本文介绍一个带标注的红外图像车辆与行人检测数据集该数据集包含 18,106 张图像识别率达 73.9%支持 YOLO、COCO JSON 和 VOC XML 格式。文末附有完整的模型训练代码。## 模型训练指标参数模型训练图数据集拆分总图数18106 张图数训练集15843 张图验证集1508 张图测试集755 张图预处理自动定向应用调整大小拉伸到640x640增强每个训练样本生成 3 组增强样本模糊处理最大模糊半径 2.25 像素噪声添加最多对 5% 的像素叠加噪声随机遮挡生成 2 个遮挡方块单个方块尺寸占原图 10%数据集标签[‘bus’, ‘cyclist’, ‘car’, ‘person’, ‘truck’]标签解释数据集图片和标注信息示例数据集下载本数据集提供多种格式下载所有版本均可在以下地址获取YOLO 格式支持 YOLOv7、YOLOv8、YOLOv9、YOLOv11、YOLOv12 及 YOLO26COCO JSON 格式适用于需要 COCO 标注格式的项目Pascal VOC XML 格式兼容 VOC 标注标准下载地址https://download.csdn.net/download/pbymw8iwm/92997108下载后请根据您的需求选择相应格式的文件进行使用。YOLO模型训练YOLO模型训练下载数据集后解压到当前工作目录。然后从我的仓库 YOLOProject 复制训练脚本到该目录下。例如如果您使用 YOLOv8 进行训练只需运行python train_yolov8.py即可开始训练。模糊图片在模型训练中的优势分析该数据集中包含的模糊图片并非数据缺陷而是一种精心设计的数据增强策略能为模型训练带来以下显著优势提升模型鲁棒性现实场景中图像可能因运动模糊、对焦不准或光线不足而质量下降。在训练集中引入模糊样本可以迫使模型学习更本质的特征而不是过度依赖清晰的边缘或纹理细节从而提升模型在复杂、非理想成像条件下的识别能力。模拟真实世界噪声监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前适应这种噪声减少在实际部署时因图像质量下降而导致的性能骤降。防止模型过拟合如果训练集全是高清、摆拍的完美图片模型容易记住这些特定场景下的干净特征而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段可以增加数据分布的多样性防止模型过拟合到有限的清晰样本上。总结因此数据集中包含的模糊图片与水平翻转、“剪切形变”、随机遮挡等增强操作一样都是为了构建一个更接近真实世界复杂分布的数据环境从而训练出更健壮、更泛化、更实用的模型。## 模型验证测试情况验证测试代码#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 1. 加载YOLO模型 # 自动下载预训练模型(yolov8n最轻量快速)也可换 yolov8s/m/l/xmodelYOLO(best.pt)# 2. 推理配置 image_path326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg# 你的图片路径save_resultTrue# 是否保存标注后的图# 3. 执行推理 resultsmodel.predict(sourceimage_path,conf0.01,# 置信度阈值低于该值忽略saveFalse,# 关闭默认保存自定义保存verboseFalse# 关闭冗余日志)# 4. 解析结果目标区域 标注信息 print(*50)print(YOLO 推理结果目标区域 标注信息)print(*50)# 获取图片用于绘制框imgcv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxesresult.boxes# 所有检测框forboxinboxes:# 提取目标区域坐标 # xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2box.xyxy[0].cpu().numpy()# 宽高wx2-x1 hy2-y1# 提取标注信息 cls_idint(box.cls[0])# 类别IDcls_namemodel.names[cls_id]# 类别名称conffloat(box.conf[0])# 置信度# 打印信息 print(f目标{idx1}:)print(f 标注类别{cls_name})print(f 置信度{conf:.2f})print(f 目标区域坐标)print(f 左上角 ({x1:.1f},{y1:.1f}))print(f 右下角 ({x2:.1f},{y2:.1f}))print(f 宽×高{w:.1f}×{h:.1f})print(-*30)# 在图片上绘制检测框 cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f{cls_name}{conf:.2f},(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# 5. 保存/显示结果 ifsave_result:cv2.imwrite(yolo_result.jpg,img)print(✅ 标注图片已保存为yolo_result.jpg)# 显示图片可选cv2.imshow(YOLO Result,img)#cv2.waitKey(0)#cv2.destroyAllWindows()模型推理结果{“predictions”: [{“x”: 108,“y”: 194.5,“width”: 46,“height”: 43,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “eb0eae43-32e3-44fe-b9cd-59bc32065c60”},{“x”: 166,“y”: 180,“width”: 8,“height”: 10,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “4772e0d5-1d11-4c0e-9ba4-beed183fd80d”},{“x”: 220,“y”: 182.5,“width”: 12,“height”: 17,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “9bcd2672-5c58-4718-ad00-502e03179faa”},{“x”: 207.5,“y”: 182.5,“width”: 9,“height”: 13,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “529d44c1-f03b-4ade-b698-7ca848658648”},{“x”: 332,“y”: 222,“width”: 108,“height”: 104,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “ae44c178-d4b2-4c79-b01a-b237d2ddd3bc”},{“x”: 186,“y”: 180,“width”: 8,“height”: 10,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “7ecd7ad9-08ae-45f1-b8be-912769f07e0f”},{“x”: 174.5,“y”: 178.5,“width”: 9,“height”: 9,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “8ab73ca2-0607-46b9-ae6f-8fcb0b030841”},{“x”: 156,“y”: 181,“width”: 12,“height”: 14,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “e16653c7-68b3-4c67-a791-361db4fd063f”},{“x”: 230.5,“y”: 185,“width”: 19,“height”: 24,“confidence”: 0.998,“class”: “car”,“class_id”: 1,“detection_id”: “df124f8e-da4b-48e8-8d9a-d926b6daa8c7”},{“x”: 195,“y”: 185.5,“width”: 20,“height”: 23,“confidence”: 0.998,“class”: “car”,“class_id”: 1,“detection_id”: “6bab1f6f-48f8-4787-94b4-0c363ef61dc4”},{“x”: 149,“y”: 179,“width”: 8,“height”: 10,“confidence”: 0.998,“class”: “car”,“class_id”: 1,“detection_id”: “cab38ae1-9731-47bc-b5a3-9b9d2ed8fa7f”},{“x”: 129,“y”: 187,“width”: 12,“height”: 22,“confidence”: 0.996,“class”: “car”,“class_id”: 1,“detection_id”: “04366147-a4be-4389-ba91-0ff595f9ffb0”},{“x”: 212,“y”: 179,“width”: 8,“height”: 12,“confidence”: 0.995,“class”: “car”,“class_id”: 1,“detection_id”: “5e84f0c7-28d3-45dc-afa0-bb6fd6c52fed”},{“x”: 36,“y”: 184,“width”: 4,“height”: 10,“confidence”: 0.919,“class”: “person”,“class_id”: 3,“detection_id”: “fcc596a8-3c41-4b05-baca-c5c6c5069668”},{“x”: 13,“y”: 232,“width”: 24,“height”: 138,“confidence”: 0.641,“class”: “car”,“class_id”: 1,“detection_id”: “6c3825ef-9430-4aa2-9b0f-25a770ba9b83”},{“x”: 13,“y”: 193,“width”: 8,“height”: 26,“confidence”: 0.625,“class”: “cyclist”,“class_id”: 2,“detection_id”: “4cfd242e-f524-48c0-b8a7-84639b827357”}]}
本文介绍一个带标注的红外图像车辆与行人检测数据集该数据集包含 18,106 张图像识别率达 73.9%支持 YOLO、COCO JSON 和 VOC XML 格式。文末附有完整的模型训练代码。## 模型训练指标参数模型训练图数据集拆分总图数18106 张图数训练集15843 张图验证集1508 张图测试集755 张图预处理自动定向应用调整大小拉伸到640x640增强每个训练样本生成 3 组增强样本模糊处理最大模糊半径 2.25 像素噪声添加最多对 5% 的像素叠加噪声随机遮挡生成 2 个遮挡方块单个方块尺寸占原图 10%数据集标签[‘bus’, ‘cyclist’, ‘car’, ‘person’, ‘truck’]标签解释数据集图片和标注信息示例数据集下载本数据集提供多种格式下载所有版本均可在以下地址获取YOLO 格式支持 YOLOv7、YOLOv8、YOLOv9、YOLOv11、YOLOv12 及 YOLO26COCO JSON 格式适用于需要 COCO 标注格式的项目Pascal VOC XML 格式兼容 VOC 标注标准下载地址https://download.csdn.net/download/pbymw8iwm/92997108下载后请根据您的需求选择相应格式的文件进行使用。YOLO模型训练YOLO模型训练下载数据集后解压到当前工作目录。然后从我的仓库 YOLOProject 复制训练脚本到该目录下。例如如果您使用 YOLOv8 进行训练只需运行python train_yolov8.py即可开始训练。模糊图片在模型训练中的优势分析该数据集中包含的模糊图片并非数据缺陷而是一种精心设计的数据增强策略能为模型训练带来以下显著优势提升模型鲁棒性现实场景中图像可能因运动模糊、对焦不准或光线不足而质量下降。在训练集中引入模糊样本可以迫使模型学习更本质的特征而不是过度依赖清晰的边缘或纹理细节从而提升模型在复杂、非理想成像条件下的识别能力。模拟真实世界噪声监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前适应这种噪声减少在实际部署时因图像质量下降而导致的性能骤降。防止模型过拟合如果训练集全是高清、摆拍的完美图片模型容易记住这些特定场景下的干净特征而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段可以增加数据分布的多样性防止模型过拟合到有限的清晰样本上。总结因此数据集中包含的模糊图片与水平翻转、“剪切形变”、随机遮挡等增强操作一样都是为了构建一个更接近真实世界复杂分布的数据环境从而训练出更健壮、更泛化、更实用的模型。## 模型验证测试情况验证测试代码#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 1. 加载YOLO模型 # 自动下载预训练模型(yolov8n最轻量快速)也可换 yolov8s/m/l/xmodelYOLO(best.pt)# 2. 推理配置 image_path326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg# 你的图片路径save_resultTrue# 是否保存标注后的图# 3. 执行推理 resultsmodel.predict(sourceimage_path,conf0.01,# 置信度阈值低于该值忽略saveFalse,# 关闭默认保存自定义保存verboseFalse# 关闭冗余日志)# 4. 解析结果目标区域 标注信息 print(*50)print(YOLO 推理结果目标区域 标注信息)print(*50)# 获取图片用于绘制框imgcv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxesresult.boxes# 所有检测框forboxinboxes:# 提取目标区域坐标 # xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2box.xyxy[0].cpu().numpy()# 宽高wx2-x1 hy2-y1# 提取标注信息 cls_idint(box.cls[0])# 类别IDcls_namemodel.names[cls_id]# 类别名称conffloat(box.conf[0])# 置信度# 打印信息 print(f目标{idx1}:)print(f 标注类别{cls_name})print(f 置信度{conf:.2f})print(f 目标区域坐标)print(f 左上角 ({x1:.1f},{y1:.1f}))print(f 右下角 ({x2:.1f},{y2:.1f}))print(f 宽×高{w:.1f}×{h:.1f})print(-*30)# 在图片上绘制检测框 cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f{cls_name}{conf:.2f},(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# 5. 保存/显示结果 ifsave_result:cv2.imwrite(yolo_result.jpg,img)print(✅ 标注图片已保存为yolo_result.jpg)# 显示图片可选cv2.imshow(YOLO Result,img)#cv2.waitKey(0)#cv2.destroyAllWindows()模型推理结果{“predictions”: [{“x”: 108,“y”: 194.5,“width”: 46,“height”: 43,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “eb0eae43-32e3-44fe-b9cd-59bc32065c60”},{“x”: 166,“y”: 180,“width”: 8,“height”: 10,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “4772e0d5-1d11-4c0e-9ba4-beed183fd80d”},{“x”: 220,“y”: 182.5,“width”: 12,“height”: 17,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “9bcd2672-5c58-4718-ad00-502e03179faa”},{“x”: 207.5,“y”: 182.5,“width”: 9,“height”: 13,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “529d44c1-f03b-4ade-b698-7ca848658648”},{“x”: 332,“y”: 222,“width”: 108,“height”: 104,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “ae44c178-d4b2-4c79-b01a-b237d2ddd3bc”},{“x”: 186,“y”: 180,“width”: 8,“height”: 10,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “7ecd7ad9-08ae-45f1-b8be-912769f07e0f”},{“x”: 174.5,“y”: 178.5,“width”: 9,“height”: 9,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “8ab73ca2-0607-46b9-ae6f-8fcb0b030841”},{“x”: 156,“y”: 181,“width”: 12,“height”: 14,“confidence”: 0.999,“class”: “car”,“class_id”: 1,“detection_id”: “e16653c7-68b3-4c67-a791-361db4fd063f”},{“x”: 230.5,“y”: 185,“width”: 19,“height”: 24,“confidence”: 0.998,“class”: “car”,“class_id”: 1,“detection_id”: “df124f8e-da4b-48e8-8d9a-d926b6daa8c7”},{“x”: 195,“y”: 185.5,“width”: 20,“height”: 23,“confidence”: 0.998,“class”: “car”,“class_id”: 1,“detection_id”: “6bab1f6f-48f8-4787-94b4-0c363ef61dc4”},{“x”: 149,“y”: 179,“width”: 8,“height”: 10,“confidence”: 0.998,“class”: “car”,“class_id”: 1,“detection_id”: “cab38ae1-9731-47bc-b5a3-9b9d2ed8fa7f”},{“x”: 129,“y”: 187,“width”: 12,“height”: 22,“confidence”: 0.996,“class”: “car”,“class_id”: 1,“detection_id”: “04366147-a4be-4389-ba91-0ff595f9ffb0”},{“x”: 212,“y”: 179,“width”: 8,“height”: 12,“confidence”: 0.995,“class”: “car”,“class_id”: 1,“detection_id”: “5e84f0c7-28d3-45dc-afa0-bb6fd6c52fed”},{“x”: 36,“y”: 184,“width”: 4,“height”: 10,“confidence”: 0.919,“class”: “person”,“class_id”: 3,“detection_id”: “fcc596a8-3c41-4b05-baca-c5c6c5069668”},{“x”: 13,“y”: 232,“width”: 24,“height”: 138,“confidence”: 0.641,“class”: “car”,“class_id”: 1,“detection_id”: “6c3825ef-9430-4aa2-9b0f-25a770ba9b83”},{“x”: 13,“y”: 193,“width”: 8,“height”: 26,“confidence”: 0.625,“class”: “cyclist”,“class_id”: 2,“detection_id”: “4cfd242e-f524-48c0-b8a7-84639b827357”}]}
