目标检测数据集——无人机视觉VisDrone数据集

优质文章学习记录

— 4 min read
目标检测数据集——无人机视觉VisDrone数据集

随着无人机技术的飞速发展，无人机在航拍、监控、农业、物流等领域的应用日益广泛。与此同时，无人机视角下的视觉任务，如目标检测、目标跟踪和场景理解，也成为了计算机视觉研究的热点。然而，相比传统的地面视角数据集，无人机视角下的图像具有高度变化、小目标密集、复杂背景等独特挑战，这对现有算法提出了更高的要求。

为了应对这些挑战并推动无人机视觉技术的发展，天津大学机器学习与数据挖掘实验室推出了 VisDrone数据集。作为一个大规模、标注精细的无人机视觉数据集，VisDrone 不仅涵盖了丰富的场景和多样化的目标类别，还为研究人员提供了一个极具挑战性的测试平台。无论是小目标检测的精度提升，还是密集场景下的鲁棒性优化，VisDrone 都成为了学术界和工业界不可或缺的资源。该数据集采集自中国14个不同城市，覆盖复杂城市场景、交通枢纽、密集人群等多种环境。

VisDrone官方Github下载渠道可点击访问：

https://github.com/VisDrone/VisDrone-Dataset?tab=readme-ov-file

下载的数据集为VisDrone2019-DET-train，VisDrone2019-DET-val，VisDrone2019-DET-test-dev均含有标注，VisDrone2019-DET-test-challenge不含标注因此不在本文处理好的数据集中。

  • 训练集：6,471张图像
  • 验证集：548张图像
  • 测试集：1610张图像

下载下来的原始数据集为jpg+txt文件，这里的txt不是yolo训练可用的txt文件，需要对数据处理后才能使用。 这里我提供一个处理好的可直接用于目标检测训练的jpg+xml+txt文件。图片有两个文件夹，分别为原图和覆盖白色方块的图，可自行选择使用。

官方共有12个分类，分别为：

其中ignored regions为忽略的区域，有些区域包含了密集的很小的目标，无法进行标注的，所以我们要把这个区域忽视掉。因此对于这部分内容我们将这个区域从图片中覆盖白色方块进行遮挡。效果如下图。

带有白色方块及标注框的效果如下图

同样我提供了覆盖白色方块的图片和未覆盖白色方块的图片，需要用哪个可自行选择使用。

others忽略掉，因此转换后的类别共有10类，分别为：

["pedestrian", "people", "bicycle", "car", "van", "truck", "tricycle", "awning-tricycle", "bus", "motor"]

即获取的YOLO格式的类别顺序为上述顺序。

下图为训练过程中部分图像

下图为验证过程中部分图像

训练使用原图进行训练，整体精度在0.4左右。覆盖了白色方块的精度可自行测试精度。

下载数据集可以访问官网获取原始数据集：Github

需要处理后的数据集可通过 V🔍：笑脸惹桃花 获取。

Read more

Shannon：让 AI 替你当黑客，自动找出 Web 应用的真实漏洞

Shannon：让 AI 替你当黑客，自动找出 Web 应用的真实漏洞

Shannon：让 AI 替你当黑客，自动找出 Web 应用的真实漏洞 你的代码每天都在更新，但渗透测试一年只做一次？Shannon 来填补这 364 天的安全空白。 了解 Shannon Shannon 是一个全自动 AI 渗透测试工具，由 Keygraph 团队开源（AGPL-3.0 协议）。它不是传统的漏洞扫描器——它模拟真正的黑客行为，自主分析你的源代码，操控浏览器执行真实攻击，最终交付一份的渗透测试报告。 在 XBOW 基准测试中，Shannon Lite 取得了 96.15% 的成功率。GitHub 上已获得 10.6k Star，是近期安全领域最受关注的开源项目之一。 运行原理 Shannon 模拟人类渗透测试人员的工作方法，采用多智能体架构，分四个阶段执行：
一文搞懂Webhook：原理、实操与Langflow落地场景

一文搞懂Webhook：原理、实操与Langflow落地场景

Webhook作为现代系统集成的核心轻量通信机制，以“事件驱动”模式实现跨应用实时数据同步，解决了传统API轮询效率低、资源浪费的痛点。本文从定义、工作原理、核心优势、安全实践四个维度拆解Webhook，重点讲解Langflow产品中Webhook组件的实用操作，并结合企业协作、供应链管理、客户服务等实际场景，展示其如何快速实现无代码/低代码的自动化工作流，帮助开发者与业务人员高效落地跨系统联动需求。 一、什么是Webhook？核心认知拆解 简单来说，Webhook是一种基于HTTP回调的被动式通信机制，本质是“事件触发+自动推送”的桥梁——当系统A发生特定事件（如订单支付、代码提交、消息发送）时，会主动向系统B预先配置的URL（回调地址）发送请求，将事件数据实时推送至系统B，无需系统B主动查询（即轮询）。 类比生活场景：传统API轮询像你反复刷新快递物流页面查进度，而Webhook像快递员送货上门时主动打电话通知你，高效且无需额外操作。其核心价值在于“实时性”与“低资源消耗”，这也是它被广泛应用于现代应用集成的关键原因。 1.1 核心工作流程（4步闭环）
cann-recipes-train 仓库深度解读：昇腾平台下 DeepSeek-R1 与 Qwen2.5 强化学习训练优化实践

cann-recipes-train 仓库深度解读：昇腾平台下 DeepSeek-R1 与 Qwen2.5 强化学习训练优化实践

cann-recipes-train 仓库深度解读：昇腾平台下 DeepSeek-R1 与 Qwen2.5 强化学习训练优化实践 前言 自 DeepSeek-R1 发布以来，大模型的强化学习（RL）训练掀起了新一轮的技术热潮。各大厂商与开源社区纷纷投入实践，持续探索更高效的 RL 训练体系。本文将基于 cann-recipes-train 仓库，解读两个实践样例：DeepSeek-R1 的 RL 训练优化实践样例、基于 verl 框架的 Qwen2.5 强化学习实践样例 cann-recipes-train 仓库全景解析：昇腾训练优化的"实战底座" 大模型训练拼效率的阶段，CANN 直接帮我们搞定了底层异构硬件适配、资源调度这些麻烦事，不用再从零研究 GPU 和 NPU 怎么协同，现有模型代码也不用大改就能对接，训
【开题答辩过程】以《基于web的远程文件管理系统的设计与实现》为例，不知道这个选题怎么做的，不知道这个选题怎么开题答辩的可以进来看看

【开题答辩过程】以《基于web的远程文件管理系统的设计与实现》为例，不知道这个选题怎么做的，不知道这个选题怎么开题答辩的可以进来看看

个人简介 慕婉学姐精通Java、PHP、微信小程序、Python、Golang和安卓开发等语言，擅长开发大数据、深度学习、网站、小程序、安卓应用和算法项目。平时从事项目定制开发、代码讲解、答辩教学和文档编写，也掌握一些降重技巧。感谢大家的持续关注！ 近期，由于许多同学在选题阶段既想创新又担心内容量，学姐将分享更多新颖的选题和开题答辩案例，希望能为学弟学妹们提供更多的灵感和选择，帮助大家设计出更具有创新性的作品 开题陈述 各位老师好，我的毕业设计题目是《基于Web的远程文件管理系统的设计与实现》。该系统旨在通过B/S架构，让用户能够随时随地通过网络浏览器访问和管理自己电脑中的文件，将个人电脑打造成私有"云盘"。主要功能模块包括用户认证模块、文件上传下载模块、文件操作模块（复制、移动、删除、重命名）、目录浏览模块以及文件搜索模块。技术栈方面，后端采用Spring Boot框架搭建，数据库使用MySQL存储用户信息和文件元数据，开发语言为Java，开发工具选用Eclipse。系统相比传统远程桌面程序，具有操作权限更小、安全性更高、使用更便捷的特点。