pnt2110/anti_done

anti_drone — phát hiện và tracking drone (YOLO)

Toàn bộ dự án anti_drone: mã nguồn, mô hình đã huấn luyện, dữ liệu huấn luyện và các bộ dữ liệu nguồn. Hệ thống phát hiện drone một lớp bằng YOLO, gán ID theo dõi cho từng drone, kèm bảng điều khiển web (FastAPI) để phân tích video và camera.

Phạm vi: chỉ nhận diện, tracking và cảnh báo phần mềm. Dự án không điều khiển cơ cấu chấp hành hay vũ khí.

Mã nguồn cũng có trên GitHub: https://github.com/PNT2110/anti_drone

Nội dung repository

Đường dẫn	Nội dung
web/	Bảng điều khiển web: app.py (REST, MJPEG, WebSocket), backend/ (detector, tracker, quản lý model), giao diện, test
web/models/	6 checkpoint PyTorch dùng cho web, cùng bản ONNX/TFLite của model được chọn
models/	Các bản export ONNX/NCNN cho Raspberry Pi
scripts/	Train ma trận model, hậu xử lý, đánh giá tracker, công cụ tải lên
configs/	Cấu hình dataset, model, tracker, training
artifacts/	Bundle triển khai, kết quả train (results.csv, args.yaml), video và khung hình kiểm thử
docs/	Mô tả, kế hoạch và báo cáo
dataset_archives/data_train/	Bộ dữ liệu huấn luyện đã gộp, đóng gói theo tập
dataset_archives/import_data_rar/	Các file nén dữ liệu nguồn

Mô hình

Sáu mô hình một lớp (drone), huấn luyện 30 epoch từ trọng số pretrain, batch 8, ở hai kích thước ảnh. Chỉ số dưới đây đo trên tập test của data_train:

Mô hình	Ảnh	mAP50	mAP50-95	Precision	Recall
YOLOv8n	480	0,927	0,601	0,932	0,890
YOLOv8n	640	0,930	0,608	0,934	0,893
YOLO11n	480	0,926	0,605	0,932	0,892
YOLO11n	640	0,934	0,612	0,938	0,901
YOLO26n	480	0,930	0,606	0,935	0,892
YOLO26n	640	0,933	0,615	0,937	0,901

YOLO26n-640 có mAP50-95 cao nhất trên tập validation (0,709) và là bản được export sang ONNX/NCNN/TFLite. Web mặc định dùng drone-yolov8n-fresh-480.pt.

from ultralytics import YOLO

model = YOLO("web/models/drone-yolov8n-fresh-480.pt")
results = model.predict("frame.jpg", imgsz=960, conf=0.25)

Dữ liệu

dataset_archives/data_train/

Bộ huấn luyện định dạng YOLO, một lớp drone. Mỗi tập là một file .tar chứa cả images/<tập>/ và labels/<tập>/.

File	Số ảnh	Dung lượng
train.tar	63.028	11,6 GB
val.tar	25.781	3,9 GB
test.tar	21.660	1,9 GB

Kèm theo: data.yaml, manifest.json (danh sách từng ảnh và nguồn gốc), import_archives_manifest.json, license_ledger.json.

Giải nén cả ba file vào cùng một thư mục, đặt data.yaml vào đó rồi train:

mkdir data_train && cd data_train
for f in train val test; do tar xf ../dataset_archives/data_train/$f.tar; done
cp ../dataset_archives/data_train/data.yaml .

dataset_archives/import_data_rar/

Các file nén nguồn, giữ nguyên như lúc nhập: Anti-UAV300.tar, DUT-Anti-UAV.tar, UAV-CB.tar, Halmstad-Drone.tar, Drone-vs-Bird.tar, my_dataset.tar.xz, extracted_20260930.tar.gz, legacy_local_20260930.tar.gz.

Giấy phép và nguồn dữ liệu

Repository gộp nhiều nguồn, mỗi nguồn giữ giấy phép riêng. Theo license_ledger.json, bộ data_train gồm:

Nguồn	Giấy phép
YOLOv5 Drone Detection Using Multimodal Data Registered by the Vicon System (Zenodo 14878618)	CC BY-NC 4.0 — phải ghi nguồn, không dùng thương mại
Seraphim Drone Detection Dataset (lgrzybowski/seraphim-drone-detection-dataset)	CC BY 4.0 — phải ghi nguồn
Dữ liệu và video trong nhà do tác giả tự thu	Do tác giả cung cấp; nhãn giả của video trong nhà chưa được rà soát thủ công

Vì có thành phần CC BY-NC 4.0, bộ data_train và các mô hình huấn luyện từ nó nên được coi là không dùng cho mục đích thương mại.

Các file nén trong import_data_rar/ (Anti-UAV300, DUT-Anti-UAV, UAV-CB, Halmstad-Drone, Drone-vs-Bird) là bộ dữ liệu của bên thứ ba, được phân phối lại ở đây kèm dự án. Chúng thuộc về tác giả gốc và chịu điều khoản của tác giả gốc; hãy kiểm tra và trích dẫn nguồn gốc trước khi sử dụng. Nếu bạn là chủ sở hữu và muốn gỡ dữ liệu, hãy mở một thảo luận trong tab Community.

Chạy bảng điều khiển web

pip install -r web/requirements.txt
cd web
python app.py

Mở http://127.0.0.1:8000. Các biến môi trường ANTI_DRONE_* (thiết bị, ngưỡng, tham số tracker) được mô tả trong README.md của mã nguồn trên GitHub.

Hạn chế đã biết

• Tracker phân biệt các drone bằng chuyển động và một đặc trưng màu đơn giản. Khi một drone mất dấu lâu hoặc đổi góc nhìn mạnh, nó có thể được cấp ID mới.
• Với vật thể rất nhỏ, detector có thể hụt drone ở một số khung hình; chạy ở imgsz=960 cho kết quả tốt hơn 480/640.
• Kết quả đánh giá tracker mới dựa trên hai video kiểm thử, chưa có nhãn ID chuẩn.