基于 YOLO 的无人机与鸟类检测分段数据集，适用于深度和机器学习算法
无人驾驶飞行器 (UAV) 或无人机在商业和娱乐用途方面都出现了急剧增长，但这种激增带来了严重的安全问题。如果无人机被误识别或未被发现，可能会对人员、基础设施和空中交通构成风险，尤其是当它们与其他空中物体（如鸟类）混淆时。为了克服这一挑战，准确的检测系统至关重要。然而，一直缺乏可靠的数据集来区分无人机和鸟类，阻碍了该领域有效模型的进展。
该数据集旨在填补这一空白，使模型的开发和微调能够更好地识别各种环境中的无人机和鸟类。该数据集包含来自 Pexel 网站的多种图像集合，代表运动中的鸟类和无人机。这些图像是从视频帧中捕获的，经过分割、增强和预处理以模拟不同的环境条件，从而增强模型的训练过程。
该数据集按照 YOLOv7 PyTorch 规范进行格式化，分为三个文件夹：Test、Train和Valid。每个文件夹包含两个子文件夹 - Images和Labels - Labels文件夹包含纯文本格式的相关元数据。这些元数据提供了有关每幅图像中检测到的对象的宝贵信息，使模型能够在不同情况下准确学习和检测无人机和鸟类。该数据集总共包含 20,925 张图像，所有图像的分辨率均为 640 x 640 像素，采用 JPEG 格式，为机器学习模型提供全面的训练和验证机会。
测试文件夹：包含 889 张图像（无人机和鸟类图像）。该文件夹有标记为 BT（鸟类测试图像）和 DT（无人机测试图像）的子类别。
火车文件夹：该文件夹共有 18,323 张图像，包括无人机和鸟类图像，也分为 BT 和 DT 类。
有效文件夹：包含 1,740 幅图像，此文件夹中的图像同样分为 BT 和 DT。
该数据集对于训练更精确的模型至关重要，这些模型可以在实时应用中区分无人机和鸟类，从而提高无人机检测系统的可靠性，增强安全性和效率。
