您是否还在用地面街景数据训练车辆检测模型，一挂上无人机精度就骤降？是否困惑于航拍画面里目标又小又密，通用模型怎么调都框不准？在无人机巡检、物流配送、城市治理快速落地的当下，数据视角与任务视角错配，已经成为机载视觉感知能力的核心瓶颈。
目前市面上的车辆检测数据集普遍面临三个问题：
一是视角不对，多数为地面或街景拍摄，真到了俯视航拍场景，小目标特征和密集排列完全对不上；
二是密度不够，图像里稀稀拉拉几辆车，模型学不会在停车场、拥堵路段里密集框选；
三是配套不全，只给图和框，锚框怎么设、训练怎么划分、配置怎么写，全得自己从头搭。这些问题导致训练出来的模型”地面好用、天上失灵”，上了无人机巡检和安防场景就露馅，既浪费调参时间，又延误项目落地。
正是针对这一行业痛点，典枢数据交易平台推出 car-uav 无人机航拍车辆检测数据集——2922 张真实俯视航拍图像、21554 个规范 YOLO 标注框，覆盖停车场、城市道路、公路三类典型航拍场景，附带完整训练配置，拿到手就能接进 YOLOv3、MobileNet 等主流检测框架。
数据基本信息
car-uav 收录的是无人机真实飞行拍摄的车辆画面，图像统一为 640×360 分辨率的 JPG 格式，整体数据量约 110.94MB。每张图像对应一个同名 .txt 标注文件，标注为标准 YOLO 格式，包含类别编号和归一化的中心点坐标、宽高，类别单一，全部为车辆（car）。
数据按约 8:1:1 的比例划分为训练集、验证集和测试集：训练集 2336 张图像、17282 个目标框；验证集 293 张、2265 个框；测试集 293 张、2007 个框。测试集独立于训练和验证清单之外，不参与训练过程，确保模型评测结果客观、可复现。
从内容分布看，数据集不是单一干净场景，而是把航拍中真实遇到的难度都收了进来：
- 目标尺度跨度大：约 71.8% 的车辆框面积不到整图的 3%，属于典型小目标；最小的车辆在画面中只占几个像素，最大的近景车辆则占画面 12% 以上——远景小点和近景大车都有覆盖；
- 密度从稀疏到密集完整：每图目标数从 1 个到 54 个不等。21.49% 的图只有 1–2 辆车（稀疏道路），31.76% 的图有 6–10 辆（常规车流），另有 140 张图包含 21 辆以上车辆，最高一张图框出 54 辆车，对应停车场俯瞰和拥堵路段；
- 场景真实：不是试验场摆拍，而是真实飞行中记录的停车场、城市道路和公路画面，车辆之间存在遮挡、与背景混杂，贴近实际航拍任务分布。
开箱即用：训练配套全部备齐
很多数据集拿到手还要花一周做数据工程：自己写划分脚本、自己聚类锚框、自己配置训练参数。car-uav 把这些前置工作都完成了：
- 训练清单：train.txt、valid.txt、valid.shapes 直接可用；
- 配置文件：car.data、car.names 对接 YOLO 训练脚本；
- 锚框参数：anchors_6.txt 和 anchors_9.txt 是用 K-means 在本数据集上聚类得出的，贴合航拍小目标的尺度分布，不用套通用参数；
- 辅助脚本：K-means.py 支持重新聚类，write_txt.py 支持重新生成数据清单。
数据本身经过完整校验：没有空标注文件、没有字段错误行、坐标全部落在 [0,1] 区间且宽高大于零，图像与标注严格一一对应。这意味着团队拿到数据后不需要再做清洗和排错，可以直接进入模型训练环节。
谁会用它，解决什么问题
无人机视觉算法团队——做巡检、物流、安防无人机的公司，机载视觉模块需要实时识别地面车辆。通用模型在俯视小目标上精度不足，用 car-uav 做迁移学习或微调，能直接补上这一环。
小目标与密集目标检测研究者——高校和实验室里做特征金字塔、注意力机制、标签分配策略的团队，需要一个小目标占比高、密度变化大的标准实验床。这套数据 71.8% 的框是小目标，又有高密度场景，正好用来检验算法在低分辨率航拍图上的真实性能。
智能交通与城市管理公司——无人机巡查道路拥堵、统计停车场车位、识别违停车辆，背后都是俯视车辆检测。数据中的停车场场景和城市道路场景，与这类业务高度对口。
模型轻量化工程师——无人机机载端算力、功耗和存储都受限，需要在精度损失可控的前提下做剪枝和量化。统一的分辨率、规范的标注和完整的三划分，让”训练基线—压缩模型—测试集对比精度”这一整套实验流程可以标准化跑起来。
航拍数据集建设者——这套数据的标注格式和质检流程（无空标注、坐标合法、一一对应）本身也可以作为新构数据集的格式参考和质量对照。
数据优势小结
- 视角对路：纯俯视航拍，不是地面数据换个说法；
- 小目标为主：71.8% 的框面积不足整图 3%，贴近真实航拍难度；
- 密度跨度完整：从单辆车到一图 54 辆，稀疏、常规、拥堵场景全覆盖；
- 标注规范：YOLO 格式、坐标合法、无空文件，清洗成本低；
- 配套齐全：清单、配置、锚框、脚本全在，直接接入训练流程；
- 划分客观：测试集独立，评测不”自己考自己”。
常见问题（FAQ）
Q：car-uav 无人机车辆检测数据集适合训练什么模型？
A：面向 YOLOv3、MobileNet 等主流检测框架设计，附带训练配置和聚类锚框，可直接用于模型训练、剪枝和量化实验。
Q：图像分辨率是多少？数据量多大？
A：全部为 640×360 分辨率 JPG 图像，2922 张总计约 110.94MB。
Q：标注是几分类？
A：单类别标注，全部为车辆 car（类别 0），配套 car.names 和 car.data 配置文件。
Q：数据是怎么划分的？
A：按约 8:1:1 划分为训练集 2336 张、验证集 293 张、测试集 293 张，测试集独立于训练清单。
Q：总共有多少个目标框？
A：21554 个车辆目标框，平均每张图约 7.38 个，单图最多 54 个。
Q：适合做小目标检测研究吗？
A：适合。约 71.8% 的目标框面积小于整图 3%，且含 140 张 21 个目标以上的高密度图像。
获取方式
car-uav 无人机航拍车辆检测数据集已在典枢数据交易平台数据星球板块上架，支持先验后买、申请报告。在平台搜索”无人机航拍车辆检测”或”car-uav”即可查看样例图像与完整说明，或私信联系获取资料。