​# 系统介绍文档（基于 YOLOv11 的无人机视角人员搜救目标检测系统）

视频演示链接

点击下方链接获取全部程序文件

一、引言

1.1 背景与意义

自然灾害、地震塌方、山地迷失、暴雨洪涝以及突发公共安全事件中，在最短时间内获知被困或失联人员的位置，是决定救援成功率的关键因素之一。传统的人工搜寻方式受限于地形、能见度、人员经验等因素，效率低且危险性高。相比之下，无人机（UAV）具有 高机动性、穿越性强、俯视视角广、部署灵活、成本低 等优势，已成为现代搜救任务中的重要技术手段。

然而在无人机视角下，人员目标通常呈现 尺度极小、姿态变化极大、光照复杂、部分遮挡、背景干扰强 等特点，使得传统计算机视觉方法难以稳定识别。同时，现场搜救对检测系统提出了 实时性高、准确性高、易部署、可多源输入 的要求，进一步增加了系统设计难度。

基于此，本系统以 YOLOv11 高性能目标检测模型 为核心，构建了集后台推理、前端可视化、数据记录与导出为一体的 应急人员检测系统。系统支持“图像 / 视频 / 实时摄像头 / 无人机图传”等多源输入，能够在复杂场景下实现快速、稳定的人员识别，并提供类似应急指挥大屏的可视化界面，便于救援人员在现场部署与使用。

本研究旨在利用最新深度学习技术提升搜救任务效率与准确性，减少救援人员负担，构建可用于实战的智能定位辅助工具，对应急救援信息化建设具有重要的现实意义与应用价值。

1.2 国内外研究现状

随着深度学习的发展，基于卷积神经网络（CNN）与视觉 Transformer（ViT）的目标检测技术在无人机视角人员检测领域取得了大量进展。当前研究主要集中在以下几个方向：

（1）外国外研究现状

在国际上，UAV-Human、VisDrone 等大型公开数据集推动了无人机视觉算法的快速发展。学术界不断提出针对小目标与复杂背景的改进方法，如：

• YOLO 系列（YOLOv5–YOLOv11） 提升检测速度与精度，被广泛应用于应急与安防场景；
  Transformer-based 模型（如 DETR、DINO） 利用全局注意力机制解决遮挡与背景干扰问题；
• 针对无人机图像的小目标挑战，许多工作提出 超分辨率增强、特征金字塔优化、注意力模块引入 等策略，提高对远距离人员目标的识别能力；
• 工程应用方面，欧美多国已将无人机检测技术整合进 搜救机器人系统（SAR Robots） 与 灾害监控平台 中，强调可靠性与实时性。

（2）国内研究现状

国内在近几年也在无人机多场景视觉任务上投入大量研究力量，主要体现在：

• 基于 改进 YOLO 系列、CenterNet、PP-YOLOE、RT-DETR 等模型的小目标检测优化；

• 引入 轻量化网络（MobileNet、ShuffleNet） 以满足嵌入式设备与边缘计算场景需求；

• 在公安、消防、应急管理等部门的推动下，出现了多套无人机视觉监控与辅助搜救平台原型系统；

• 开源社区（如 PaddlePaddle、OpenMMLab）也提供了许多针对小目标与航拍视角的优化模型，支持快速工程化落地。

因此，开发一套基于先进检测模型、具备实时性能、支持多输入源、并可工程化部署的人员检测系统，具有重要的理论价值与实际意义。

二、系统界面演示

2.1 注册登录界面

• 独立页面、居中玻璃拟态卡片；支持“用户名 + 密码”注册与登录；密码采用 pbkdf2_sha256 哈希存储。
• 成功登录后进入首页；右上角提供“退出登录”，清除会话并回到登录页。
  

2.2 首页

• 欢迎文案与三大快捷导航卡片：图像检测、视频检测、本地摄像头检测。
• 今日检测统计：饼图（human 数量）、KPI（总检测次数、检测到人数）。
  

2.3 图像检测界面

• 上传图片（自定义“选择文件”按钮，显示文件名），设置“置信度 / IOU”参数，点击“开始检测”。
• 返回标注后的图片预览、检测到人数与记录 ID；自动写入数据库记录。

2.4 视频检测界面

• 上传本地视频，设置“帧间隔 / 置信度 / IOU”。
• 逐帧（按间隔）检测并输出关键帧标注预览，显示总检测到人数与记录 ID。
  

2.5 本地摄像头检测界面

• 浏览器开启摄像头，周期性截帧上传后端进行检测；前端覆盖绘制框并显示当前检测人数。
• 默认每 10 秒保存一帧作为记录（可调整策略）。
  

2.6 检测记录界面

• 查询筛选：起止日期（默认近 7 天、含当天 23:59）、类型（全部/图片/视频/摄像头）。
• 表格分页展示：序号、类型、结果链接（可打开预览）、创建时间；支持删除记录。
  

2.7 统计分析界面

• 查询时间范围（默认近 7 天、含当天 23:59）与类型过滤。
• 展示：
  • 饼状图：区间内 human 总量占比（当前为单类结构，预留多类扩展）。
  • 折线图：逐日 human 数量变化，范围随查询日期更新。
    

2.8 用户中心界面

• 显示用户基本信息（用户名、注册时间）；提供重置密码（旧密码 + 新密码 + 确认新密码）。
  

三、模型效果展示

说明：PR 曲线与混淆矩阵通常由训练/验证阶段生成。如果你使用 Ultralytics YOLO 训练，相关图像会保存于 runs/train/exp*/ 的 plots/ 目录。若仅有 best.pt 模型，可通过 val 命令在有数据集配置的前提下生成。

3.1 数据集信息

Train集: 4041 张图片
Val集: 1144 张图片
Test集: 570 张图片

总类别数: 【1】,各类别图片数量和标注框数量为：
human： 图片数量【4923】，标注框数量【7424】

验证集中模型性能如下：
yolo11m map50 = 0.94299

3.2 损失曲线

3.3 PR 曲线（Precision-Recall）

• 含义：在不同阈值下，查准率（Precision）与查全率（Recall）的关系曲线。曲线越靠近右上角代表综合性能越好。
  

3.4 混淆矩阵（Confusion Matrix）

• 含义：分类预测结果的可视化，行通常表示真实类别，列表示预测类别。对单类 human，关注“真正例（TP）与假负例（FN）”情况。
  

---

下载链接

点击获取全部文件内容

若您想获得博文中涉及的实现完整全部程序文件（包括数据集、训练好的模型、完整的程序文件等，如下图），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：

在文件夹下的资源显示如下图所示：