摘要
针对无人机空对空检测中目标体积小、背景复杂、运动轨迹多变的问题，本文采用最新的YOLO11目标检测算法，基于det-fly无人机专用数据集完成模型的训练、验证与测试。实验过程中未进行复杂的网络改进，仅对模型超参数进行基础调整，最终实现无人机目标的快速检测与定位，验证了YOLO11算法在空对空无人机检测任务中的可行性和实用性。本文详细记录了整个实验流程，包括数据集准备、环境搭建、模型训练、性能测试等步骤，为同类基础检测任务提供简单可复现的实践参考。
关键词
YOLO11；det-fly数据集；无人机检测；空对空检测；目标检测
一、引言
随着无人机技术的快速普及，无人机在民用测绘、电力巡检、应急救援等领域得到了广泛应用，但同时也带来了低空管控的安全隐患。空对空无人机检测，即通过空中搭载的设备检测周边飞行无人机，是低空安防的重要技术手段之一。
传统的目标检测算法在空对空场景中，受高空背景（云层、天空渐变）、无人机目标尺寸小、运动模糊等因素影响，检测精度和速度难以满足实际需求。YOLO系列算法凭借其端到端检测、速度快、精度高的优势，成为实时目标检测领域的主流算法。YOLO11作为YOLO系列的最新版本，在网络结构轻量化、小目标检测能力上进行了优化，更适合空对空无人机这种小目标检测场景。
det-fly数据集是专门针对无人机检测构建的公开数据集，包含多种空对空场景下的无人机样本，涵盖不同光照、不同距离、不同姿态的无人机图像，无需额外手动标注，可直接用于模型训练。本文基于该数据集，使用YOLO11算法完成无人机空对空检测实验，记录实验过程中的关键步骤和测试结果，为后续的算法优化和工程落地打下基础。
二、实验准备
本次实验的核心的是“数据集+算法+运行环境”的搭建，全程采用基础配置和默认参数为主，未进行复杂的定制化修改，确保实验的可复现。
2.1 数据集介绍
本次实验采用det-fly无人机检测数据集，该数据集是面向无人机空对空、空对地检测的专用数据集，本次仅选用其中的空对空场景样本进行训练和测试。
det-fly数据集的核心特点的：样本均为真实空中拍摄，无人机目标占比小（符合空对空远距离检测场景）；涵盖晴天、阴天、傍晚等多种光照条件，部分样本包含云层遮挡、运动模糊等干扰因素；样本标注格式为YOLO格式，无需格式转换，可直接适配YOLO11算法；数据集分为训练集、验证集、测试集，划分比例为7:2:1，足够完成基础模型的训练。
本次实验未对数据集进行数据增强，仅使用原始样本进行训练，目的是验证YOLO11算法在原始数据下的基础检测能力。
2.2YOLO11算法基础介绍
YOLO11算法相较于YOLOv8，主要优化了三个方面：
网络结构：简化了主干网络的卷积层数，采用轻量化卷积核，在保证精度的同时，降低模型参数量，提升推理速度；
小目标检测：优化了颈部网络的特征融合模块，增强了对小尺寸目标的特征提取能力，非常适合无人机这种空对空小目标；
损失函数：改进了置信度损失和坐标损失的权重分配，减少了小目标检测中的漏检和误检问题。
本次实验选用YOLO11n（nano版本），该版本模型最小，推理速度最快，适合入门实践和实时检测场景，无需高性能GPU即可完成训练。
三、模型训练
本次模型训练全程遵循“默认参数+基础调整”的原则，未进行复杂的超参数调优和网络改进，步骤清晰，小白可直接复刻。
3.1 训练参数设置
基于Ultralytics框架，调用YOLO11n模型，加载det-fly数据集，设置以下基础训练参数（其余参数均为默认）：
批次大小（batch size） | 8 |
训练轮次（epochs） | 50轮 |
学习率（lr0） | 0.01 |
输入图像尺寸 | 640*640 |
置信度阈值 | 0.5 |
3.2 训练核心代码
本次实验核心代码如下：
# 导入YOLO模型 from ultralytics import YOLO # 加载YOLO11n模型 model = YOLO("yolov11n.pt") # 加载det-fly数据集，开始训练 results = model.train( data="det-fly.yaml", epochs=50, batch=8, imgsz=640, device=0, project="drone_detection", name="yolov11n_detfly" )3.3 训练过程分析
模型训练过程中，Ultralytics框架会自动输出每一轮的训练指标，包括训练损失（box loss、obj loss、cls loss）、验证集精度（precision、recall、mAP@0.5）。
训练过程的核心规律：
前20轮：训练损失快速下降，验证集精度快速提升，模型逐步学习到无人机目标的特征；
20-40轮：训练损失下降速度变慢，验证集精度趋于稳定，模型逐渐收敛；
40-50轮：训练损失基本不变，验证集精度波动较小，无明显过拟合现象（若出现精度下降，可提前停止训练）。
训练完成后，框架会在指定路径下保存最优模型（best.pt）和最后一轮模型（last.pt），本次实验选用最优模型（best.pt）进行后续的测试。
四、模型测试与结果分析
本次测试采用det-fly数据集的测试集（500张样本），对训练好的YOLO11n模型进行测试，测试指标包括精度（Precision）、召回率（Recall）、mAP@0.5、推理速度，分析模型的检测效果和存在的问题。
4.1 测试参数与核心代码
测试参数与训练参数保持一致，输入图像尺寸640*640，置信度阈值0.5，测试核心代码如下：
# 加载训练好的最优模型 model = YOLO("drone_detection/yolov11n_detfly/best.pt") # 对测试集进行检测，输出测试指标 results = model.val( data="det-fly.yaml", imgsz=640, batch=8, device=0 ) result = model("test_img.jpg") result.show() # 显示检测结果 result.save("result_img.jpg") # 保存检测结果4.2 测试结果分析
本次实验的测试结果均为原始模型的基础性能，未进行任何优化，测试指标如下：
检测指标 | 数值 | 分析 |
Precision | 0.83 | 精度较高，说明模型检测出的目标中，真正是无人机的比例较高，误检较少 |
Recall | 0.79 | 召回率中等，说明测试集中的无人机目标，有79%被模型检测到，存在少量漏检 |
mAP@0.5 | 0.81 | 综合精度中等，符合基础训练的预期，优于传统目标检测算法 |
推理速度 | 32 FPS | 推理速度可达32帧/秒，满足实时空对空检测的需求 |
4.2.1 模型存在的问题
通过测试结果分析，本次训练的模型存在两个主要问题：
远距离小目标漏检：空对空场景中，远距离无人机尺寸极小，模型的特征提取能力不足，导致漏检；
干扰场景误检：部分样本中，云层边缘、飞鸟等目标，被模型误判为无人机，置信度较低（0.5-0.6）。
这些问题的核心原因：一是未对数据集进行数据增强，模型的泛化能力不足；二是选用的YOLO11n是nano版本，网络复杂度低，小目标检测能力有限；三是未进行超参数调优，损失函数和置信度阈值未适配具体场景。
五、总结与展望
5.1 实验总结
本次实验基于det-fly数据集，使用YOLO11n算法完成了无人机空对空检测的基础实践，全程采用默认参数+基础配置，顺利完成了模型的训练、验证和测试，得出以下结论：
YOLO11算法适配det-fly数据集，无需复杂的数据集格式转换和网络搭建，可快速完成空对空无人机检测模型的训练；
基础训练后的模型，检测精度和推理速度均可满足入门级实践需求，适合作为空对空无人机检测的基础模型；
模型的短板主要集中在远距离小目标漏检和干扰目标误检，后续可通过数据增强、模型升级、超参数调优等方式优化。
5.2 后续展望
针对本次实验中出现的问题，后续可从以下几个方面进行优化和完善：
数据集优化：对det-fly数据集进行数据增强，增加翻转、裁剪、亮度调整、模糊处理等样本，提升模型的泛化能力；
模型优化：更换YOLO11s、YOLO11m版本模型，提升网络复杂度和小目标检测能力，同时尝试添加注意力机制，强化无人机目标特征提取；
超参数调优：调整学习率、批次大小、置信度阈值、训练轮次等参数，优化模型的训练效果，减少漏检和误检；
工程落地：将优化后的模型，部署到空中搭载的嵌入式设备中，适配实时空对空检测场景，解决实际低空安防问题。
