首页 > 其他分享 >【数据集】【YOLO】【目标检测】道路结冰数据集 1527 张，YOLO目标检测实战训练教程！

【数据集】【YOLO】【目标检测】道路结冰数据集 1527 张，YOLO目标检测实战训练教程！

时间：2024-11-04 11:17:51浏览次数：5  
标签：数据 检测 self YOLO train 1527 data

数据集介绍

【数据集】道路结冰数据集 1527 张，目标检测，包含YOLO/VOC格式标注。数据集中包含2种分类：“clear_road, ice_road”。数据集来自国内外图片网站和视频截图，部分数据经过数据增强处理。检测范围监控视角检测、无人机视角检测、道路结冰、道路湿滑等，可用于智慧园区、智慧城市、智慧交通。

一、数据概述

道路结冰检测的重要性

冰雪覆盖的路面容易导致车辆失控、打滑、刹车距离增加等问题，从而引发交通事故。为了保障公众的生命财产安全，交通管理部门需要实时了解道路状况，以便及时采取措施，如限速、封闭道路或提供防滑设备等，来提高道路的交通安全性。因此，开发高效、准确的道路结冰检测算法对于提高交通安全具有重要意义。

实际应用效果：

  • 基于YOLO的道路结冰检测系统可以广泛应用于高速公路、城市道路、山区道路等场景，为交通管理部门提供及时、准确的预警信息。

  • 该系统还可以与其他智能交通系统相结合，如智能导航系统、交通监控系统等，共同构建更加安全、高效的智能交通体系。

该数据集含有1527张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试监控视角检测、无人机视角检测、道路结冰检测、道路湿滑检测。图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

二、数据集文件结构

road_ice/

——Annotations/

——images/

——labels/

——data.yaml

Annotations文件夹为Pascal VOC格式的XML文件 ，images文件夹为jpg格式的数据样本，labels文件夹是YOLO格式的TXT文件，data.yaml是数据集配置文件，包含道路结冰检测的目标分类和加载路径。

三、数据集适用范围 

  • 目标检测场景
  • yolo训练模型或其他模型
  • 智慧城市、智慧园区、智慧交通
  • 监控视角检测、无人机视角检测、道路结冰、道路湿滑

四、数据集标注结果 

​​​​

​

1、数据集内容 

  1. 多角度场景：包含行人视角、俯视视角；
  2. 通过光照变化、阴影干扰、遮挡物进行了数据增强；
  3. 标注内容：names: ['clear-road', 'ice-road']，总计2个分类。
  4. 图片总量：1527张图片数据；
  5. 标注类型：含有Pascal VOC XML格式和yolo TXT格式；

五、训练过程

1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

​​

在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

——Annotations/   //存放xml文件

——images/          //存放jpg图像

——imageSets/

——labels/

2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

3、数据集格式化处理

这段代码是用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

  • 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

  • 它打开XML文件，解析树结构，提取图像的宽度和高度。

  • 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

  • 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

  • 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['clear_road', 'ice_road'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text),
             float(xmlbox.find('xmax').text),
             float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

4、修改数据集配置文件

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 1
names: ['clear_road', 'ice_road']

5、执行命令

执行train.py

model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

六、获取数据集 

主页私聊~

基于QT的目标检测可视化界面

一、环境配置

# 安装torch环境
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装PySide6依赖项
pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装opencv-python依赖项
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

二、使用说明

​​​

界面功能介绍：

  • 原视频/图片区：上半部分左边区域为原视频/图片展示区；
  • 检测区：上半部分右边区域为检测结果输出展示区；
  • 文本框：打印输出操作日志；
  • 加载模型：下拉框绑定本地文件路径，按钮加载路径下的模型文件；
  • 置信度阈值：自定义检测区的置信度阈值；
  • 文件上传：选择目标文件；
  • 开始检测：执行检测程序；
  • 停止：终止检测程序；

 三、预测效果展示

1、图片检测

​​​

切换置信度再次执行：

​​​

2、视频检测 

​​​

四、前端代码 

class MyWindow(QtWidgets.QMainWindow):
    def __init__(self):
        super().__init__()

        self.init_gui()
        self.model = None
        self.timer = QtCore.QTimer()
        self.timer1 = QtCore.QTimer()
        self.cap = None
        self.video = None
        self.file_path = None
        self.base_name = None
        self.timer1.timeout.connect(self.video_show)

    def init_gui(self):
        self.folder_path = "model_file"  # 自定义修改：设置文件夹路径
        self.setFixedSize(1300, 650)
        self.setWindowTitle('目标检测')  # 自定义修改：设置窗口名称
        self.setWindowIcon(QIcon("111.jpg"))  # 自定义修改：设置窗口图标
        central_widget = QtWidgets.QWidget(self)
        self.setCentralWidget(central_widget)
        main_layout = QtWidgets.QVBoxLayout(central_widget)

        # 界面上半部分： 视频框
        topLayout = QtWidgets.QHBoxLayout()
        self.oriVideoLabel = QtWidgets.QLabel(self)
        self.detectlabel = QtWidgets.QLabel(self)
        self.oriVideoLabel.setFixedSize(530, 400)
        self.detectlabel.setFixedSize(530, 400)
        self.oriVideoLabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top:75px;')
        self.detectlabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;')
        # 960 540  1920 960
        topLayout.addWidget(self.oriVideoLabel)
        topLayout.addWidget(self.detectlabel)
        main_layout.addLayout(topLayout)

五、代码获取

YOLO可视化界面

主页私聊~

注：以上均为原创内容，转载请私聊！！！

标签：数据,检测,self,YOLO,train,1527,data
From： https://blog.csdn.net/kyriehan/article/details/143478078

相关文章

  • 数字锁定检测电路在现代电子系统中扮演着至关重要的角色
    引言电荷泵锁相环(ChargePumpPhase-LockedLoop,CPPLL)作为现代电子系统中重要的时钟同步和频率合成元件，因其高稳定性、大捕获范围和易于集成的特点，被广泛应用于无线通信、频率综合器和时钟恢复电路中。在CPPLL的设计中，锁定检测电路是确保系统稳定运行的关键部分。本文将对电......
  • 【免费源码】基于YOLOv10的植物病害实时检测系统【yolo植物病害数据集+ui界面+模型】
      所有YOLOv10源码免费获取（私信留下联系方式，项目名+邮箱）唯一要求  一键四连：点赞+收藏+评论+免费订阅系统展示：免费项目包含：确保项目可以运行（图片识别、视频识别、摄像头实时识别和结果保存）。训练好的pt模型文件完整的ui界面完整代码环境配置教程训练结果分析图软件......
  • 数据集-目标检测系列- 小猪 检测数据集 pig ＞＞ DataBall
    数据集-目标检测系列-小猪检测数据集pig>>DataBall 想要进一步了解，请联系。DataBall助力快速掌握数据集的信息和使用方式，会员享有百种数据集，持续增加中。 数据样例项目地址：样品数据量：*相关项目1）数据集可视化项目：gitcode:https://gitcode.com/DataBall/Dat......
  • ＜项目代码＞YOLOv8 混凝土缺陷检测＜目标检测＞
      YOLOv8是一种单阶段（one-stage）检测算法，它将目标检测问题转化为一个回归问题，能够在一次前向传播过程中同时完成目标的分类和定位任务。相较于两阶段检测算法（如FasterR-CNN），YOLOv8具有更高的检测速度和实时性。1.数据集介绍数据集详情可以参考博主写的文章＜数据集＞混凝土缺陷......
  • YOLO11： 从0开始搭建环境进行模型训练
    课程链接：YOLO11：从0开始搭建环境进行模型训练_哔哩哔哩_bilibili《YOLO11：从0开始搭建环境进行模型训练》课程致力于帮助学生实战YOLO11目标检测算法。常心老师将手把手带领大家从0开始搭建YOLO11环境，带领大家排坑、避坑、填坑。本课程将进行数据集打标、格式转化、模型训练、......
  • ＜项目代码＞YOLOv8 铁轨缺陷检测＜目标检测＞
     YOLOv8是一种单阶段（one-stage）检测算法，它将目标检测问题转化为一个回归问题，能够在一次前向传播过程中同时完成目标的分类和定位任务。相较于两阶段检测算法（如FasterR-CNN），YOLOv8具有更高的检测速度和实时性。1.数据集介绍数据集详情可以参考博主写的文章＜数据集＞铁轨缺陷检测......
  • yolov8识别图片并获取识别信息 - 幽络源
    背景有个项目要求：使用yolov8训练出的模型将图片进行识别后，需要返回识别后的信息，信息中包括耗时(毫秒)、类别、类别对应的方框坐标，本篇教程便是完成此功能。前提有自己的yolov8环境且有训练好的模型直接上源码注意：这里提供了两个函数，一个是只返回信息不返回识别后的图片，一......
  • CSGO人物yolo数据集 3200张+ 含300轮训练结果
    介绍本次分享的是一个专为CSGO（反恐精英：全球攻势）设计的YOLO数据集，包含3200张已标注好的人物图像。为了帮助研究者和开发者更好地利用这一数据集，站长已经进行了300轮的训练，确保模型性能的可靠性。您可以选择自己进行训练，或者直接使用我们训练好的模型，快速开展目标检测任务。训......
  • Springboot计算机毕业设计核酸检测预约系统uj1di
    Springboot计算机毕业设计核酸检测预约系统uj1di本系统（程序+源码+数据库+调试部署+开发环境）带论文文档1万字以上，文末可获取，系统界面在最后面。系统程序文件列表项目功能：用户,医院信息,检测机构,医生,核检预约,核检报告,取消预约,疫情数据,疫情资讯,关于我们,值班医生开......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99