热成像目标检测数据集V2版本,总计26,442帧(9,233个可见光图像,9,711个热成像图像和7,498个匹配的热成像/可见光视频帧)热成像图像注释,520000个标注目标,标注物包括人,自行车,汽车,摩托车,巴士,火车,卡车,灯,消防栓,交通标志,狗,滑板,婴儿车,电动踏板,其他车辆。
数据集介绍:热成像目标检测数据集 V2 版本
项目背景:
热成像技术在安防监控、夜间巡逻、消防救援等领域具有重要的应用价值。本数据集旨在提供高质量的热成像图像及其对应的可见光图像,支持热成像目标检测的研究与应用。
数据集概述:
- 名称:热成像目标检测数据集 V2
- 规模:总计26,442帧
- 可见光图像:9,233张
- 热成像图像:9,711张
- 匹配的热成像/可见光视频帧:7,498帧
- 标注目标数量:520,000个
- 目标类别:
- 人
- 自行车
- 汽车
- 摩托车
- 巴士
- 火车
- 卡车
- 灯
- 消防栓
- 交通标志
- 狗
- 滑板
- 婴儿车
- 电动踏板车
- 其他车辆
数据集特点:
- 多样化:涵盖多种场景下的目标检测,包括人、交通工具以及其他常见物体。
- 高质量标注:每个目标均进行了精细标注,确保数据质量。
- 多模态数据:提供热成像图像和可见光图像的匹配数据,适合跨模态学习任务。
- 大规模数据量:包含大量标注目标,有助于训练鲁棒性强的检测模型。
数据集内容:
- 可见光图像:包含在不同环境下的可见光图像,用于辅助热成像图像的理解。
- 热成像图像:包含在不同环境下的热成像图像,用于目标检测。
- 匹配的热成像/可见光视频帧:包含匹配的热成像和可见光视频帧,适用于多模态目标检测任务。
数据集用途:
- 目标检测:可用于训练和评估目标检测模型,特别是在热成像条件下的目标检测。
- 安防监控:帮助识别夜间或低光照条件下的目标,提高安防系统的有效性。
- 学术研究:为热成像技术的应用提供丰富的数据支持,促进相关领域的研究进展。
- 实际应用:可应用于夜间巡逻、消防救援等多个实际场景,提高系统的鲁棒性和可靠性。
标注详情:
- 人:标注了各类人群,包括不同年龄、性别的人。
- 自行车:标注了不同类型的自行车。
- 汽车:标注了不同品牌和型号的汽车。
- 摩托车:标注了不同类型的摩托车。
- 巴士:标注了不同类型的巴士。
- 火车:标注了火车及其车厢。
- 卡车:标注了不同类型的卡车。
- 灯:标注了各种灯具。
- 消防栓:标注了消防栓的位置。
- 交通标志:标注了各种交通标志。
- 狗:标注了不同品种的狗。
- 滑板:标注了滑板及其使用者。
- 婴儿车:标注了婴儿车及其使用者。
- 电动踏板车:标注了电动踏板车及其使用者。
- 其他车辆:标注了除上述类别之外的其他车辆。
使用场景:
- 安防监控:在夜间或低光照条件下,利用热成像技术进行目标检测。
- 消防救援:在火灾现场,利用热成像技术快速定位人员和重要设施。
- 夜间巡逻:在夜间巡逻中,利用热成像技术识别潜在威胁。
- 交通监控:在交通监控中,利用热成像技术进行车辆和行人的检测。
技术指标:
- 数据量:总计26,442帧,包含多种图像类型。
- 标注目标数量:520,000个标注目标,确保数据的丰富性和多样性。
- 标注格式:支持多种标注格式(如JSON、VOC、YOLO),方便导入不同的检测框架。
注意事项:
- 数据隐私:在使用过程中,请确保遵守相关法律法规,保护个人隐私。
- 数据预处理:在使用前,建议进行一定的数据预处理,如图像归一化等。
获取方式:
- 下载链接:请访问项目主页获取数据集下载链接。
- 许可证:请仔细阅读数据集的使用许可协议。
关键代码示例:
以下是关键代码的示例,包括数据加载、模型训练、检测和结果展示。
数据加载:
1import os
2import cv2
3from ultralytics import YOLO
4import numpy as np
5
6# 数据集路径
7DATASET_PATH = 'path/to/dataset'
8VISIBLE_IMAGES_DIR = os.path.join(DATASET_PATH, 'visible_images')
9THERMAL_IMAGES_DIR = os.path.join(DATASET_PATH, 'thermal_images')
10MATCHED_FRAMES_DIR = os.path.join(DATASET_PATH, 'matched_frames')
11LABELS_DIR = os.path.join(DATASET_PATH, 'labels')
12
13# 加载数据集
14def load_dataset():
15 visible_images = []
16 thermal_images = []
17 matched_frames = []
18 labels = []
19
20 for img_file in os.listdir(VISIBLE_IMAGES_DIR):
21 if img_file.endswith('.jpg'):
22 visible_img_path = os.path.join(VISIBLE_IMAGES_DIR, img_file)
23 thermal_img_path = os.path.join(THERMAL_IMAGES_DIR, img_file)
24 matched_frame_path = os.path.join(MATCHED_FRAMES_DIR, img_file)
25 label_path = os.path.join(LABELS_DIR, img_file.replace('.jpg', '.txt'))
26
27 visible_image = cv2.imread(visible_img_path)
28 thermal_image = cv2.imread(thermal_img_path)
29 matched_frame = cv2.imread(matched_frame_path)
30
31 with open(label_path, 'r') as f:
32 label = f.read().strip()
33
34 visible_images.append(visible_image)
35 thermal_images.append(thermal_image)
36 matched_frames.append(matched_frame)
37 labels.append(label)
38
39 return visible_images, thermal_images, matched_frames, labels
40
41visible_images, thermal_images, matched_frames, labels = load_dataset()
模型训练:
python
深色版本
1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='thermal_detection.yaml', epochs=EPOCHS, batch=BATCH_SIZE)
模型检测:
1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_targets(image):
6 results = model.predict(image)
7 for result in results:
8 boxes = result.boxes
9 for box in boxes:
10 x1, y1, x2, y2 = box.xyxy[0]
11 conf = box.conf
12 class_id = box.cls
13
14 # 显示结果
15 cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16 cv2.putText(image, f'Class: {class_id}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17
18 return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_targets(test_image)
23cv2.imshow('Detected Targets', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()
配置文件 thermal_detection.yaml
:
yaml
深色版本
1train: path/to/train/images
2val: path/to/val/images
3
4nc: 14 # Number of classes
5names: ['person', 'bicycle', 'car', 'motorcycle', 'bus', 'train', 'truck', 'light', 'fire_hydrant', 'traffic_sign', 'dog', 'skateboard', 'baby_carriage', 'electric_scooter', 'other_vehicle'] # Class names
6
7# Training parameters
8batch_size: 16
9epochs: 100
10img_size: [640, 640] # Image size
使用指南:
- 数据准备:确保数据集路径正确,并且数据集已准备好。
- 模型训练:运行训练脚本,等待训练完成。
- 模型检测:使用训练好的模型进行检测,并查看检测结果。