Advertisement

五类实时交通目标检测自建数据集：包含汽车、灯光、摩托车、行人和路标，共计1498张原始图像

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
这是一个专为实时交通目标检测设计的数据集，涵盖汽车、灯光、摩托车、行人及路标五大类别，总计提供1498幅高质量原始图片。 本数据集包含五类实时交通目标检测内容：汽车(car)、灯光(light)、摩托车(moto)、行人(person)与路标(signs)，总计1498张原始图片资源，其中训练集包括998张图像，验证集和测试集各250张。 该数据集支持YOLO格式、VOC格式及COCO格式。在yolov8s模型上的mAP50值为0.763，P值为0.791，并且未经任何图像预处理操作，均为原始图片，可直接使用。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 五类实时交通目标检测自建数据集：包含汽车、灯光、摩托车、行人和路标，共计1498张原始图像
    优质
    这是一个专为实时交通目标检测设计的数据集，涵盖汽车、灯光、摩托车、行人及路标五大类别，总计提供1498幅高质量原始图片。 本数据集包含五类实时交通目标检测内容：汽车(car)、灯光(light)、摩托车(moto)、行人(person)与路标(signs)，总计1498张原始图片资源，其中训练集包括998张图像，验证集和测试集各250张。 该数据集支持YOLO格式、VOC格式及COCO格式。在yolov8s模型上的mAP50值为0.763，P值为0.791，并且未经任何图像预处理操作，均为原始图片，可直接使用。
     
  • 深度学习目标检测——汽车数据集（含小汽车、行人、自行车、卡车、公交车及摩托车）
    优质
    本项目专注于深度学习在目标检测领域的应用，特别针对包含多种交通参与者（如小汽车、行人、自行车等）的复杂城市道路场景。通过训练模型识别和分类不同类型的交通工具，旨在提升自动驾驶系统的感知能力与安全性。数据集全面覆盖了从小型摩托车到大型公交车的各种车辆类型，为研究者提供了丰富的测试资源。 数据集包含不同类别的车辆和行人图像：自行车291张、小汽车1797张、人1281张、卡车494张、公交车425张以及摩托车328张。所有图片均从网络上爬取，并由人工进行标注，支持VOC、COCO及YOLO三种格式的数据标注样式。如果涉及侵权，请联系作者删除相关数据。
     
  • 摩托车检测数据集 - 目标检测系列 - DataBall
    优质
    摩托车检测数据集是DataBall推出的目标检测系列产品之一，专门针对不同品牌和型号的摩托车进行精确识别与分类，助力自动驾驶技术的研发。 数据集-目标检测系列-摩托车检测数据集 motorcycle - DataBall 数据量：110个样本 解析脚本地址提供了解析脚本的相关信息。 运行方式： 设置脚本数据路径 path_data 运行脚本：python demo.py
     
  • 行人、自行车、汽车、红绿灯、行人红绿灯、斑马线和盲道等交通元素的图像数据集，包含两万多张已标注图片
    优质
    本数据集收录了超过2万张城市街道场景照片，涵盖行人、自行车、机动车等多种交通工具及红绿灯、人行横道指示灯、人行横道线和盲道等交通基础设施的详细标注信息。 我们有一个数据集包含两万多张图片，内容涉及行人、自行车、汽车、红绿灯（包括专门的行人红绿灯）、斑马线、盲道以及路面坑洞，并且这些图片都已经标注完毕。
     
  • 【目标检测数据集】包含7类车型的1880张车辆分类数据集（VOC+YOLO格式，涵盖摩托车、救护车、消防车、警车、警用摩托车、轿车及大型货车）.zip
    优质
    本数据集提供1880张图像，覆盖七种类别车辆（含轿车、货车及特种车辆），适用于目标检测任务。以VOC和YOLO格式呈现，便于模型训练与验证。 数据集采用Pascal VOC格式与YOLO格式进行标注（不含分割路径的txt文件），仅包含jpg图片及对应的VOC格式xml文件和yolo格式txt文件。 图片总数：1883张 标注数量： - xml文件数：1883个 - txt文件数：1883个 标注类别共有7种，分别为“摩托车”、“救护车”、“大车”、“轿车”、“消防车”、“警车”和“警用摩托车”。 各类别框的数量如下： - 摩托车：877个 - 救护车：304个 - 大车：355个 - 轿车：303个 - 消防车：325个 - 警车：300个 - 警用摩托车：293个 总框数为2757。 标注工具使用的是labelImg。
     
  • Yolo算法用车辆数据集-含2129张标注图片-涵盖卡车、小汽车和摩托车及公交车.zip
    优质
    本资源提供了一个包含2129张注释图像的数据集，专为YOLO算法训练设计。该数据集涵盖了多种常见车辆类型，包括卡车、小汽车、摩托车及公交车，有助于提高模型在复杂交通环境下的识别精度和速度。 Yolo系列算法的目标检测数据集包含标签文件，可以直接用于训练模型及验证测试。该数据集已经划分好，并附有data.yaml配置文件，适用于yolov5、yolov8、yolov9、yolov7、yolov10和yolo11等算法。 此数据集中有两种格式的标签：Yolo格式（txt文件）与VOC格式（xml文件），分别存储在不同的文件夹中。Yolo格式的具体内容为： ，其中： - `` 表示目标类别的索引值，从0开始计数。 - `` 和 `` 分别是目标框中心点的X和Y坐标，这些坐标是以图像宽度和高度为基准的比例值，在0到1之间变化。 - `` 和 `` 表示目标框的实际宽度与高度，同样以比例形式给出。
     
  • 目标检测与交通标志检测：包含614张图像及标签的多类别数据集
    优质
    本数据集专注于目标检测与交通标志识别，含614幅标记图片和多元类目标签，旨在促进相关算法的研究与发展。 1. 提供了一个交通标志数据集，适合初学者使用。 2. 该数据集中包含了多种类型的交通标志，并以PASCAL VOC格式进行标注，适用于简单的目标检测任务。 3. 这个数据库专为交通标志的目标检测设计。 4. 对于一般的目标检测而言，建议至少拥有数千乃至上万个样本的数据集，因为相较于较小规模的数据集，这样的数据量通常能获得更好的效果。 5. 目前上传了包含614张图片及其对应标签的完整数据集。 6. 数据集可以根据需要进行扩充。如果您希望定制或获取经过增强处理后的更大规模数据集，请直接联系我。 7. 可以通过多种方法来扩展和加强数据，例如使用模糊、亮度调整、裁剪、旋转、平移及镜像等变换技术，或者采用基于深度学习的SRGAN技术进行图像增强。此外还提供了一套经过扩充处理后的2163张图片的数据集。
     
  • YOLOv5摩托车、汽车和公交车检测模型+预训练权重+数据集
    优质
    本项目提供了一个基于YOLOv5的深度学习模型，专门用于检测摩托车、汽车及公交车。包含预训练权重与相关数据集，便于快速部署和二次开发。 使用YOLOv5进行摩托车与汽车检测的项目包括训练好的摩托车检测模型权重、PR曲线、loss曲线等内容，并且在特定数据集上达到了90%以上的mAP值。该数据集中包含car（汽车）、bus（公交车）和motorbike（摩托车）这三类目标，标签格式为txt和xml两种文件类型，分别保存于不同的文件夹中。 该项目采用PyTorch框架编写并使用Python代码实现。
     
  • 机动车、自行车、摩托车和巴士的数据集及XML标注压缩包
    优质
    本数据集包含各类交通工具图像及其XML格式标注文件，涉及机动车、自行车、摩托车和巴士，适用于计算机视觉研究与应用。 该数据集包含超过3000张图片，主要来源于自行拍摄及整理的VOC2012标准格式的数据。这些图像涵盖了国内外各种机动车、自行车、摩托车和巴士，并且包括了晴天、阴天、雨天以及低能见度天气等多种复杂场景。所有图片均已标注完成。 该数据集非常适合用于深度学习模型训练，特别是适用于YOLOv5算法的训练任务，在嵌入式比赛中也有很好的应用前景。使用预训练模型YOLOv5s.pt进行300轮迭代后可以达到较好的检测效果。 分类包括：bus（巴士）、car（机动车）、motorbike（摩托车）和bicycle（自行车）。
     
  • 目标检测数据集（YOLOV5目录格式）：针对雾天的行人和车辆五类目标检测数据集
    优质
    该数据集专为雾天环境设计，包含行人与车辆五大类别，采用YOLOv5标准目录结构，适用于提升目标检测模型在恶劣天气条件下的性能。 项目包含雾天下的行人与车辆目标检测数据集（5类别），按照YOLOV5文件夹结构保存，可直接用于目标检测任务。 图像分辨率为400-1000的RGB图片，其中包含了雾天马路上常见的车辆和人群。 【数据集介绍】该数据集中包含五种类别的对象：人、轿车、公交车、自行车及摩托车。 【数据总大小】共约130MB 训练集包括datasets-images-train文件夹内的4320张图像及其对应的标签txt文件，验证集则为datasets-images-val文件夹中的100张图片和相应的标签。 为了便于查看数据内容，提供了一个可视化py脚本。只需随机传入一张图片即可绘制边界框，并将结果保存在当前目录下。该脚本无需修改便可直接运行。