网站标题 空格,视频网站开发公司,微信链接的微网站怎么做,代理注册企业登记数据集介绍
【数据集】道路结冰数据集 1527 张#xff0c;目标检测#xff0c;包含YOLO/VOC格式标注。数据集中包含2种分类#xff1a;“clear_road, ice_road”。数据集来自国内外图片网站和视频截图#xff0c;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…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
YOLOtxt
VOCxml
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
多角度场景包含行人视角、俯视视角通过光照变化、阴影干扰、遮挡物进行了数据增强标注内容names: [clear-road, ice-road]总计2个分类。图片总量1527张图片数据标注类型含有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 randomtrainval_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] \nif 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 getcwdsets [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 - 1y (box[2] box[3]) / 2.0 - 1w box[1] - box[0]h box[3] - box[2]x x * dww w * dwy y * dhh h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file open(data/Annotations/%s.xml % (image_id), encodingUTF-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).textcls obj.find(name).textif cls not in classes or int(difficult) 1:continuecls_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 wif b4 h:b4 hb (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/imagesnc: 1
names: [clear_road, ice_road]
5、执行命令
执行train.py model YOLO(yolov8s.pt)
results model.train(datadata.yaml, epochs200, imgsz640, batch16, workers0) 也可以在终端执行下述命令 yolo train datadata.yaml modelyolov8s.pt epochs200 imgsz640 batch16 workers0 device0 六、获取数据集
戳我头像获取数据或者主页私聊博主哈~
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 Noneself.timer QtCore.QTimer()self.timer1 QtCore.QTimer()self.cap Noneself.video Noneself.file_path Noneself.base_name Noneself.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 960topLayout.addWidget(self.oriVideoLabel)topLayout.addWidget(self.detectlabel)main_layout.addLayout(topLayout) 五、代码获取
YOLO可视化界面
戳我头像获取数据或者主页私聊博主哈~
注以上均为原创内容转载请私聊
