玩手机检测数据集 YOLO玩手机检测数据集yolo ，10000多张 ，用lableimg标注，标注真实场景高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式

 

yolo 玩手机检测 YOLO玩手机检测数据集，近一万多张使用lableimg标注软件，标注好的真实场景的高质量 图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文 件夹中，可以直接用于YOLO玩手机行为的识别，数据场景丰富，类别名为phone；

: YOLO玩手机检测数据集 (YOLO Phone Usage Detection Dataset)

描述: 本数据集旨在支持对玩手机行为的自动检测，特别适用于监控系统、安全管理和行为分析等领域。通过使用该数据集训练的模型可以帮助及时发现并管理人们在特定场景中的玩手机行为，提高安全管理效率。

类别:

• phone: 代表玩手机的行为。

数据量:

• 总图片数: 约10,000张
• 标注格式: VOC 和 YOLO 格式

文件格式:

• 图像采用常见的JPEG格式。
• 标注文件有两种格式：
  • VOC格式: 保存在annotations文件夹中，每个图像对应一个XML文件。
  • YOLO格式: 保存在labels文件夹中，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phone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phone），其余参数均为归一化后的浮点数值。

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）：

phone_usage_dataset/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── img5001.jpg
│   │   ├── img5002.jpg
│   │   └── ...
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   ├── val/
│   │   ├── img5001.txt
│   │   ├── img5002.txt
│   │   └── ...
├── annotations/
│   ├── train/
│   │   ├── img1.xml
│   │   ├── img2.xml
│   │   └── ...
│   ├── val/
│   │   ├── img5001.xml
│   │   ├── img5002.xml
│   │   └── ...
└── 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: ./phone_usage_dataset/images/train
val: ./phone_usage_dataset/images/val

nc: 1  # 类别数量
names: ['phone']  # 类别名称

使用方法

1. 准备环境

确保安装了必要的Python库，如ultralytics（用于YOLOv8）和其他相关依赖：

pip install ultralytics

2. 修改配置文件

根据实际路径修改 data.yaml 文件中的路径。

3. 训练脚本

以下是一个使用YOLOv8进行训练的Python脚本示例：

from ultralytics import YOLO

# 设置设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'

# 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=device,  # 使用GPU设备编号，默认为0
    project='phone_usage_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('phone_usage_detection_model.pt')

训练结果

模型: YOLOv8

性能指标:

• 准确率 (Accuracy): [根据实际结果填写]
• 精确度 (Precision): [根据实际结果填写]
• 召回率 (Recall): [根据实际结果填写]
• F1分数 (F1 Score): [根据实际结果填写]
• 平均精度均值 (mAP@0.5:0.95): [根据实际结果填写]

模型文件:

• 提供了YOLOv8的预训练模型文件，可以直接用于推理或进一步微调。

总结

这个玩手机检测数据集提供了近一万张高质量的真实场景图片，并且已经使用LabelImg工具进行了标注。数据集包括VOC和YOLO两种格式的标注文件，方便在不同的深度学习框架中使用。通过使用YOLOv8框架，可以有效地识别和分类玩手机的行为。提供的预训练模型可以在实际应用中提供可靠的检测结果。

可视化与评估

YOLOv8提供了丰富的工具来进行训练过程的可视化和评估。训练完成后，可以在输出目录中找到训练日志、图表以及最佳模型权重文件。这些资源有助于分析模型的性能，并进行进一步的优化。