攀爬行为识别数据集 yolo格式类别：共计10160张图片，压缩后文件总大小：1.3G 类别：no_climb、climb 两种

攀爬行为识别数据集 yolo格式 类别：no_climb、climb 两种 训练数据已划分，配置文件稍做路径改动即可训练。

训练集：9030 验证集：1130 共计10160张图片，压缩后文件总大小：1.3GB

数据集介绍

名称: 攀爬行为识别数据集 (Climbing Behavior Recognition Dataset)

描述: 本数据集旨在支持对人类攀爬行为的自动识别。它特别适用于监控系统、安全应用和行为分析等领域，帮助区分正常活动与潜在的非法入侵行为。

类别:

• no_climb: 代表没有攀爬行为发生的图像。
• climb: 代表有人正在进行攀爬行为的图像。

数据量:

• 总图片数: 10,160张
• 训练集: 9,030张
• 验证集: 1,130张

文件大小:

• 压缩后的文件总大小约为1.3GB

格式:

• 图像采用常见的格式（如JPEG, PNG等）。
• 标注文件采用YOLO格式，即每个图像对应一个文本文件，其中包含边界框坐标及类别标签。例如，对于climb类别的标注，文本文件中的每一行将按照以下格式表示：<class_id> <x_center> <y_center> <width> <height>，其中<class_id>为0（代表no_climb）或1（代表climb），其余参数均为归一化后的浮点数值。

训练结果

模型: YOLOv8

模型文件:

• 训练完成后，提供了YOLOv8模型文件，可以直接用于推理或进一步微调。

使用说明:

• 配置文件修改: 在开始训练前，请确保调整YOLOv8的配置文件以指向正确的数据路径。
• 依赖库安装: 确保安装了必要的Python库，如ultralytics（YOLOv8的官方库）和其他相关依赖。
• 运行命令: 可以使用如下命令启动训练（请替换实际路径和参数）：

  yolo task=detect mode=train model=yolov8n.pt data=path/to/data.yaml epochs=100 imgsz=640

这个数据集和预训练模型可以作为一个起点，用于开发更复杂的攀爬行为检测系统

 

假设您已经安装了ultralytics库（YOLOv8的官方库），并且您的数据集已经按照YOLO格式准备好。如果您还没有安装ultralytics，可以使用以下命令进行安装：

pip install ultralytics

数据集结构

确保您的数据集目录结构如下所示（这只是一个示例结构，您可以根据实际情况调整）：

climbing_dataset/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── img1001.jpg
│   │   ├── img1002.jpg
│   │   └── ...
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   ├── val/
│   │   ├── img1001.txt
│   │   ├── img1002.txt
│   │   └── ...
└── data.yaml

data.yaml 配置文件

创建一个名为 data.yaml 的配置文件，内容如下：

train: ./climbing_dataset/images/train
val: ./climbing_dataset/images/val

nc: 2  # number of classes
names: ['no_climb', 'climb']

训练脚本

下面是一个使用YOLOv8进行训练的Python脚本示例：

from ultralytics import YOLO

# 加载预训练模型或从头开始训练
model = YOLO('yolov8n.pt')  # 使用预训练的YOLOv8n模型
# model = YOLO()  # 从头开始训练

# 开始训练
results = model.train(
    data='path/to/data.yaml',  # 指定数据集配置文件路径
    epochs=100,  # 训练轮次
    batch=16,  # 批处理大小
    imgsz=640,  # 输入图像尺寸
    workers=8,  # 数据加载线程数
    device=0,  # 使用GPU设备编号，默认为0
    project='climbing_detection',  # 保存结果的项目名称
    name='exp',  # 实验名称
    exist_ok=True  # 如果存在相同实验名，覆盖旧的结果
)

# 可视化训练结果
results.plot()

# 保存模型
model.save('climbing_detection_model.pt')

关键点解释

• 加载模型:

  • YOLO('yolov8n.pt'): 加载预训练的YOLOv8n模型。
  • YOLO(): 从头开始训练一个新的YOLOv8模型。

• 训练参数:

  • data: 指向包含数据集信息的data.yaml文件。
  • epochs: 设置训练轮次。
  • batch: 设置批处理大小。
  • imgsz: 设置输入图像的尺寸。
  • workers: 设置数据加载线程数。
  • device: 设置使用的GPU设备编号。
  • project 和 name: 指定保存训练结果的目录和实验名称。
  • exist_ok: 如果设置为True，允许覆盖已有实验结果。

• 可视化与保存:

  • results.plot(): 绘制训练过程中的损失曲线等统计图表。
  • model.save('climbing_detection_model.pt'): 保存训练好的模型。

运行脚本

将上述代码保存为一个Python文件（例如 train.py），然后在终端中运行：

python train.py

这样，您就可以开始训练您的攀爬行为识别模型了。如果需要进一步调整超参数或优化模型性能，可以根据实际需求修改训练脚本中的参数。希望这对您有帮助！