无人机目标检测数据集

look me head

于 2024-09-18 05:34:51 发布

阅读量1.1k

点赞数 17

分类专栏：数据集文章标签：目标检测 QQ767172261 数据集无人机目标检测

本文链接：https://blog.csdn.net/2401_83580557/article/details/142322313

版权

数据集专栏收录该内容

241 篇文章 9 订阅

订阅专栏

无人机目标检测数据集 Visdrone数据集由10209幅图像组成，其中包括6471幅训练集图像、3190幅测试集图像和548幅验证集图像。该数据集主要关注日常生活场景中的交通工具和行人类目标，定义了10个类别(该数据集已去除官网“ignore“和“others“两种类别！！），包括汽车、卡车、公共汽车等。 nc: 10 #类别数 names: [0: 'pedestrian',1: 'people', 2:'bicycle', 3:'car', 4:'van',5: 'truck',6: 'tricycle',7: 'awning-tricycle',8: 'bus',9: 'motor' ]
图像分辨率范围在2000*1500至960*540之间。该数据集聚焦于小目标检测，60%的实例小于20 像素，25%的实例在20-30 像素之间。以上数据集已转换成yolo型格式（txt）且划分好训练集、测试集、验证集，可直接用yolo模型跑。

VisDrone 目标检测数据集

数据集概述

VisDrone 数据集是一个专为无人机拍摄的日常场景中目标检测而设计的数据集，主要关注交通工具（如汽车、卡车、公交车等）和行人。该数据集由10209幅图像组成，包括6471幅训练集图像、3190幅测试集图像和548幅验证集图像。数据集已经去除了“ignore”和“others”这两种类别，定义了10个类别，涵盖了常见的交通目标和行人。所有图像均已被转换为YOLO格式（TXT），并按照用途划分好了训练集、测试集和验证集，可以直接用于YOLO模型的训练和评估。

数据集特点

多样性：涵盖了日常生活场景中的多种交通目标和行人，适合用于复杂环境下的目标检测研究。
小目标检测：该数据集聚焦于小目标检测，60%的目标实例大小小于20像素，25%的目标实例大小在20-30像素之间，这对算法提出了更高的要求。
高分辨率：图像分辨率范围广泛，从20001500到960540不等，适用于不同场景的需求。
格式统一：所有图像和标签均已被转换为YOLO所需的TXT格式，并且已经按照用途划分好训练集、测试集和验证集，方便直接使用。

数据集构成

图像总数：10209幅图像
- 训练集：6471幅图像
- 测试集：3190幅图像
- 验证集：548幅图像
类别定义：
- 0: 行人（pedestrian）
- 1: 人群（people）
- 2: 自行车（bicycle）
- 3: 汽车（car）
- 4: 面包车（van）
- 5: 卡车（truck）
- 6: 三轮车（tricycle）
- 7: 遮阳篷三轮车（awning-tricycle）
- 8: 公共汽车（bus）
- 9: 摩托车（motor）

数据集用途

目标检测：可用于训练和评估检测日常场景中的交通目标和行人的算法。
小目标检测：由于数据集中大部分目标较小，因此非常适合用于研究和开发针对小目标的检测方法。
自动驾驶：在自动驾驶领域，该数据集可用于训练模型识别道路上的行人和其他车辆，提高系统的安全性。
研究与开发：作为研究基准，帮助学术界和工业界评估不同目标检测算法的性能。
教育与培训：作为教学案例，帮助学生了解和掌握计算机视觉技术在实际问题中的应用。

数据集获取

VisDrone 数据集可以从官方网站或其他可信来源下载。请确保在使用数据集时遵循相关的许可条款和使用规定。

数据集使用说明

由于数据集已经转换为YOLO所需的TXT格式，并且按照用途划分好了训练集、测试集和验证集，可以直接用于YOLO模型的训练。以下是一个简单的示例，展示如何加载数据集中的图像及其对应的YOLO格式标签，并绘制出标注的边界框。

1import os
2import matplotlib.pyplot as plt
3from PIL import Image
4
5# 数据集目录路径
6data_dir = 'path/to/visdrone_dataset'
7train_image_dir = os.path.join(data_dir, 'images/train')
8train_label_dir = os.path.join(data_dir, 'labels/train')
9
10# 选取一张图像及其标签文件
11image_files = os.listdir(train_image_dir)
12image_file = image_files[0]  # 假设取第一张图
13image_path = os.path.join(train_image_dir, image_file)
14
15label_file = os.path.splitext(image_file)[0] + '.txt'
16label_path = os.path.join(train_label_dir, label_file)
17
18# 加载图像
19image = Image.open(image_path)
20
21# 获取图像尺寸
22width, height = image.size
23
24# 读取标签文件
25with open(label_path, 'r') as f:
26    annotations = [line.strip().split() for line in f.readlines()]
27
28# 绘制图像和边界框
29fig, ax = plt.subplots(1, figsize=(10, 10))
30ax.imshow(image)
31ax.axis('off')
32
33class_names = ['pedestrian', 'people', 'bicycle', 'car', 'van', 'truck', 'tricycle', 'awning-tricycle', 'bus', 'motor']
34
35for ann in annotations:
36    class_id, x_center, y_center, box_width, box_height = map(float, ann)
37    x_min = (x_center - box_width / 2) * width
38    y_min = (y_center - box_height / 2) * height
39    x_max = (x_center + box_width / 2) * width
40    y_max = (y_center + box_height / 2) * height
41    
42    ax.add_patch(plt.Rectangle((x_min, y_min), x_max - x_min, y_max - y_min, edgecolor='r', facecolor='none'))
43    ax.text(x_min, y_min, class_names[int(class_id)], color='r', fontsize=8)
44
45plt.show()