汽车自动驾驶数据集 包含10万张图片yolo 直接使用 用于自动驾驶目标识别研究标注十个目标类别

自动驾驶数据集，包含10万张图片

yolo可直接使用

可用于自动驾驶目标识别研究
标注十个目标类别:
["person", "rider", "car", "bus", "truck", "bike", "motor", "traffic light", "traffic sign","train"]

自动驾驶目标识别数据集介绍

数据集概览

这个自动驾驶数据集是一个大规模的图像数据集，专门用于训练和评估自动驾驶系统中的目标识别模型。数据集包含10万张图片，并且已经按照YOLO（You Only Look Once）格式进行了标注，可以直接用于基于YOLO架构的目标检测任务。

数据集特点

• 数据量大: 包含10万张高分辨率图像，提供了丰富的训练样本。
• 多类别标注: 标注了十个常见的交通相关目标类别，涵盖行人、骑行者、车辆、交通信号灯等。
• 高质量标注: 所有图片均经过精确标注，确保了数据的质量。
• 直接可用: 数据集已经按照YOLO格式组织，可以直接用于训练和测试。

类别列表

数据集中包含以下十个目标类别：

• person (行人)
• rider (骑行者)
• car (汽车)
• bus (公交车)
• truck (卡车)
• bike (自行车)
• motor (摩托车)
• traffic light (交通信号灯)
• traffic sign (交通标志)
• train (火车)

应用场景

• 自动驾驶系统: 用于实时检测道路上的各种目标，提高自动驾驶的安全性和可靠性。
• 智能交通管理: 通过分析交通流量和行为模式，优化交通管理和规划。
• 行人安全监测: 在城市环境中监测行人活动，预防交通事故。
• 交通违规监控: 识别交通违规行为，如闯红灯、超速等。

数据集结构

假设数据集文件夹结构如下：

autonomous_driving_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── data.yaml

• images/ 目录下存放图像文件。
• labels/ 目录下存放对应的YOLO格式的文本标注文件。
• data.yaml 文件定义了数据集的配置信息。

data.yaml 文件示例

# data.yaml
train: ./images/train
val: ./images/val
test: ./images/test

nc: 10  # 类别数量
names: ['person', 'rider', 'car', 'bus', 'truck', 'bike', 'motor', 'traffic light', 'traffic sign', 'train']

关键代码示例

以下是一些基本的Python代码示例，展示如何加载和查看数据集中的部分图片及其标注：

import os
import cv2
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle

def load_image_and_label(image_path, label_path):
    """
    加载图片和其对应的标注信息。
    
    Parameters:
        image_path (str): 图片路径。
        label_path (str): 标注文件路径。
        
    Returns:
        img (numpy.ndarray): 加载的图片。
        labels (list of dict): 标注信息列表。
    """
    img = cv2.imread(image_path)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 转换颜色空间
    
    with open(label_path, 'r') as f:
        lines = f.readlines()
        labels = []
        for line in lines:
            class_id, x_center, y_center, width, height = map(float, line.strip().split())
            labels.append({
                'class_id': int(class_id),
                'x_center': x_center,
                'y_center': y_center,
                'width': width,
                'height': height
            })
    
    return img, labels

def draw_bounding_boxes(img, labels, class_names):
    """
    在图片上绘制边界框。
    
    Parameters:
        img (numpy.ndarray): 图片。
        labels (list of dict): 标注信息列表。
        class_names (list of str): 类别名称列表。
    """
    fig, ax = plt.subplots(1, figsize=(12, 12))
    ax.imshow(img)
    
    for label in labels:
        x_center, y_center, width, height = label['x_center'], label['y_center'], label['width'], label['height']
        h, w, _ = img.shape
        x_min = int((x_center - width / 2) * w)
        y_min = int((y_center - height / 2) * h)
        x_max = int((x_center + width / 2) * w)
        y_max = int((y_center + height / 2) * h)
        
        rect = Rectangle((x_min, y_min), x_max - x_min, y_max - y_min, linewidth=2, edgecolor='r', facecolor='none')
        ax.add_patch(rect)
        
        class_name = class_names[label['class_id']]
        ax.text(x_min, y_min, class_name, fontsize=12, color='red', backgroundcolor='white')
    
    plt.axis('off')
    plt.show()

if __name__ == "__main__":
    data_dir = "/path/to/your/dataset"
    train_images_dir = os.path.join(data_dir, "images/train")
    train_labels_dir = os.path.join(data_dir, "labels/train")

    # 选择任何一张训练集中的图片及其对应的标签
    image_name = os.listdir(train_images_dir)[0]  # 选择第一张图片
    label_name = image_name.replace(".jpg", ".txt")  # 假设图片是.jpg格式，标签文件名相同但扩展名为.txt
    
    image_path = os.path.join(train_images_dir, image_name)
    label_path = os.path.join(train_labels_dir, label_name)
    
    img, labels = load_image_and_label(image_path, label_path)
    
    print(f"Loaded image shape: {img.shape}")
    print(f"Number of objects: {len(labels)}")
    print(f"First object's label: {labels[0]}")
    
    # 绘制边界框
    class_names = ['person', 'rider', 'car', 'bus', 'truck', 'bike', 'motor', 'traffic light', 'traffic sign', 'train']
    draw_bounding_boxes(img, labels, class_names)

请确保替换"/path/to/your/dataset"为你本地数据集的实际路径。这段代码会加载训练集中的一张图片及其对应的标注信息，并显示带有边界框和类别的图片。你可以根据需要进一步扩展和修改这段代码，以满足更多的数据分析和模型训练需求。