无人机检测 ONNX 模型推理工具

项目概述

基于ONNX Runtime的无人机目标检测解决方案，支持：

GPU加速推理（需CUDA环境）
自适应图像预处理流水线（CPU/GPU双模式）
误报过滤机制（ORB特征匹配）
多格式检测报告生成（CSV/Excel）

项目结构

Model/
├── src/                    # 源代码目录
│   ├── core/              # 核心功能模块
│   ├── utils/             # 工具函数
│   └── analysis/          # 分析工具
├── configs/               # 配置文件目录
├── data/                  # 数据目录
│   ├── false_positive/   # 误报样本
│   └── models/           # 模型文件
├── tests/                # 测试目录
├── outputs/              # 输出目录
└── docs/                 # 文档目录

环境要求

Python 3.8+

依赖库：

pip install -r requirements.txt

快速开始

# 单张图片检测
python src/core/inference.py --input test.jpg --threshold 0.5 \
--output results --report excel

# 批量检测目录
python src/core/inference.py --input UAV/ --max-bbox-ratio 0.1 \
--output batch_results --report all

参数说明

参数	类型	默认值	说明
--input	path	必填	输入图像路径/目录
--threshold	float	0.45	检测置信度阈值
--max-bbox-ratio	float	0.05	最大检测框面积比例
--output	path	自动生成	输出目录（自动创建）
--report	[csv/excel/all]	excel	报告格式
--save-empty	flag	False	保存无检测结果的图像

结果输出

输出目录包含：

目标截图/：检测到的无人机目标截图
检测报告.xlsx：包含检测时间、置信度、坐标等详细信息
带检测框的标注图像

模型管理

模型版本通过文件名自动识别（如：UAV-250321.onnx 版本号为250321）

常见问题

Q: 如何启用GPU加速？ A: 确保安装onnxruntime-gpu并配置CUDA环境，程序会自动优先使用GPU

Q: 误报特征库如何更新？ A: 将误报样本放入data/false_positive目录，程序启动时会自动加载

开发指南

代码规范
- 遵循PEP 8编码规范
- 使用类型注解
- 编写单元测试
测试 ```bash

运行测试

pytest tests/

生成测试覆盖率报告

pytest --cov=src tests/ ```

文档
- 使用Google风格文档字符串
- 保持README.md更新
- 重要功能添加使用示例

README.md 2.5 KB Histórico Raw