基于yolov11的机场跑道异物检测系统python源码+pytorch模型+训练数据集+精美GUI界面

【算法介绍】

在航空运输安全保障要求持续升级、对机场运行精细化管控需求愈发迫切的背景下，传统机场跑道异物检测方式已难以应对复杂多变的跑道环境。基于YOLOv11的机场跑道异物检测系统应运而生，为航空领域带来了高效、精准的异物排查解决方案。

该系统具备强大的多类型异物识别能力，可精准识别金属碎片（metal debris）、小石子（small stones）、塑料杂物（plastic debris）、钉子（Nailtrack）、电线（Wiretrack）以及工具零件（tool parts）等多种常见跑道异物。YOLOv11作为核心算法，凭借其创新的架构设计，在检测速度和精度上实现了质的飞跃。它采用优化的特征融合网络，能够迅速捕捉跑道图像中异物的细微特征，无论是异物的形状、大小还是材质特性，都能被精准识别和解析。

在实际应用中，系统展现出非凡的性能。对于微小或隐蔽的异物，如细小的金属碎片和布料碎片，其高分辨率检测能力可确保不放过任何潜在威胁；面对复杂多变的跑道场景，如强光照射、阴影覆盖或雨雪天气，系统通过智能光照补偿和抗噪滤波机制，有效降低误检和漏检率。

此外，该系统支持高速实时处理，能够快速分析跑道监控摄像头采集的视频流，即时输出异物类型、位置和尺寸信息。这不仅为机场跑道安全评估、异物清理调度提供了有力支撑，还能助力机场运行管理部门实现风险预警和应急响应。

基于YOLOv11的机场跑道异物检测系统，以其高效、精准、实时的特性，成为航空安全领域不可或缺的技术利器，为保障航班起降安全、提升机场运行效率发挥着关键作用。

【效果展示】

【训练数据集介绍】

数据集格式：YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的yolo格式txt文件)
图片数量(jpg文件个数)：7376
标注数量(txt文件个数)：7376
训练集数量：5163
验证集数量：1475
测试集数量：738
标注类别数：30
所在仓库：firc-dataset
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):['AdjustableClamptrack_idkeyframe','AdjustableWrenchtrack_idkeyframe','Batterytrack_idkeyframe','BoltNutSettrack_idkeyframe','BoltWashertrack_idkeyframe','Bolttrack_idkeyframe','ClampParttrack_idkeyframe','Cuttertrack_idkeyframe','FuelCaptrack_idkeyframe','Hammertrack_idkeyframe','Hosetrack_idkeyframe','Labeltrack_idkeyframe','LuggageParttrack_idkeyframe','LuggageTagtrack_idkeyframe','MetalParttrack_idkeyframe','MetalSheettrack_idkeyframe','Nailtrack_idkeyframe','Nuttrack_idkeyframe','PaintChiptrack_idkeyframe','Pentrack_idkeyframe','PlasticParttrack_idkeyframe','Plierstrack_idkeyframe','Rocktrack_idkeyframe','Screwdrivertrack_idkeyframe','Screwtrack_idkeyframe','SodaCantrack_idkeyframe','Washertrack_idkeyframe','Wiretrack_idkeyframe','Woodtrack_idkeyframe','Wrenchtrack_idkeyframe']
每个类别标注的框数：
AdjustableClamptrack_idkeyframe 框数=127
AdjustableWrenchtrack_idkeyframe 框数=109
Batterytrack_idkeyframe 框数=202
BoltNutSettrack_idkeyframe 框数=126
BoltWashertrack_idkeyframe 框数=250
Bolttrack_idkeyframe 框数=794
ClampParttrack_idkeyframe 框数=155
Cuttertrack_idkeyframe 框数=313
FuelCaptrack_idkeyframe 框数=135
Hammertrack_idkeyframe 框数=148
Hosetrack_idkeyframe 框数=74
Labeltrack_idkeyframe 框数=275
LuggageParttrack_idkeyframe 框数=138
LuggageTagtrack_idkeyframe 框数=369
MetalParttrack_idkeyframe 框数=154
MetalSheettrack_idkeyframe 框数=102
Nailtrack_idkeyframe 框数=307
Nuttrack_idkeyframe 框数=248
PaintChiptrack_idkeyframe 框数=184
Pentrack_idkeyframe 框数=91
PlasticParttrack_idkeyframe 框数=477
Plierstrack_idkeyframe 框数=662
Rocktrack_idkeyframe 框数=136
Screwdrivertrack_idkeyframe 框数=218
Screwtrack_idkeyframe 框数=35
SodaCantrack_idkeyframe 框数=169
Washertrack_idkeyframe 框数=517
Wiretrack_idkeyframe 框数=401
Woodtrack_idkeyframe 框数=45
Wrenchtrack_idkeyframe 框数=594
总框数=7555
使用标注工具：labelImg
标注规则：对类别进行画矩形框
重要说明：暂无
特别声明：本数据集不对训练的模型或者权重文件精度作任何保证

图片预览：

标注例子：

【测试环境】

windows10
anaconda3+python3.8
torch==2.3.1
ultralytics==8.3.120

【模型可以检测出类别】

AdjustableClamptrack_idkeyframe (可调夹具) 
AdjustableWrenchtrack_idkeyframe (活动扳手) 
Batterytrack_idkeyframe (电池) 
BoltNutSettrack_idkeyframe (螺栓螺母组) 
BoltWashertrack_idkeyframe (螺栓垫圈) 
Bolttrack_idkeyframe (螺栓) 
ClampParttrack_idkeyframe (夹具部件) 
Cuttertrack_idkeyframe (切割器) 
FuelCaptrack_idkeyframe (燃油盖) 
Hammertrack_idkeyframe (锤子) 
Hosetrack_idkeyframe (软管) 
Labeltrack_idkeyframe (标签) 
LuggageParttrack_idkeyframe (行李部件) 
LuggageTagtrack_idkeyframe (行李牌) 
MetalParttrack_idkeyframe (金属部件) 
MetalSheettrack_idkeyframe (金属板) 
Nailtrack_idkeyframe (钉子) 
Nuttrack_idkeyframe (螺母) 
PaintChiptrack_idkeyframe (漆片) 
Pentrack_idkeyframe (笔) 
PlasticParttrack_idkeyframe (塑料部件) 
Plierstrack_idkeyframe (钳子) 
Rocktrack_idkeyframe (石块) 
Screwdrivertrack_idkeyframe (螺丝刀) 
Screwtrack_idkeyframe (螺丝) 
SodaCantrack_idkeyframe (汽水罐) 
Washertrack_idkeyframe (垫圈) 
Wiretrack_idkeyframe (电线) 
Woodtrack_idkeyframe (木材) 
Wrenchtrack_idkeyframe (扳手)

【训练信息】

参数	值
训练集图片数	5163
验证集图片数	1475
训练map	99.3%
训练精度(Precision)	99.1%
训练召回率(Recall)	99.3%

验证集统计：

Class	Images	Instances	P	R	mAP50	mAP50-95
all	1475	1503	0.991	0.993	0.993	0.902
AdjustableClamptrack_idkeyframe	31	31	0.991	1	0.995	0.93
AdjustableWrenchtrack_idkeyframe	32	32	0.978	1	0.995	0.952
Batterytrack_idkeyframe	45	45	0.995	1	0.995	0.83
BoltNutSettrack_idkeyframe	22	22	0.99	1	0.995	0.696
BoltWashertrack_idkeyframe	49	49	0.998	1	0.995	0.818
Bolttrack_idkeyframe	163	163	1	0.996	0.995	0.828
ClampParttrack_idkeyframe	36	36	0.993	1	0.995	0.966
Cuttertrack_idkeyframe	58	58	0.996	1	0.995	0.972
FuelCaptrack_idkeyframe	23	23	0.988	1	0.995	0.935
Hammertrack_idkeyframe	29	29	0.99	1	0.995	0.973
Hosetrack_idkeyframe	15	15	0.982	1	0.995	0.98
Labeltrack_idkeyframe	44	44	0.995	1	0.995	0.931
LuggageParttrack_idkeyframe	32	32	0.994	1	0.995	0.964
LuggageTagtrack_idkeyframe	84	84	0.998	1	0.995	0.888
MetalParttrack_idkeyframe	25	25	0.99	1	0.995	0.903
MetalSheettrack_idkeyframe	17	17	0.983	1	0.995	0.995
Nailtrack_idkeyframe	50	50	1	0.982	0.995	0.676
Nuttrack_idkeyframe	51	51	1	0.949	0.995	0.817
PaintChiptrack_idkeyframe	33	33	0.996	1	0.995	0.978
Pentrack_idkeyframe	14	14	0.99	1	0.995	0.886
PlasticParttrack_idkeyframe	96	96	0.997	1	0.995	0.979
Plierstrack_idkeyframe	129	129	0.995	0.977	0.988	0.94
Rocktrack_idkeyframe	33	33	0.992	1	0.995	0.9
Screwdrivertrack_idkeyframe	41	41	0.991	1	0.995	0.985
Screwtrack_idkeyframe	10	10	0.982	1	0.995	0.847
SodaCantrack_idkeyframe	36	36	0.991	1	0.995	0.982
Washertrack_idkeyframe	93	93	0.989	0.959	0.987	0.736
Wiretrack_idkeyframe	80	80	0.995	1	0.995	0.973
Woodtrack_idkeyframe	8	8	0.967	1	0.995	0.995
Wrenchtrack_idkeyframe	124	124	0.999	0.927	0.946	0.793

【界面设计】

class Ui_MainWindow(QtWidgets.QMainWindow):signal = QtCore.pyqtSignal(str, str)def setupUi(self):self.setObjectName("MainWindow")self.resize(1280, 728)self.centralwidget = QtWidgets.QWidget(self)self.centralwidget.setObjectName("centralwidget")self.weights_dir = './weights'self.picture = QtWidgets.QLabel(self.centralwidget)self.picture.setGeometry(QtCore.QRect(260, 10, 1010, 630))self.picture.setStyleSheet("background:black")self.picture.setObjectName("picture")self.picture.setScaledContents(True)self.label_2 = QtWidgets.QLabel(self.centralwidget)self.label_2.setGeometry(QtCore.QRect(10, 10, 81, 21))self.label_2.setObjectName("label_2")self.cb_weights = QtWidgets.QComboBox(self.centralwidget)self.cb_weights.setGeometry(QtCore.QRect(10, 40, 241, 21))self.cb_weights.setObjectName("cb_weights")self.cb_weights.currentIndexChanged.connect(self.cb_weights_changed)self.label_3 = QtWidgets.QLabel(self.centralwidget)self.label_3.setGeometry(QtCore.QRect(10, 70, 72, 21))self.label_3.setObjectName("label_3")self.hs_conf = QtWidgets.QSlider(self.centralwidget)self.hs_conf.setGeometry(QtCore.QRect(10, 100, 181, 22))self.hs_conf.setProperty("value", 25)self.hs_conf.setOrientation(QtCore.Qt.Horizontal)self.hs_conf.setObjectName("hs_conf")self.hs_conf.valueChanged.connect(self.conf_change)self.dsb_conf = QtWidgets.QDoubleSpinBox(self.centralwidget)self.dsb_conf.setGeometry(QtCore.QRect(200, 100, 51, 22))self.dsb_conf.setMaximum(1.0)self.dsb_conf.setSingleStep(0.01)self.dsb_conf.setProperty("value", 0.25)self.dsb_conf.setObjectName("dsb_conf")self.dsb_conf.valueChanged.connect(self.dsb_conf_change)self.dsb_iou = QtWidgets.QDoubleSpinBox(self.centralwidget)self.dsb_iou.setGeometry(QtCore.QRect(200, 160, 51, 22))self.dsb_iou.setMaximum(1.0)self.dsb_iou.setSingleStep(0.01)self.dsb_iou.setProperty("value", 0.45)self.dsb_iou.setObjectName("dsb_iou")self.dsb_iou.valueChanged.connect(self.dsb_iou_change)self.hs_iou = QtWidgets.QSlider(self.centralwidget)self.hs_iou.setGeometry(QtCore.QRect(10, 160, 181, 22))self.hs_iou.setProperty("value", 45)self.hs_iou.setOrientation(QtCore.Qt.Horizontal)self.hs_iou.setObjectName("hs_iou")self.hs_iou.valueChanged.connect(self.iou_change)self.label_4 = QtWidgets.QLabel(self.centralwidget)self.label_4.setGeometry(QtCore.QRect(10, 130, 72, 21))self.label_4.setObjectName("label_4")self.label_5 = QtWidgets.QLabel(self.centralwidget)self.label_5.setGeometry(QtCore.QRect(10, 210, 72, 21))self.label_5.setObjectName("label_5")self.le_res = QtWidgets.QTextEdit(self.centralwidget)self.le_res.setGeometry(QtCore.QRect(10, 240, 241, 400))self.le_res.setObjectName("le_res")self.setCentralWidget(self.centralwidget)self.menubar = QtWidgets.QMenuBar(self)self.menubar.setGeometry(QtCore.QRect(0, 0, 1110, 30))self.menubar.setObjectName("menubar")self.setMenuBar(self.menubar)self.statusbar = QtWidgets.QStatusBar(self)self.statusbar.setObjectName("statusbar")self.setStatusBar(self.statusbar)self.toolBar = QtWidgets.QToolBar(self)self.toolBar.setToolButtonStyle(QtCore.Qt.ToolButtonTextBesideIcon)self.toolBar.setObjectName("toolBar")self.addToolBar(QtCore.Qt.TopToolBarArea, self.toolBar)self.actionopenpic = QtWidgets.QAction(self)icon = QtGui.QIcon()icon.addPixmap(QtGui.QPixmap(":/images/1.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)self.actionopenpic.setIcon(icon)self.actionopenpic.setObjectName("actionopenpic")self.actionopenpic.triggered.connect(self.open_image)self.action = QtWidgets.QAction(self)icon1 = QtGui.QIcon()icon1.addPixmap(QtGui.QPixmap(":/images/2.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)self.action.setIcon(icon1)self.action.setObjectName("action")self.action.triggered.connect(self.open_video)self.action_2 = QtWidgets.QAction(self)icon2 = QtGui.QIcon()icon2.addPixmap(QtGui.QPixmap(":/images/3.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)self.action_2.setIcon(icon2)self.action_2.setObjectName("action_2")self.action_2.triggered.connect(self.open_camera)self.actionexit = QtWidgets.QAction(self)icon3 = QtGui.QIcon()icon3.addPixmap(QtGui.QPixmap(":/images/4.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)self.actionexit.setIcon(icon3)self.actionexit.setObjectName("actionexit")self.actionexit.triggered.connect(self.exit)self.toolBar.addAction(self.actionopenpic)self.toolBar.addAction(self.action)self.toolBar.addAction(self.action_2)self.toolBar.addAction(self.actionexit)self.retranslateUi()QtCore.QMetaObject.connectSlotsByName(self)self.init_all()

【常用评估参数介绍】

在目标检测任务中，评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释：

Class：
这通常指的是模型被设计用来检测的目标类别。例如，一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。
Images：
表示验证集中的图片数量。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。
Instances：
在所有图片中目标对象的总数。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。
P（精确度Precision）：
精确度是模型预测为正样本的实例中，真正为正样本的比例。计算公式为：Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。
R（召回率Recall）：
召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为：Recall = TP / (TP + FN)，其中FN表示假负例（False Negatives）。
mAP50：
表示在IoU（交并比）阈值为0.5时的平均精度（mean Average Precision）。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。
mAP50-95：
表示在IoU从0.5到0.95（间隔0.05）的范围内，模型的平均精度。这是一个更严格的评估标准，要求预测框与真实框的重叠程度更高。在目标检测任务中，更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。
这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。

【使用步骤】

使用步骤：
（1）首先根据官方框架ultralytics安装教程安装好yolov11环境，并安装好pyqt5
（2）切换到自己安装的yolo11环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可

【提供文件】

python源码
yolo11n.pt模型
训练的map,P,R曲线图(在weights\results.png)
测试图片（在dataset/test/images文件夹下面）

注意提供训练的数据集，在dataset文件夹