基于YOLO11的航天器检测系统（Python源码+数据集+Pyside6界面）

💡💡💡本文摘要：基于YOLO11的航天器检测，阐述了整个数据制作和训练可视化过程

在当前挑战背景下，航天器检查是指对在轨航天器进行细致检测以评估其状态与功能的过程。现有最常用的检测方法往往依赖宇航员执行巡检任务（既耗时又危险），或使用昂贵笨重的设备（如激光雷达传感器和机械臂）。而本次挑战探索的创新方案采用了一种小型检查飞行器（又称"追踪器"），从主航天器部署后对主体航天器实施检测。与现有方法相比，这种检查飞行器成本相对低廉，采用轻量化的廉价摄像头和商用现货硬件。

本挑战着重旨在攻克航天器检测中的两大操作难题：首先，挑战数据集中的图像要求解决方案能适配多种未知且可能受损的航天器类型；其次，解决方案必须在我们的代码执行平台中运行，该平台模拟了搭载于NASA R5航天器上的商用现货计算机板环境——该航天器正是用于验证检测技术的演示平台。

博主简介

AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；

1.YOLO11介绍

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

结构图如下：

1.1 C3k2

C3k2，结构图如下

C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck

实现代码ultralytics/nn/modules/block.py

1.2 C2PSA介绍

借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）

实现代码ultralytics/nn/modules/block.py

1.3 11 Detect介绍

分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：

实现代码ultralytics/nn/modules/head.py

2.航天器检测系统

本次挑战数据包含模拟航天器图像，这些图像从太空邻近位置采集，模拟了追踪航天器的观测视角。图像通过开源三维软件Blender生成，采用具有代表性的主航天器模型与模拟背景进行渲染。数据集使用有限数量的模型与背景生成图像，因此某些模型和背景会重复出现在多张图像中。

部分图像在后期处理中施加了失真效果，以真实模拟相机缺陷或现场环境导致的图像瑕疵。应用的失真效果包括：运动模糊（模拟追踪飞行器相机移动时的效果）、热像素（常见缺陷，表现为部分像素强度值变为0或255）以及随机噪声（通过典型失真方法提升方案的泛化性与鲁棒性）。

下图所示为典型图像示例。在此示例中，可见主航天器位于地平线略偏下方位置，并根据真实标注数据集绘制了其周边边界框。

2.航天器检测数据集介绍

数据集大小：训练集18399张，验证集3701张，测试集3701张

类别1类：

names:
  0: spacecraft0

细节图：

标签可视化分析

2.2 配置spaceship.yaml

ps:建议填写绝对路径

path: D:/YOLOv11/data/spaceship/images/
train: train/ # train images (relative to 'path') 39384 images
val: val/ # val images (relative to 'path') 15062 images

# Classes
names:
  0: spacecraft0

2.3 如何训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
    model.train(data='data/spaceship.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=8,
                close_mosaic=10,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

2.4 训练结果可视化结果

YOLO11 summary (fused): 238 layers, 2,582,347 parameters, 0 gradients, 6.3 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 116/116 [01:30<00:00,  1.28it/s]
                   all       3701       3701       0.95      0.897      0.962      0.832

预测结果：

3. 航天器检测系统设计

3.1 PySide6介绍

受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。

PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。

PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。

3.2 安装PySide6

pip install --upgrade pip
pip install pyside6 -i https://mirror.baidu.com/pypi/simple

基于PySide6开发GUI程序包含下面三个基本步骤：

• 设计GUI，图形化拖拽或手撸；
• 响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
• 打包发布；

3.3 航天器检测系统设计

​

​