【5类遥感小目标数据集】 共有图片数据集10159张; 已处理成yolo格式、voc格式,可直接用于训练; 标签类别及标签个数: storagetank: 13774; airplane: 10595; ship: 62400; tenniscourt: 26414; vehicle: 2165;
【5类遥感小目标数据集】
共有图片数据集10159张; 已处理成yolo格式、voc格式,可直接用于训练; 标签类别及标签个数: storagetank: 13774; airplane: 10595; ship: 62400; tenniscourt: 26414; vehicle: 2165;
五类遥感小目标检测数据集 (Five-Class Remote Sensing Small Object Detection Dataset)
描述: 本数据集旨在支持对遥感图像中的小目标进行自动检测,特别适用于卫星图像分析、地理信息系统(GIS)、环境监测、军事侦察等领域。通过使用该数据集训练的模型可以帮助及时发现并分类各种小目标,提高遥感图像处理的效率和准确性。
类别:
storagetank
(储油罐)airplane
(飞机)ship
(船只)tenniscourt
(网球场)vehicle
(车辆)
数据量:
- 总图片数: 10,159张
- 总标注个数:
storagetank
: 13,774个标注airplane
: 10,595个标注ship
: 62,400个标注tenniscourt
: 26,414个标注vehicle
: 2,165个标注
- 总标注个数: 115,348个
标注格式:
- VOC格式 (XML)
- YOLO格式 (TXT)
文件格式:
- 图像采用常见的JPEG或PNG格式。
- 标注文件有两种格式:
- VOC格式 (XML): 保存在
annotations
文件夹中,每个图像对应一个XML文件。 - YOLO格式 (TXT): 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storagetank
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到4(代表不同的目标类别),其余参数均为归一化后的浮点数值。
- VOC格式 (XML): 保存在
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):
remote_sensing_dataset/
├── images/
│ ├── train/
│ │ ├── img1.jpg
│ │ ├── img2.jpg
│ │ └── ...
│ ├── val/
│ │ ├── img5000.jpg
│ │ ├── img5001.jpg
│ │ └── ...
├── labels/
│ ├── train/
│ │ ├── img1.txt
│ │ ├── img2.txt
│ │ └── ...
│ ├── val/
│ │ ├── img5000.txt
│ │ ├── img5001.txt
│ │ └── ...
├── annotations/
│ ├── train/
│ │ ├── img1.xml
│ │ ├── img2.xml
│ │ └── ...
│ ├── val/
│ │ ├── img5000.xml
│ │ ├── img5001.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: ./remote_sensing_dataset/images/train
val: ./remote_sensing_dataset/images/val
nc: 5 # 类别数量
names: ['storagetank', 'airplane', 'ship', 'tenniscourt', 'vehicle'] # 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
import torch
# 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='remote_sensing_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('remote_sensing_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
这个五类遥感小目标检测数据集提供了10,159张高质量的遥感图像,并且已经使用VOC和YOLO两种格式进行了标注。数据集涵盖了五种不同的小目标类别,包括储油罐、飞机、船只、网球场和车辆。通过使用YOLOv8框架,可以有效地识别和分类这些小目标。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。
特点
-
多样性:
- 包含多种不同类型的遥感图像,覆盖了常见的小目标类型。
- 图像采集自真实场景,具有较高的多样性和实用性。
-
标注质量:
- 图像采用高质量的标注,包括边界框和类别标签。
- 提供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。
-
规模适中:
- 10,159张图像的数据集规模适中,既足够训练模型,又不会导致过长的训练时间。
-
可扩展性:
- 数据集可以进行扩充,以增加更多图像数据,提高模型的泛化能力。
示例UI界面设计
如果您需要开发一个上位机软件来进行实时的小目标检测,可以参考以下简单的Tkinter GUI示例:
import tkinter as tk
from tkinter import filedialog
from PIL import Image, ImageTk
import cv2
import torch
from ultralytics import YOLO
# 加载预训练模型
model = YOLO('remote_sensing_detection_model.pt')
def load_image():
global image_path
image_path = filedialog.askopenfilename()
if image_path:
image = Image.open(image_path)
image = image.resize((640, 480))
photo = ImageTk.PhotoImage(image)
image_label.config(image=photo)
image_label.image = photo
def detect_objects():
if image_path:
# 读取图像
image = cv2.imread(image_path)
results = model(image)
# 绘制检测结果