kitoweeknd/RFUAV

RFUAV – 基于RF的无人机检测与识别数据集

是什么 – 从原始射频（RF）记录中检测和分类无人飞行器（UAV）的研究级基准。仓库包含数据集（35+种无人机类型，多个SNR水平）、原始IQ记录，以及完整的Python/MATLAB处理与训练流水线。

为何重要 – 大多数UAV视觉数据集使用图像；RFUAV专注于较少探索的RF领域，使模型在视线受阻或光照不良时仍能工作。它还提供了在广泛SNR范围（-20 dB → +20 dB）内可复现的基准（准确率、mAP、F1）。

---

快速开始

步骤	命令	功能
安装依赖	pip install -r requirements.txt	获取训练/评估所需的PyTorch、torchvision及其他库
运行预训练分类器	python inference.py	加载提供的模型权重并在样本IQ文件上运行推理，以视频形式显示检测/识别结果
训练简单模型	python train.py	在小规模谱图图像子集上训练ResNet-50（默认配置）

---

核心组件

模块	目的
graphic/RawDataProcessor.py	将原始二进制IQ文件转换为谱图、视频或瀑布图可视化（Python）
utils/trainer/	用于分类（CustomTrainer、Basetrainer）和检测（DetTrainer – YOLOv5）的PyTorch训练器
utils/benchmark.py	在基准上评估训练好的模型（mAP、Top-K、宏/微F1、混淆矩阵），并按SNR水平划分结果
utils/TWOStagesDetector.py	将检测模型（YOLOv5）与分类模型结合，形成两阶段流水线
MATLAB工具（check.m、rawdata_crop.m、positionFind、snrEsti、awgn1）	为偏好MATLAB的用户提供相同的IQ→谱图转换、SNR估计和噪声添加功能

---

数据集与数据处理

• 内容 – 37个原始IQ片段（35种无人机型号），使用USRP SDR在高SNR下捕获，每个片段附带生成的谱图图像。每个片段均包含XML元数据（中心频率、采样率、IF带宽、参考SNR等）。
• 下载 – 托管于Hugging Face（https://huggingface.co/datasets/kitofrank/RFUAV）。检测用小规模子集也可在Roboflow上获取。
• 数据加载器期望的文件结构

Dataset/
├── train/
│   ├── AVATA/imgs/…
│   └── MINI4/imgs/…
└── valid/
    ├── AVATA/imgs/…
    └── MINI4/imgs/…

• SNR工具 – MATLAB函数（snrEsti、awgn1）可用于估计片段当前SNR，并人工添加高斯噪声以模拟低质量条件（-20 dB 到 +20 dB，步长2 dB）。

---

典型工作流程

1. 下载 从Hugging Face获取原始IQ文件（或预计算的谱图PNG）。
2. 转换 使用Python RawDataProcessor或MATLAB check.m将IQ转换为谱图。
3. （可选）增强 使用提供的data_augmentation工具对谱图进行增强，以提高跨SNR的鲁棒性。
4. 训练 使用YAML配置文件和训练器类，训练分类器（ResNet、ViT、Swin、EfficientNet等）或检测器（YOLOv5）。
5. 评估 使用Classify_Model.benchmark()在基准上评估；脚本会自动按SNR水平划分结果。
6. 部署 对新原始IQ文件运行Classify_Model.inference()或Detection_Model.inference()；流水线将输出包含检测框和类别标签的视频。

---

适合谁使用

• RF信号研究人员 – 寻找现成的、多无人机数据集并带有真实标签的研究者。
• 机器学习工程师 – 希望在谱图或原始IQ数据上实验视觉风格模型的工程师。
• 安全与国防团队 – 构建在嘈杂条件下仍能工作的RF无人机监控系统的技术团队。

---

引用

若使用该数据集或代码，请引用以下论文：

@misc{shi2025rfuavbenchmarkdatasetunmanned,
  title={RFUAV: A Benchmark Dataset for Unmanned Aerial Vehicle Detection and Identification},
  author={Rui Shi and Xiaodong Yu and Shengming Wang and Yijia Zhang and Lu Xu and Peng Pan and Chunlai Ma},
  year={2025},
  eprint={2503.09033},
  archivePrefix={arXiv},
  primaryClass={cs.RO},
  url={https://arxiv.org/abs/2503.09033}
}