YOLOv11m-OBB 军用飞机细粒度识别模型
基于 YOLOv11m-OBB 的遥感图像军用飞机细粒度目标识别模型，使用 MAR20 数据集训练，可识别 20 种军用飞机型号。
模型描述
- 模型类型: YOLOv11m-OBB (定向边界框)
- 任务: 军用飞机细粒度识别
- 应用领域: 遥感图像 / 卫星图像
- 输入尺寸: 1024x1024
- 类别数: 20 种军用飞机型号
- 训练者: 谢开源, 晏庭轩
支持的飞机型号
本模型可识别以下 20 种军用飞机型号：
俄罗斯空军 (6种)
| 类别ID | 型号 | 中文名称 | 类型 |
|---|---|---|---|
| A1 | SU-35 | 苏-35 | 战斗机 |
| A6 | TU-160 | 图-160 | 战略轰炸机 |
| A12 | TU-22 | 图-22 | 轰炸机 |
| A17 | TU-95 | 图-95 | 战略轰炸机 |
| A19 | SU-34 | 苏-34 | 战斗轰炸机 |
| A20 | SU-24 | 苏-24 | 战斗轰炸机 |
美国空军 (14种)
| 类别ID | 型号 | 中文名称 | 类型 |
|---|---|---|---|
| A2 | C-130 | C-130 | 运输机 |
| A3 | C-17 | C-17 | 运输机 |
| A4 | C-5 | C-5 | 运输机 |
| A5 | F-16 | F-16 | 战斗机 |
| A7 | E-3 | E-3 | 预警机 |
| A8 | B-52 | B-52 | 战略轰炸机 |
| A9 | P-3C | P-3C | 反潜巡逻机 |
| A10 | B-1B | B-1B | 战略轰炸机 |
| A11 | E-8 | E-8 | 联合监视机 |
| A13 | F-15 | F-15 | 战斗机 |
| A14 | KC-135 | KC-135 | 空中加油机 |
| A15 | F-22 | F-22 | 隐身战斗机 |
| A16 | F/A-18 | F/A-18 | 战斗攻击机 |
| A18 | KC-10 | KC-10 | 空中加油机 |
数据集
本模型使用 MAR20 (Military Aircraft Recognition) 数据集训练。
MAR20 是目前规模最大的公开遥感图像军用飞机目标识别数据集：
- 图像数量: 3842 张高分辨率遥感图像
- 目标实例: 22341 个
- 飞机型号: 20 种
- 标注方式: 水平边界框 + 有向边界框 (OBB)
- 数据来源: 全球 60 个军用机场 (Google Earth)
数据集论文: MAR20：遥感图像军用飞机目标识别数据集
禹文奇, 程塨, 王美君, 姚艳清, 谢星星, 姚西文, 韩军伟. 2023. MAR20：遥感图像军用飞机目标识别数据集. 遥感学报, 27(12): 2688-2696. DOI: 10.11834/jrs.20222139
数据集下载: https://gcheng-nwpu.github.io/
性能指标
| 指标 | 数值 |
|---|---|
| mAP50 | 97.5% |
| mAP50-95 | 89.0% |
| 精确率 | 96.5% |
| 召回率 | 96.8% |
训练详情
- 基础模型: yolo11m-obb.pt (DOTAv1 预训练)
- 训练轮次: 100
- 批量大小: 8
- 图像尺寸: 1024
- 优化器: Auto (AdamW)
- 学习率: 0.01 -> 0.0001 (余弦退火)
- GPU: NVIDIA GPU with CUDA
多尺度训练优化参数
multi_scale: true # 多尺度训练
cos_lr: true # 余弦退火学习率
close_mosaic: 20 # 最后20轮关闭马赛克增强
scale: 0.9 # 缩放范围扩大 (0.1-1.9)
mosaic: 1.0 # 马赛克增强
mixup: 0.1 # MixUp增强
degrees: 10.0 # 旋转增强
translate: 0.2 # 平移增强
flipud: 0.5 # 垂直翻转
fliplr: 0.5 # 水平翻转
patience: 50 # 早停耐心值
warmup_epochs: 5 # 预热轮次
使用方法
基本用法
from ultralytics import YOLO
# 加载模型
model = YOLO("path/to/best.pt")
# 推理
results = model("satellite_image.jpg")
# 显示结果
results[0].show()
# 获取检测详情
for box in results[0].obb:
cls_id = int(box.cls)
conf = float(box.conf)
coords = box.xyxyxyxy # OBB 的 8 个坐标点
print(f"类别: {model.names[cls_id]}, 置信度: {conf:.2f}")
从 HuggingFace 加载
from huggingface_hub import hf_hub_download
from ultralytics import YOLO
# 下载权重
weights_path = hf_hub_download(
repo_id="Mercyiris/yolo11m-obb-aircraft",
filename="best.pt"
)
# 加载模型
model = YOLO(weights_path)
# 推理
results = model("military_airport.jpg", imgsz=1024)
类别名称映射
# A1-A20 到飞机型号的映射
CLASS_NAMES = {
"A1": "SU-35", "A2": "C-130", "A3": "C-17", "A4": "C-5",
"A5": "F-16", "A6": "TU-160", "A7": "E-3", "A8": "B-52",
"A9": "P-3C", "A10": "B-1B", "A11": "E-8", "A12": "TU-22",
"A13": "F-15", "A14": "KC-135", "A15": "F-22", "A16": "F/A-18",
"A17": "TU-95", "A18": "KC-10", "A19": "SU-34", "A20": "SU-24"
}
训练曲线
混淆矩阵
预测样例
许可证
Apache 2.0
引用
如果使用此模型，请引用：
@misc{yolo11m-obb-aircraft-2025,
title={YOLOv11m-OBB Military Aircraft Detection Model},
author={Xie, KaiYuan and Yan, TingXuan},
year={2025},
publisher={HuggingFace},
url={https://huggingface.co/Mercyiris/yolo11m-obb-aircraft}
}
如果使用了 MAR20 数据集，请同时引用：
@article{yu2023mar20,
title={MAR20: A benchmark for military aircraft recognition in remote sensing images},
author={Yu, Wenqi and Cheng, Gong and Wang, Meijun and Yao, Yanqing and Xie, Xingxing and Yao, Xiwen and Han, Junwei},
journal={Journal of Remote Sensing},
volume={27},
number={12},
pages={2688--2696},
year={2023},
doi={10.11834/jrs.20222139}
}
- Downloads last month
- 75