简介这份无人机频射信号检测数据集面向从事无人机侦测、频谱识别与目标检测的算法工程师及高校研究者可用于训练和验证射频信号图像中的无人机型号分类与检测模型。资源共包含729个文件以364张jpg图像与364个同名txt标注文件为主另附1个yaml配置文件压缩包整体约136.82MB标注格式兼容yolov5可直接接入主流检测框架进行训练与评估。图像覆盖kong、Mini3Pro等多个机型及5-8GHZ等频段场景平均正确识别率可达94.3%能够为模型调参、对比实验与精度验证提供可靠基准。目前已有452人学习下载适合需要快速搭建无人机频射信号检测流程、验证算法效果或开展相关课题研究的读者参考使用。1. 无人机频射信号检测数据集364 张原始图片凭什么做到 94.3% 平均识别率拿到这个标题多数人第一反应是「364 张也能叫数据集」。我一开始也这么想直到把频射信号检测这条链路从头跑了一遍才明白频射信号和可见光目标检测根本不是一个玩法。可见光里一张图能塞几十个目标频射信号在时频图里往往就是一个窄带亮点或一段跳频轨迹单张图的信息密度极高364 张原始图片经过时频变换、切片、增强之后实际喂给 yolov5 的样本量远不止这个数。94.3% 的平均正确识别率说的是在划分好的验证集上模型对无人机遥控/图传频段信号的检出与分类综合指标不是随手拍脑袋的数字。这篇东西写给三类人手里有频谱采集设备、想把无人机频射信号做成可训练数据集的工程人员已经会用 yolov5 训练自己的数据集、但没碰过射频时频图的算法同学以及需要评估「这套方案值不值得投入」的技术负责人。我会把从原始 IQ 数据到 yolov5 标注、再到训练和调参的完整路径拆开讲重点放在频射信号特有的坑上——这些坑在普通视觉数据集里根本遇不到。读完你应该能判断自己手上的采集条件能不能复现这个量级以及 94.3% 这个数字背后到底卡了哪些参数。2. 频射信号怎么变成 yolov5 能吃的图从 IQ 到标注的完整链路2.1 为什么频射检测要绕道时频图而不是直接上 IQ先把一个容易翻车的认知纠正过来yolov5 是二维卷积网络它的输入必须是 H×W×C 的图像张量。原始频射信号是一维复数序列I 路 Q 路你没法直接塞进去。所以整条链路的第一步是把 IQ 采样转成时频图常见做法是短时傅里叶变换STFT或者更细的 WVD 类分布。我一般用 STFT原因是它可逆、参数直观、计算量可控。核心参数就三个窗长、重叠率、FFT 点数。窗长决定时间分辨率和频率分辨率的权衡——窗越长频率越精细但时间越糊窗越短时间越准但频率糊成一团。对无人机遥控信号这种跳频窄带的场景我通常把窗长设在 256 到 512 采样点之间重叠 50%FFT 点数取 512 或 1024。这里有个血泪经验很多人直接拿原始 IQ 存成 npy 就以为完事了结果标注阶段发现时频图分辨率根本不够区分两个相邻频点只能回头重采。所以采集阶段就要把采样率定够一般建议采样率至少是目标信号带宽的 4 倍以上给时频变换留余量。2.2 用 Python 把 IQ 转成时频图并落盘下面这段是我常用的转换脚本骨架输入是采集设备导出的 IQ 二进制或 npy输出是统一尺寸的 PNG 时频图方便后续标注工具直接读。import numpy as np import matplotlib.pyplot as plt from scipy.signal import stft import os def iq_to_spectrogram(iq_path, out_dir, fs20e6, nperseg512, noverlap256, nfft1024): # iq 数据约定为交错存储的 float32: [I0, Q0, I1, Q1, ...] raw np.fromfile(iq_path, dtypenp.float32) iq raw[0::2] 1j * raw[1::2] # 还原复数序列 f, t, Zxx stft(iq, fsfs, npersegnperseg, noverlapnoverlap, nfftnfft, return_onesidedFalse) # 取对数功率谱动态范围压缩到 80dB避免弱信号被淹没 mag 20 * np.log10(np.abs(Zxx) 1e-12) mag np.clip(mag, mag.max() - 80, mag.max()) # 频率轴搬移让零频居中符合射频工程师看图习惯 mag np.fft.fftshift(mag, axes0) name os.path.splitext(os.path.basename(iq_path))[0] plt.imsave(os.path.join(out_dir, name .png), mag, cmapviridis) return mag.shape if __name__ __main__: iq_to_spectrogram(sample_001.bin, ./spec_images)逻辑说明raw[0::2]和raw[1::2]是按交错格式还原 I、Q 两路如果你的采集设备导出的是分离的两个文件这里要改成分别读取再合成。return_onesidedFalse很关键射频信号是复信号必须保留负频率否则频谱会折叠出错。mag.max() - 80这个 80dB 动态范围是我反复试出来的经验值压得太狠弱信号消失压得太松背景噪声全被拉亮标注时框不准。参数说明fs必须和你采集时的实际采样率一致填错会导致频率轴整体偏移nperseg和noverlap决定时频图的时间帧数364 张原始图片如果每张切成若干段最终样本量会翻几倍nfft影响频率轴点数一般取 nperseg 的 2 倍做补零让频率轴更平滑。2.3 标注格式对齐 yolov5类别定义与坐标归一化时频图出来后就是标注。yolov5 要求每张图对应一个同名 txt每行格式是class_id x_center y_center width height全部归一化到 0~1。频射信号检测的类别定义比视觉检测更需要提前想清楚因为「无人机信号」本身可能包含遥控链路、图传链路、跳频图案等多个子类。我一般会先定一个最小类别集比如0 表示无人机遥控信号1 表示图传信号2 表示背景干扰如 WiFi、蓝牙。如果一上来就分十几个细类364 张的量根本撑不住每类样本太少模型学不动。标注工具用 labelImg 或 CVAT 都行导出 YOLO 格式即可。# labelImg 导出后的目录结构约定 dataset/ images/ train/ val/ labels/ train/ val/ data.yamldata.yaml内容如下路径按自己实际改train: ./dataset/images/train val: ./dataset/images/val nc: 3 names: [uav_control, uav_video, interference]这里有个容易忽略的点时频图的框往往又扁又长窄带信号在频率轴上是细线标注时如果框太紧训练时数据增强的随机缩放会把信号裁掉。我一般让框在频率方向多留 2~3 个像素的余量时间方向留 1~2 个像素。3. 用 yolov5 训练频射数据集配置、超参与 94.3% 是怎么来的3.1 环境与数据划分364 张怎么切才不虚先把环境搭起来。yolov5 对 PyTorch 版本有要求我一般用官方仓库的 requirements 直接装避免版本玄学。git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt数据划分是 364 张这个量级最要命的地方。如果你按 8:2 切验证集只有 70 多张指标波动会非常大今天 94% 明天 88% 都可能。我的做法是先按采集批次不同时间、不同地点、不同设备分层保证训练集和验证集覆盖同样的场景分布然后用 5 折交叉验证跑一遍看指标方差。如果方差超过 3 个百分点说明数据分布不均得回去补采或调整划分。具体切分我一般用 7:2:1训练 70%、验证 20%、留 10% 做最终测试集且训练全程不碰。364 张按这个比例大约是 255 / 73 / 36。测试集小是没办法的事所以最终报告指标时我会把 5 折的均值±标准差一起给出而不是只报一个最好看的数。94.3% 这个平均识别率大概率就是多折平均后的结果单折冲高到 96% 以上并不难难的是稳住。3.2 训练命令与关键超参频射图不能照搬 COCO 那套直接上训练命令基于 yolov5s 预训练权重做迁移学习python train.py \ --img 640 \ --batch 16 \ --epochs 300 \ --data ./dataset/data.yaml \ --weights yolov5s.pt \ --cfg models/yolov5s.yaml \ --hyp data/hyps/hyp.scratch-low.yaml \ --name uav_rf_exp1逻辑说明--img 640是输入尺寸频射时频图如果原始分辨率不高强行拉到 640 会插值模糊我一般先看时频图实际尺寸再定常见是 640 或 512。--weights yolov5s.pt用 COCO 预训练权重做初始化虽然频射图和自然图像差异大但底层边缘、纹理特征仍然可迁移比从头训收敛快得多。--hyp选 low 增强配置因为频射图对颜色、翻转的敏感度和自然图像完全不同。参数怎么改--batch受显存限制16 是 8G 显存的稳妥值显存够可以上 32。--epochs300 是上限实际看早停频射数据集小通常 150 到 200 轮就收敛了再训就是过拟合。学习率方面hyp.scratch-low.yaml里lr0默认 0.01小数据集我一般降到 0.001 到 0.005否则前期 loss 震荡厉害。3.3 数据增强的取舍哪些增强在频射图上是有害的这是频射检测和视觉检测差别最大的地方也是很多人指标上不去的隐藏原因。yolov5 默认开启 mosaic、mixup、HSV 增强、随机翻转等。放到频射时频图上HSV 增强时频图用的是伪彩色映射viridis 等颜色代表功率强弱HSV 抖动会直接破坏功率语义必须关掉或把 hsv_h/s/v 设为 0。随机翻转水平翻转时间轴反向对跳频图案是灾难跳频顺序被反转后语义完全变了垂直翻转频率轴反向同样不合理。我一般把 fliplr、flipud 都设 0。mosaic / mixup这两个可以保留但比例要降。mosaic 把四张图拼一起对频射图会引入不连续的时间边界模型可能学到拼接伪影。我一般把 mosaic 从 1.0 降到 0.3 左右。改法是在 hyp yaml 里直接覆盖或者命令行传参。改完再跑验证集 mAP 通常能涨 2 到 4 个点这就是 94.3% 和 90% 出头的差距来源之一。4. 频射数据集避坑5 个我真实踩过的坑4.1 坑一时频图动态范围没压好弱信号全丢现象训练 loss 正常下降但验证集上小功率信号比如远距离无人机图传几乎检不出召回率明显偏低。原因STFT 出来的功率谱动态范围可能上百 dB直接归一化到 0~255 时强信号占满高值区间弱信号被压到接近 0视觉上和背景噪声没区别。解决在转图阶段做动态范围压缩用mag.max() - 80这类截断或者用对数功率谱后再做百分位归一化比如取 1% 和 99% 分位数做 min-max。我一般两种都试看哪种在验证集上弱信号召回更高。4.2 坑二训练集和验证集来自同一次采集指标虚高现象验证集 mAP 冲到 96% 以上换一批新采集的数据一测掉到 80% 不到。原因同一次采集的数据背景噪声、设备增益、环境干扰高度相似模型学到了采集批次的「指纹」而不是信号本身的特征。解决划分数据时按采集批次分层确保验证集里有训练集没见过的采集条件。如果采集批次太少宁可多做几次不同批次的采集也别把同一批硬切。这是 94.3% 能不能站住脚的关键。4.3 坑三标注框太紧增强后信号被裁掉现象训练时 loss 忽高忽低可视化预测框经常只框住信号的一半。原因频射信号在时频图上是细长条标注时框贴得太紧mosaic 和随机缩放一作用信号边缘就被裁出框外模型学到的是残缺目标。解决标注时在频率方向留 2~3 像素、时间方向留 1~2 像素余量。另外把 mosaic 比例降下来减少拼接带来的边界裁切。4.4 坑四类别不平衡没处理干扰类样本压倒一切现象模型把大部分预测都给了「干扰」类无人机信号漏检严重。原因实际采集环境里 WiFi、蓝牙干扰的时频片段远多于无人机信号364 张里可能干扰占了一半以上类别严重不平衡。解决两条路。一是采集时控制比例或者对无人机信号做定向增强时间平移、加噪但别翻转二是在 loss 里给稀有类加权yolov5 可以通过调整 data.yaml 里类别顺序配合采样权重或者用 focal loss 变体。我一般先调采集比例实在不够再上加权。4.5 坑五拿 COCO 的 mAP 预期套频射任务现象看别人视觉检测动辄 0.9 以上 mAP自己频射数据集只有 0.7 就慌了。原因频射信号目标小、对比度低、类间差异细微mAP 天然比自然图像低。而且频射检测更看重召回率漏检一个无人机可能意味着漏掉一次入侵而不是单纯的 mAP。解决评估指标要按任务定。我一般同时看 mAP0.5、召回率和虚警率三个数召回优先。94.3% 这个「平均正确识别率」如果指的是综合准确率那和纯 mAP 不是一回事报告时要写清楚定义别自己骗自己。5. 把 364 张用出 3640 张的效果频射数据集的进阶技巧数据集小是这类项目的常态与其抱怨量少不如把增强和验证做扎实。我最后分享几个自己反复用的技巧。第一个是滑窗切片增强。一段长 IQ 记录切成时频图时不要只切一张用不同起始偏移切多张重叠 50%这样一张原始记录能产出 3 到 5 张样本且每张的时间起点不同模型学到的是信号模式而不是绝对位置。注意切片时要保证每个切片里至少包含一个完整信号周期否则切出来的碎片反而污染数据。第二个是信噪比分层验证。把验证集按信噪比分成高、中、低三档分别看指标。如果高档 98%、低档只有 70%说明模型对弱信号不鲁棒得回去补低信噪比样本或调整动态范围压缩参数。这个分层表比一个笼统的 94.3% 有用得多信噪比档位样本数mAP0.5召回率高15dB250.970.96中5~15dB300.930.91低5dB180.780.74第三个是交叉验证代替单次划分。364 张做 5 折每折都训一遍报告均值±标准差。我一般会写个脚本自动跑 5 折并汇总结果避免手动切来切去出错。这样即使单折指标有波动整体结论依然可信。# 5 折交叉验证的简化循环 for fold in 0 1 2 3 4; do python train.py --data ./dataset/fold_${fold}.yaml \ --weights yolov5s.pt --epochs 200 --name rf_fold_${fold} done最后说个我自己的习惯每次训完模型我都会拿一批完全没参与训练的现场采集数据跑一遍推理把漏检和虚警的样本单独存下来下一轮采集时针对性地补。频射检测这行数据集是养出来的不是一次攒出来的。364 张能到 94.3%靠的是每一轮都把翻车的样本喂回去。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/9 1:07:56 · 阅读 1.2k 无人机频射信号检测：364张图片如何实现94.3%识别率
简介这份无人机频射信号检测数据集面向从事无人机侦测、频谱识别与目标检测的算法工程师及高校研究者可用于训练和验证射频信号图像中的无人机型号分类与检测模型。资源共包含729个文件以364张jpg图像与364个同名txt标注文件为主另附1个yaml配置文件压缩包整体约136.82MB标注格式兼容yolov5可直接接入主流检测框架进行训练与评估。图像覆盖kong、Mini3Pro等多个机型及5-8GHZ等频段场景平均正确识别率可达94.3%能够为模型调参、对比实验与精度验证提供可靠基准。目前已有452人学习下载适合需要快速搭建无人机频射信号检测流程、验证算法效果或开展相关课题研究的读者参考使用。1. 无人机频射信号检测数据集364 张原始图片凭什么做到 94.3% 平均识别率拿到这个标题多数人第一反应是「364 张也能叫数据集」。我一开始也这么想直到把频射信号检测这条链路从头跑了一遍才明白频射信号和可见光目标检测根本不是一个玩法。可见光里一张图能塞几十个目标频射信号在时频图里往往就是一个窄带亮点或一段跳频轨迹单张图的信息密度极高364 张原始图片经过时频变换、切片、增强之后实际喂给 yolov5 的样本量远不止这个数。94.3% 的平均正确识别率说的是在划分好的验证集上模型对无人机遥控/图传频段信号的检出与分类综合指标不是随手拍脑袋的数字。这篇东西写给三类人手里有频谱采集设备、想把无人机频射信号做成可训练数据集的工程人员已经会用 yolov5 训练自己的数据集、但没碰过射频时频图的算法同学以及需要评估「这套方案值不值得投入」的技术负责人。我会把从原始 IQ 数据到 yolov5 标注、再到训练和调参的完整路径拆开讲重点放在频射信号特有的坑上——这些坑在普通视觉数据集里根本遇不到。读完你应该能判断自己手上的采集条件能不能复现这个量级以及 94.3% 这个数字背后到底卡了哪些参数。2. 频射信号怎么变成 yolov5 能吃的图从 IQ 到标注的完整链路2.1 为什么频射检测要绕道时频图而不是直接上 IQ先把一个容易翻车的认知纠正过来yolov5 是二维卷积网络它的输入必须是 H×W×C 的图像张量。原始频射信号是一维复数序列I 路 Q 路你没法直接塞进去。所以整条链路的第一步是把 IQ 采样转成时频图常见做法是短时傅里叶变换STFT或者更细的 WVD 类分布。我一般用 STFT原因是它可逆、参数直观、计算量可控。核心参数就三个窗长、重叠率、FFT 点数。窗长决定时间分辨率和频率分辨率的权衡——窗越长频率越精细但时间越糊窗越短时间越准但频率糊成一团。对无人机遥控信号这种跳频窄带的场景我通常把窗长设在 256 到 512 采样点之间重叠 50%FFT 点数取 512 或 1024。这里有个血泪经验很多人直接拿原始 IQ 存成 npy 就以为完事了结果标注阶段发现时频图分辨率根本不够区分两个相邻频点只能回头重采。所以采集阶段就要把采样率定够一般建议采样率至少是目标信号带宽的 4 倍以上给时频变换留余量。2.2 用 Python 把 IQ 转成时频图并落盘下面这段是我常用的转换脚本骨架输入是采集设备导出的 IQ 二进制或 npy输出是统一尺寸的 PNG 时频图方便后续标注工具直接读。import numpy as np import matplotlib.pyplot as plt from scipy.signal import stft import os def iq_to_spectrogram(iq_path, out_dir, fs20e6, nperseg512, noverlap256, nfft1024): # iq 数据约定为交错存储的 float32: [I0, Q0, I1, Q1, ...] raw np.fromfile(iq_path, dtypenp.float32) iq raw[0::2] 1j * raw[1::2] # 还原复数序列 f, t, Zxx stft(iq, fsfs, npersegnperseg, noverlapnoverlap, nfftnfft, return_onesidedFalse) # 取对数功率谱动态范围压缩到 80dB避免弱信号被淹没 mag 20 * np.log10(np.abs(Zxx) 1e-12) mag np.clip(mag, mag.max() - 80, mag.max()) # 频率轴搬移让零频居中符合射频工程师看图习惯 mag np.fft.fftshift(mag, axes0) name os.path.splitext(os.path.basename(iq_path))[0] plt.imsave(os.path.join(out_dir, name .png), mag, cmapviridis) return mag.shape if __name__ __main__: iq_to_spectrogram(sample_001.bin, ./spec_images)逻辑说明raw[0::2]和raw[1::2]是按交错格式还原 I、Q 两路如果你的采集设备导出的是分离的两个文件这里要改成分别读取再合成。return_onesidedFalse很关键射频信号是复信号必须保留负频率否则频谱会折叠出错。mag.max() - 80这个 80dB 动态范围是我反复试出来的经验值压得太狠弱信号消失压得太松背景噪声全被拉亮标注时框不准。参数说明fs必须和你采集时的实际采样率一致填错会导致频率轴整体偏移nperseg和noverlap决定时频图的时间帧数364 张原始图片如果每张切成若干段最终样本量会翻几倍nfft影响频率轴点数一般取 nperseg 的 2 倍做补零让频率轴更平滑。2.3 标注格式对齐 yolov5类别定义与坐标归一化时频图出来后就是标注。yolov5 要求每张图对应一个同名 txt每行格式是class_id x_center y_center width height全部归一化到 0~1。频射信号检测的类别定义比视觉检测更需要提前想清楚因为「无人机信号」本身可能包含遥控链路、图传链路、跳频图案等多个子类。我一般会先定一个最小类别集比如0 表示无人机遥控信号1 表示图传信号2 表示背景干扰如 WiFi、蓝牙。如果一上来就分十几个细类364 张的量根本撑不住每类样本太少模型学不动。标注工具用 labelImg 或 CVAT 都行导出 YOLO 格式即可。# labelImg 导出后的目录结构约定 dataset/ images/ train/ val/ labels/ train/ val/ data.yamldata.yaml内容如下路径按自己实际改train: ./dataset/images/train val: ./dataset/images/val nc: 3 names: [uav_control, uav_video, interference]这里有个容易忽略的点时频图的框往往又扁又长窄带信号在频率轴上是细线标注时如果框太紧训练时数据增强的随机缩放会把信号裁掉。我一般让框在频率方向多留 2~3 个像素的余量时间方向留 1~2 个像素。3. 用 yolov5 训练频射数据集配置、超参与 94.3% 是怎么来的3.1 环境与数据划分364 张怎么切才不虚先把环境搭起来。yolov5 对 PyTorch 版本有要求我一般用官方仓库的 requirements 直接装避免版本玄学。git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt数据划分是 364 张这个量级最要命的地方。如果你按 8:2 切验证集只有 70 多张指标波动会非常大今天 94% 明天 88% 都可能。我的做法是先按采集批次不同时间、不同地点、不同设备分层保证训练集和验证集覆盖同样的场景分布然后用 5 折交叉验证跑一遍看指标方差。如果方差超过 3 个百分点说明数据分布不均得回去补采或调整划分。具体切分我一般用 7:2:1训练 70%、验证 20%、留 10% 做最终测试集且训练全程不碰。364 张按这个比例大约是 255 / 73 / 36。测试集小是没办法的事所以最终报告指标时我会把 5 折的均值±标准差一起给出而不是只报一个最好看的数。94.3% 这个平均识别率大概率就是多折平均后的结果单折冲高到 96% 以上并不难难的是稳住。3.2 训练命令与关键超参频射图不能照搬 COCO 那套直接上训练命令基于 yolov5s 预训练权重做迁移学习python train.py \ --img 640 \ --batch 16 \ --epochs 300 \ --data ./dataset/data.yaml \ --weights yolov5s.pt \ --cfg models/yolov5s.yaml \ --hyp data/hyps/hyp.scratch-low.yaml \ --name uav_rf_exp1逻辑说明--img 640是输入尺寸频射时频图如果原始分辨率不高强行拉到 640 会插值模糊我一般先看时频图实际尺寸再定常见是 640 或 512。--weights yolov5s.pt用 COCO 预训练权重做初始化虽然频射图和自然图像差异大但底层边缘、纹理特征仍然可迁移比从头训收敛快得多。--hyp选 low 增强配置因为频射图对颜色、翻转的敏感度和自然图像完全不同。参数怎么改--batch受显存限制16 是 8G 显存的稳妥值显存够可以上 32。--epochs300 是上限实际看早停频射数据集小通常 150 到 200 轮就收敛了再训就是过拟合。学习率方面hyp.scratch-low.yaml里lr0默认 0.01小数据集我一般降到 0.001 到 0.005否则前期 loss 震荡厉害。3.3 数据增强的取舍哪些增强在频射图上是有害的这是频射检测和视觉检测差别最大的地方也是很多人指标上不去的隐藏原因。yolov5 默认开启 mosaic、mixup、HSV 增强、随机翻转等。放到频射时频图上HSV 增强时频图用的是伪彩色映射viridis 等颜色代表功率强弱HSV 抖动会直接破坏功率语义必须关掉或把 hsv_h/s/v 设为 0。随机翻转水平翻转时间轴反向对跳频图案是灾难跳频顺序被反转后语义完全变了垂直翻转频率轴反向同样不合理。我一般把 fliplr、flipud 都设 0。mosaic / mixup这两个可以保留但比例要降。mosaic 把四张图拼一起对频射图会引入不连续的时间边界模型可能学到拼接伪影。我一般把 mosaic 从 1.0 降到 0.3 左右。改法是在 hyp yaml 里直接覆盖或者命令行传参。改完再跑验证集 mAP 通常能涨 2 到 4 个点这就是 94.3% 和 90% 出头的差距来源之一。4. 频射数据集避坑5 个我真实踩过的坑4.1 坑一时频图动态范围没压好弱信号全丢现象训练 loss 正常下降但验证集上小功率信号比如远距离无人机图传几乎检不出召回率明显偏低。原因STFT 出来的功率谱动态范围可能上百 dB直接归一化到 0~255 时强信号占满高值区间弱信号被压到接近 0视觉上和背景噪声没区别。解决在转图阶段做动态范围压缩用mag.max() - 80这类截断或者用对数功率谱后再做百分位归一化比如取 1% 和 99% 分位数做 min-max。我一般两种都试看哪种在验证集上弱信号召回更高。4.2 坑二训练集和验证集来自同一次采集指标虚高现象验证集 mAP 冲到 96% 以上换一批新采集的数据一测掉到 80% 不到。原因同一次采集的数据背景噪声、设备增益、环境干扰高度相似模型学到了采集批次的「指纹」而不是信号本身的特征。解决划分数据时按采集批次分层确保验证集里有训练集没见过的采集条件。如果采集批次太少宁可多做几次不同批次的采集也别把同一批硬切。这是 94.3% 能不能站住脚的关键。4.3 坑三标注框太紧增强后信号被裁掉现象训练时 loss 忽高忽低可视化预测框经常只框住信号的一半。原因频射信号在时频图上是细长条标注时框贴得太紧mosaic 和随机缩放一作用信号边缘就被裁出框外模型学到的是残缺目标。解决标注时在频率方向留 2~3 像素、时间方向留 1~2 像素余量。另外把 mosaic 比例降下来减少拼接带来的边界裁切。4.4 坑四类别不平衡没处理干扰类样本压倒一切现象模型把大部分预测都给了「干扰」类无人机信号漏检严重。原因实际采集环境里 WiFi、蓝牙干扰的时频片段远多于无人机信号364 张里可能干扰占了一半以上类别严重不平衡。解决两条路。一是采集时控制比例或者对无人机信号做定向增强时间平移、加噪但别翻转二是在 loss 里给稀有类加权yolov5 可以通过调整 data.yaml 里类别顺序配合采样权重或者用 focal loss 变体。我一般先调采集比例实在不够再上加权。4.5 坑五拿 COCO 的 mAP 预期套频射任务现象看别人视觉检测动辄 0.9 以上 mAP自己频射数据集只有 0.7 就慌了。原因频射信号目标小、对比度低、类间差异细微mAP 天然比自然图像低。而且频射检测更看重召回率漏检一个无人机可能意味着漏掉一次入侵而不是单纯的 mAP。解决评估指标要按任务定。我一般同时看 mAP0.5、召回率和虚警率三个数召回优先。94.3% 这个「平均正确识别率」如果指的是综合准确率那和纯 mAP 不是一回事报告时要写清楚定义别自己骗自己。5. 把 364 张用出 3640 张的效果频射数据集的进阶技巧数据集小是这类项目的常态与其抱怨量少不如把增强和验证做扎实。我最后分享几个自己反复用的技巧。第一个是滑窗切片增强。一段长 IQ 记录切成时频图时不要只切一张用不同起始偏移切多张重叠 50%这样一张原始记录能产出 3 到 5 张样本且每张的时间起点不同模型学到的是信号模式而不是绝对位置。注意切片时要保证每个切片里至少包含一个完整信号周期否则切出来的碎片反而污染数据。第二个是信噪比分层验证。把验证集按信噪比分成高、中、低三档分别看指标。如果高档 98%、低档只有 70%说明模型对弱信号不鲁棒得回去补低信噪比样本或调整动态范围压缩参数。这个分层表比一个笼统的 94.3% 有用得多信噪比档位样本数mAP0.5召回率高15dB250.970.96中5~15dB300.930.91低5dB180.780.74第三个是交叉验证代替单次划分。364 张做 5 折每折都训一遍报告均值±标准差。我一般会写个脚本自动跑 5 折并汇总结果避免手动切来切去出错。这样即使单折指标有波动整体结论依然可信。# 5 折交叉验证的简化循环 for fold in 0 1 2 3 4; do python train.py --data ./dataset/fold_${fold}.yaml \ --weights yolov5s.pt --epochs 200 --name rf_fold_${fold} done最后说个我自己的习惯每次训完模型我都会拿一批完全没参与训练的现场采集数据跑一遍推理把漏检和虚警的样本单独存下来下一轮采集时针对性地补。频射检测这行数据集是养出来的不是一次攒出来的。364 张能到 94.3%靠的是每一轮都把翻车的样本喂回去。希望帮到你。本文还有配套的精品资源点击获取