题,可直接运行。
环境配置
1. 依赖库安装
项目基于 Python 和 PyTorch 实现,需安装以下依赖库:
bash
运行
# 基础依赖(分类任务)
pip install torch torchvision matplotlib numpy pillow
# 扩展依赖(检测/分割任务)
pip install ultralytics tqdm opencv-python
2. 环境说明
Python 版本:3.8~3.11(兼容主流版本)
硬件:CPU 即可运行(GPU 可加速训练,需安装对应 CUDA 版本的 PyTorch)
系统:Windows/Linux/macOS(全平台兼容)
核心功能模块
1. 无人机图像分类(基础)
功能介绍
使用 CIFAR-10 数据集模拟无人机航拍的场景 / 物体分类,轻量化 CNN 模型完成 10 类分类(飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船、卡车),对应无人机航拍中常见的物体识别场景。
关键流程
数据集加载与可视化:展示 CIFAR-10 样本,模拟无人机采集的图像数据;
轻量化 CNN 搭建:包含卷积层、池化层、全连接层,参数精简适配无人机算力;
训练与可视化:实时展示训练损失 / 准确率曲线,支持模型保存;
预测演示:加载训练好的模型,对单张图像进行分类并展示结果。
2. 无人机目标检测(进阶)
功能介绍
分类任务的延伸,不仅识别类别,还能定位目标在图像中的位置,使用 YOLOv8n 预训练模型实现,覆盖无人机安防、巡检、物流等核心场景。
关键流程
数据来源:使用 YOLO 官方示例图像 / 模拟无人机航拍图像(无需本地数据);
模型推理:加载 YOLOv8n 预训练模型,直接输出目标的类别、置信度和边界框坐标;
可视化:在图像上绘制红色边界框 + 类别 + 置信度,支持批量图像检测和摄像头实时检测;
结果保存:自动保存检测后的图像到本地。
3. 无人机语义分割(高阶)
功能介绍
比目标检测更细粒度的任务,实现二分类分割(如道路 / 非道路),使用轻量化 UNet 模型,模拟无人机航拍中的场景分割需求(农田、建筑、道路分割)。
关键流程
模拟数据生成:自动生成包含道路、建筑、行人的无人机航拍图像,并生成对应的分割掩码;
轻量化 UNet 搭建:减少网络层数和通道数,降低训练耗时;
训练与收敛:少量 epoch 即可收敛,展示损失曲线;
可视化:三图并列展示原图、真实掩码、模型预测结果,伪色彩标注分割区域。
使用说明
1. 图像分类模块运行
bash
运行
# 运行分类任务主程序
python drone_classification.py
程序会自动加载 CIFAR-10 数据集,展示样本后开始训练;
训练完成后,会展示预测结果和训练曲线;
可调整代码中的epochs、batch_size参数优化训练效果。
2. 目标检测模块运行
bash
运行
# 运行检测任务主程序
python drone_detection.py
程序会自动下载 YOLOv8n 预训练模型,使用内置示例图像进行检测;
支持替换为本地无人机航拍图像,只需修改图像路径;
取消注释可开启摄像头实时检测(模拟无人机摄像头)。
3. 语义分割模块运行
bash
运行
# 运行分割任务主程序
python drone_segmentation.py
程序会自动生成模拟航拍数据集,开始训练轻量化 UNet 模型;
训练完成后,展示 5 组样本的分割结果,自动保存结果图;
可修改num_samples参数调整数据集大小,epochs参数调整训练轮数。
扩展方向
数据集替换:将 CIFAR-10 替换为无人机航拍专用数据集(如 UC Merced Land Use Dataset、DroneDeploy 数据集),提升场景适配性;
模型优化:对分类模型使用迁移学习(MobileNetV2、ResNet18),对检测 / 分割模型进行微调(使用自定义无人机数据);
部署适配:将训练好的模型导出为 ONNX/TensorRT 格式,部署到无人机嵌入式设备(如 Jetson Nano、Raspberry Pi);
功能融合:结合分类、检测、分割功能,实现无人机端的多任务视觉处理(如先分类场景,再检测目标,最后分割区域)。
常见问题解决
Matplotlib 中文显示乱码:代码中已配置SimHei字体,若仍乱码,需手动安装对应中文字体;
YOLOv8 模型下载失败:代码中添加了模拟图像替代逻辑,无需网络也可运行;
训练速度慢:可减少数据集大小、降低图像分辨率、使用 GPU 加速训练;
摄像头检测无法启动:检查摄像头硬件连接,或安装opencv-python库。
Loading