?

?非機(jī)動(dòng)車(chē)檢測(cè)數(shù)據(jù)集 4類 5500張 電動(dòng)三輪自行車(chē) voc yolo

非機(jī)動(dòng)車(chē)檢測(cè)數(shù)據(jù)集介紹

數(shù)據(jù)集名稱

非機(jī)動(dòng)車(chē)檢測(cè)數(shù)據(jù)集 (Non-Motorized Vehicle Detection Dataset)

數(shù)據(jù)集概述

該數(shù)據(jù)集專為訓(xùn)練和評(píng)估基于YOLO系列目標(biāo)檢測(cè)模型（包括YOLOv5、YOLOv6、YOLOv7等）而設(shè)計(jì)，旨在幫助研究人員和開(kāi)發(fā)者創(chuàng)建能夠高效識(shí)別圖像中的非機(jī)動(dòng)車(chē)的系統(tǒng)。通過(guò)使用這個(gè)數(shù)據(jù)集，可以開(kāi)發(fā)出適用于交通監(jiān)控、智能城市等多種應(yīng)用場(chǎng)景的技術(shù)解決方案。

數(shù)據(jù)集規(guī)格

• 總圖像數(shù)量：5,500張
  • 訓(xùn)練集：具體劃分比例未提供，通常建議按照70%（訓(xùn)練）、20%（驗(yàn)證）、10%（測(cè)試）的比例來(lái)分配。
• 標(biāo)注格式：
  • VOC格式：每個(gè)圖像對(duì)應(yīng)一個(gè)XML文件，包含邊界框坐標(biāo)及類別信息。
  • YOLO格式：每個(gè)圖像對(duì)應(yīng)一個(gè)TXT文件，包含邊界框坐標(biāo)及類別ID。
• 分辨率：圖像分辨率可能有所不同，但為了保證一致性，推薦將所有圖像調(diào)整至統(tǒng)一尺寸，如640x640或1280x1280像素。
• 類別：涵蓋四種常見(jiàn)的非機(jī)動(dòng)車(chē)類型，包括自行車(chē) (bicycle)、電動(dòng)車(chē)輛 (electricVehicle)、摩托車(chē) (motorcycle) 和三輪車(chē) (tricycle)。

數(shù)據(jù)集結(jié)構(gòu)

non_motorized_vehicle_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── data.yaml

• images/?目錄下存放的是原始圖像文件。
• labels/?目錄存放與圖像對(duì)應(yīng)的標(biāo)注文件，每個(gè)圖像文件都有一個(gè)同名的.txt文件存儲(chǔ)其YOLO格式的標(biāo)注信息，以及一個(gè)同名的.xml文件存儲(chǔ)其VOC格式的標(biāo)注信息。
• data.yaml?文件包含了關(guān)于數(shù)據(jù)集的基本信息，如路徑指向、類別數(shù)目及其名稱等關(guān)鍵參數(shù)。

數(shù)據(jù)集配置文件 (data.yaml)

# 訓(xùn)練集圖像路徑
train: path_to_your_train_images
# 驗(yàn)證集圖像路徑
val: path_to_your_val_images
# 測(cè)試集圖像路徑（如果有的話）
test: path_to_your_test_images# 類別數(shù)量
nc: 4
# 類別名稱
names: ['bicycle', 'electricVehicle', 'motorcycle', 'tricycle']

標(biāo)注統(tǒng)計(jì)

• 自行車(chē) (bicycle)：2,397張圖像，共3,443個(gè)實(shí)例
• 電動(dòng)車(chē)輛 (electricVehicle)：2,217張圖像，共2,747個(gè)實(shí)例
• 摩托車(chē) (motorcycle)：654張圖像，共666個(gè)實(shí)例
• 三輪車(chē) (tricycle)：385張圖像，共512個(gè)實(shí)例
• 總計(jì) (total)：5,572張圖像，共7,368個(gè)實(shí)例

標(biāo)注示例

YOLO格式

對(duì)于一張圖片中包含一個(gè)“自行車(chē)”情況，相應(yīng)的.txt文件內(nèi)容可能是：

0 0.5678 0.3456 0.1234 0.2345

這里0代表“自行車(chē)”這一類別的ID，后續(xù)四個(gè)數(shù)字依次表示物體在圖像中的相對(duì)位置（中心點(diǎn)x, 中心點(diǎn)y, 寬度w, 高度h），所有值均歸一化到[0, 1]范圍內(nèi)。

VOC格式

對(duì)于同一張圖片，相應(yīng)的.xml文件內(nèi)容可能是：

<annotation><folder>images</folder><filename>000001.jpg</filename><size><width>640</width><height>640</height><depth>3</depth></size><object><name>bicycle</name><bndbox><xmin>180</xmin><ymin>200</ymin><xmax>300</xmax><ymax>400</ymax></bndbox></object>
</annotation>

這里<name>標(biāo)簽指定了類別名稱（bicycle），<bndbox>標(biāo)簽定義了邊界框的坐標(biāo)。

使用說(shuō)明

1. 準(zhǔn)備環(huán)境：

   • 確保安裝了必要的軟件庫(kù)以支持所選版本的YOLO模型。例如，對(duì)于YOLOv5，可以使用以下命令安裝依賴庫(kù)：

     pip install -r requirements.txt

2. 數(shù)據(jù)預(yù)處理：

   • 將圖像和標(biāo)注文件分別放在images/和labels/目錄下。
   • 修改data.yaml文件中的路徑以匹配你的數(shù)據(jù)集位置。
   • 如果需要，可以使用腳本將VOC格式的標(biāo)注文件轉(zhuǎn)換為YOLO格式，或者反之。

3. 修改配置文件：

   • 更新data.yaml以反映正確的數(shù)據(jù)路徑。
   • 如果使用YOLOv5或其他特定版本的YOLO，還需要更新相應(yīng)的模型配置文件（如models/yolov5s.yaml）。

4. 開(kāi)始訓(xùn)練：

   • 使用提供的訓(xùn)練腳本啟動(dòng)模型訓(xùn)練過(guò)程。例如，對(duì)于YOLOv5，可以使用以下命令進(jìn)行訓(xùn)練：

     python train.py --img 640 --batch 16 --epochs 100 --data data.yaml --weights yolov5s.pt

5. 性能評(píng)估：

   • 訓(xùn)練完成后，使用驗(yàn)證集或測(cè)試集對(duì)模型進(jìn)行評(píng)估，檢查mAP等指標(biāo)是否達(dá)到預(yù)期水平。例如，對(duì)于YOLOv5，可以使用以下命令進(jìn)行評(píng)估：

     python val.py --data data.yaml --weights runs/train/exp/weights/best.pt --img 640

6. 部署應(yīng)用：

   • 將訓(xùn)練好的模型應(yīng)用于實(shí)際場(chǎng)景中，實(shí)現(xiàn)非機(jī)動(dòng)車(chē)自動(dòng)檢測(cè)功能。例如，可以使用以下命令進(jìn)行推理：

     python detect.py --source path_to_your_test_images --weights runs/train/exp/weights/best.pt --conf 0.4

注意事項(xiàng)

• 數(shù)據(jù)增強(qiáng)：可以通過(guò)調(diào)整數(shù)據(jù)增強(qiáng)策略來(lái)進(jìn)一步提高模型性能，例如隨機(jī)裁剪、旋轉(zhuǎn)、亮度對(duì)比度調(diào)整等。
• 超參數(shù)調(diào)整：根據(jù)實(shí)際情況調(diào)整學(xué)習(xí)率、批大小等超參數(shù)，以獲得最佳訓(xùn)練效果。
• 硬件要求：建議使用GPU進(jìn)行訓(xùn)練，以加快訓(xùn)練速度。如果沒(méi)有足夠的計(jì)算資源，可以考慮使用云服務(wù)提供商的GPU實(shí)例。
• 平衡數(shù)據(jù)：注意數(shù)據(jù)集中各類別之間的不平衡問(wèn)題，可以通過(guò)過(guò)采樣、欠采樣或使用類別權(quán)重等方式來(lái)解決。
• 復(fù)雜背景：非機(jī)動(dòng)車(chē)可能出現(xiàn)在各種復(fù)雜的背景環(huán)境中，因此在訓(xùn)練時(shí)需要注意模型對(duì)這些特性的適應(yīng)性。

通過(guò)上述步驟，你可以成功地使用YOLO系列模型進(jìn)行非機(jī)動(dòng)車(chē)檢測(cè)，并獲得高精度的檢測(cè)結(jié)果。該數(shù)據(jù)集為研究者們提供了一個(gè)良好的起點(diǎn)，用于探索如何有效地利用計(jì)算機(jī)視覺(jué)技術(shù)解決各種實(shí)際問(wèn)題，特別是在交通監(jiān)控和智能城市領(lǐng)域。