雾天道路目标检测数据集 8700张雾天带标注 voc yolo

本文主要是介绍雾天道路目标检测数据集 8700张雾天带标注 voc yolo，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

随着自动驾驶技术的发展，如何在恶劣天气条件下保证车辆的安全行驶成为了一个重要的研究课题。雾天环境下，能见度降低会严重影响目标检测系统的性能，因此开发针对雾天环境的目标检测算法变得尤为重要。本数据集旨在为研究人员提供一个高质量的、可用于训练和评估雾天道路目标检测模型的数据集。

数据集特点

类型：雾天道路目标检测数据集。
格式：VOC和YOLO格式，适用于训练目标检测模型。
规模：共包含8700张图像。
标注：使用.xml（VOC格式）和.txt（YOLO格式）文件进行标注，每个文件对应一张图像，标注格式分别为VOC和YOLO格式。
类别：包含多种道路目标类别。
质量：数据集标注准确，涵盖了多种雾天条件下的道路目标。

数据集组成

训练集：用于训练模型，包含约7000张图像。
验证集：用于模型调参和验证，包含约870张图像。
测试集：用于最终评估模型性能，包含约830张图像。

数据集目录结构

1foggy_road_dataset/
2├── images/
3│   ├── train/
4│   ├── val/
5│   └── test/
6├── annotations/
7│   ├── xmls/  # VOC format
8│   │   ├── train/
9│   │   ├── val/
10│   │   └── test/
11│   └── txts/  # YOLO format
12│       ├── train/
13│       ├── val/
14│       └── test/
15└── dataset.yaml  # YOLOv5 configuration file

标注格式

VOC格式

每个.xml文件包含图像的基本信息以及每个目标的标注，格式如下：

xml

1<annotation>
2    <folder>FoggyRoadDataset</folder>
3    <filename>000001.jpg</filename>
4    <size>
5        <width>1920</width>
6        <height>1080</height>
7        <depth>3</depth>
8    </size>
9    <object>
10        <name>car</name>
11        <pose>Unspecified</pose>
12        <truncated>0</truncated>
13        <difficult>0</difficult>
14        <bndbox>
15            <xmin>100</xmin>
16            <ymin>200</ymin>
17            <xmax>300</xmax>
18            <ymax>400</ymax>
19        </bndbox>
20    </object>
21    <!-- 更多目标 -->
22</annotation>

YOLO格式

每个.txt文件包含多个目标的标注，格式为：

深色版本

1<类别> <中心_x> <中心_y> <宽度> <高度>

其中，所有坐标值均为相对于图像尺寸的百分比。

示例标注文件

假设有一张图像中包含一辆汽车和一个行人，.txt文件内容可能如下所示：

10 0.3 0.4 0.2 0.2  # 汽车
21 0.7 0.6 0.1 0.15  # 行人

使用指南

环境搭建：确保安装了YOLOv5和其他必要的软件包。
数据集准备：下载数据集并按照上述目录结构组织数据。
模型配置：设置YOLOv5的训练参数，包括类别数量等。
模型训练：使用训练集对模型进行训练。
模型评估：使用验证集和测试集评估模型性能。

关键代码示例

1. 数据集准备

1import os
2import cv2
3import numpy as np
4
5def load_data(data_dir):
6    labels = sorted(os.listdir(data_dir))
7    data = []
8    for label in labels:
9        path = os.path.join(data_dir, label)
10        for img_name in os.listdir(path):
11            img_path = os.path.join(path, img_name)
12            img = cv2.imread(img_path, cv2.IMREAD_COLOR)
13            img = cv2.resize(img, (640, 640))  # YOLOv5 输入尺寸
14            data.append([img, labels.index(label)])
15    return np.array(data)
16
17data_dir = 'path/to/foggy_road_dataset'
18data = load_data(data_dir)

2. 模型训练

1# 安装YOLOv5
2pip install yolov5
3
4# 开始训练
5yolov5 train data=path/to/foggy_road_dataset/dataset.yaml cfg=yolov5s.yaml weights=pretrained_weights.pt epochs=100