kitoweeknd/RFUAV

RFUAV – 基於RF的無人機偵測與識別資料集

是什麼 – 一個用於從原始無線電頻率（RF）記錄中偵測與分類無人航空載具（UAV）的研究級基準。倉儲包含資料集（35+種無人機類型，多個SNR層級）、原始IQ記錄，以及完整的Python/MATLAB處理與訓練流程。

為何重要 – 多數UAV視覺資料集使用影像；RFUAV專注於較少探索的RF領域，使模型在視線受阻或照明不良時仍能運作。同時也提供廣泛SNR範圍（-20 dB → +20 dB）內可重現的基準（準確率、mAP、F1）。

---

快速上手

步驟	命令	功能
安裝相依套件	pip install -r requirements.txt	拉取訓練/評估所需的PyTorch、torchvision及其他函式庫
執行預訓練分類器	python inference.py	載入提供的模型權重並在樣本IQ檔案上執行推論，以影片形式顯示偵測/識別結果
訓練簡單模型	python train.py	在小規模的譜圖影像子集上訓練ResNet-50（預設設定）

---

核心元件

模組	目的
graphic/RawDataProcessor.py	將原始二進位IQ檔案轉換為譜圖、影片或瀑布圖視覺化（Python）
utils/trainer/	用於分類（CustomTrainer、Basetrainer）與偵測（DetTrainer – YOLOv5）的PyTorch訓練器
utils/benchmark.py	在基準上評估訓練好的模型（mAP、Top-K、宏/微F1、混淆矩陣），並依SNR層級分離結果
utils/TWOStagesDetector.py	將偵測模型（YOLOv5）與分類模型結合，形成兩階段流程
MATLAB工具（check.m、rawdata_crop.m、positionFind、snrEsti、awgn1）	為偏好MATLAB的使用者提供相同的IQ→譜圖轉換、SNR估計與雜訊添加工具

---

資料集與資料處理

• 內容 – 37個原始IQ片段（35種無人機型號），使用USRP SDR在高SNR下錄製，每個片段附帶生成的譜圖影像。每個片段均附有XML元資料（中心頻率、取樣率、IF帶寬、參考SNR等）。
• 下載 – 掛載於Hugging Face（https://huggingface.co/datasets/kitofrank/RFUAV）。偵測用小規模子集亦可在Roboflow取得。
• 資料載入器預期的檔案結構

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

• SNR工具 – MATLAB函數（snrEsti、awgn1）可估計片段當前SNR，並人工加入高斯雜訊以模擬低品質條件（-20 dB 至 +20 dB，步長2 dB）。

---

常見工作流程

1. 下載 從Hugging Face取得原始IQ檔案（或預先計算的譜圖PNG）。
2. 轉換 使用Python RawDataProcessor或MATLAB check.m將IQ轉換為譜圖。
3. （可選）增強 使用提供的data_augmentation工具對譜圖進行增強，以提升跨SNR的穩健性。
4. 訓練 使用YAML設定檔與訓練器類別，訓練分類器（ResNet、ViT、Swin、EfficientNet等）或偵測器（YOLOv5）。
5. 評估 使用Classify_Model.benchmark()在基準上評估；腳本會自動依SNR層級分割結果。
6. 部署 對新原始IQ檔案執行Classify_Model.inference()或Detection_Model.inference()；流程將輸出包含偵測框與類別標籤的影片。

---

適合誰使用

• RF信號研究者 – 尋找現成、多無人機資料集並帶有真實標籤的研究人員。
• 機器學習工程師 – 希望在譜圖或原始IQ資料上實驗視覺風格模型的工程師。
• 安全與國防團隊 – 建構在雜訊環境下仍能運作的RF無人機監控系統的團隊。

---

引用

若使用此資料集或程式碼，請引用以下論文：

@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}
}