人体行为数据集 五种yolo格式txt标签1500张 yolov5 目标检测

 

数据集特点

• 类型：人体五种行为数据数据集。
• 格式：YOLO格式，适用于训练YOLO系列目标检测模型（如YOLOv5）。
• 规模：共包含1500张图像。
• 标注：使用.txt文件进行标注，每个文件对应一张图像，标注格式为YOLO格式（类别标签、中心坐标百分比、宽度和高度百分比）。
• 类别：五种人体行为类别。
• 质量：数据集标注准确，涵盖了多种场景和光照条件下的行为。

数据集组成

• 训练集：用于训练模型，包含1050张图像。
• 验证集：用于模型调参和验证，包含225张图像。
• 测试集：用于最终评估模型性能，包含225张图像。

数据集目录结构

1human_behavior_dataset/
2├── images/
3│   ├── train/
4│   ├── val/
5│   └── test/
6└── labels/
7    ├── train/
8    ├── val/
9    └── test/

标注格式

示例

假设数据集中包含五种行为类别，分别标记为0至4：

• 0: 行走
• 1: 跑步
• 2: 跳跃
• 3: 跌倒
• 4: 手势

每个.txt文件包含多个行为对象的标注，格式为：

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两个行为对象，一个是行走的人（类别0），位于图像的左上角附近；另一个是跳跃的人（类别2），位于图像的右下角附近，则对应的.txt文件内容可能如下所示：

10 0.25 0.25 0.2 0.2  # 行走的人
22 0.75 0.75 0.2 0.2  # 跳跃的人

使用指南

1. 环境搭建：确保安装了YOLOv5和其他必要的软件包。
2. 数据集准备：下载数据集并按照上述目录结构组织数据。
3. 模型配置：设置YOLOv5的训练参数，包括类别数量等。
4. 模型训练：使用训练集对模型进行训练。
5. 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/human_behavior_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/human_behavior_dataset/data.yaml cfg=yolov5s.yaml weights=pretrained_weights.pt epochs=100

报告和文档

• 报告：报告应包括数据集背景、数据集组成、标注格式、使用指南等内容。
• 文档：文档应包括数据集的组织方式、标注格式、模型训练及评估的具体步骤等。