1如何训练自己的数据集之—停车位数据集类

计算机C9硕士_算法工程师

已于 2024-10-28 17:58:08 修改

阅读量1.1k

点赞数 16

分类专栏：数据集文章标签： YOLO 人工智能深度学习

于 2024-10-26 07:35:46 首次发布

本文链接：https://blog.csdn.net/2401_88440984/article/details/143247749

版权

数据集专栏收录该内容

280 篇文章

订阅专栏

1停车位数据集类停车场停车位检测数据集 2类 1200张违停带标注 voc yolo

停车场停车位检测数据集介绍

数据集概述

此数据集主要用于停车场内的停车位检测任务，涵盖了两类不同的状态：占用（occupied）和空闲（empty）。该数据集包含1230张高清JPG图像，每张图像对应一个VOC XML格式的标签文件或YOLO TXT格式的标签文件。数据集按照标准VOC和YOLO格式标注，可以直接用于基于这两种格式的目标检测算法模型训练。

数据集特点

高清影像：所有图像均为高清影像，适合用于精确的停车位检测。
详细标注：每张图像都标注了两种不同状态的位置，可以用于训练模型来识别这些状态。
多样性：涵盖了不同情境下的停车位场景，适用于多种环境下的应用。
直接可用性：数据集已按照标准VOC XML和YOLO TXT格式标注，无需进一步处理即可直接用于模型训练。
双类别：数据集中标注了两类状态，适合进行二分类或多目标检测任务。

数据集统计

状态	类别ID	图片数量	标注个数
占用	0	1035	2634
空闲	1	1131	4280
总计		1230	6914

数据集结构

ParkingSpotDetectionDataset/
├── images/  # 图像文件
│   ├── train/  # 训练集图像
│   │   ├── image_00001.jpg
│   │   ├── image_00002.jpg
│   │   └── ...
│   ├── val/  # 验证集图像
│   │   ├── image_00001.jpg
│   │   ├── image_00002.jpg
│   │   └── ...
│   └── test/  # 测试集图像（如果存在）
│       ├── image_00001.jpg
│       ├── image_00002.jpg
│       └── ...
└── annotations/  # 标注文件夹
    ├── annotations_voc/  # VOC/Pascal VOC格式标注
    │   ├── train/  # 训练集标注
    │   │   ├── image_00001.xml
    │   │   ├── image_00002.xml
    │   │   └── ...
    │   ├── val/  # 验证集标注
    │   │   ├── image_00001.xml
    │   │   ├── image_00002.xml
    │   │   └── ...
    │   └── test/  # 测试集标注（如果存在）
    │       ├── image_00001.xml
    │       ├── image_00002.xml
    │       └── ...
    └── annotations_yolo/  # YOLO格式标注
        ├── train/  # 训练集标签
        │   ├── image_00001.txt
        │   ├── image_00002.txt
        │   └── ...
        ├── val/  # 验证集标签
        │   ├── image_00001.txt
        │   ├── image_00002.txt
        │   └── ...
        └── test/  # 测试集标签（如果存在）
            ├── image_00001.txt
            ├── image_00002.txt
            └── ...

标注格式示例

VOC/Pascal VOC格式

每个XML文件包含图像信息和标注信息：

<annotation>
    <folder>images</folder>
    <filename>image_00001.jpg</filename>
    <path>/path/to/images/image_00001.jpg</path>
    <source>
        <database>Unknown</database>
    </source>
    <size>
        <width>640</width>
        <height>480</height>
        <depth>3</depth>
    </size>
    <segmented>0</segmented>
    <object>
        <name>occupied</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>100</xmin>
            <ymin>150</ymin>
            <xmax>200</xmax>
            <ymax>300</ymax>
        </bndbox>
    </object>
    <object>
        <name>empty</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>300</xmin>
            <ymin>250</ymin>
            <xmax>400</xmax>
            <ymax>350</ymax>
        </bndbox>
    </object>
</annotation>

YOLO格式

每行表示一个物体的边界框和类别：

class_id cx cy w h

class_id：类别ID（从0开始编号）
- 0: occupied
- 1: empty
cx：目标框中心点x坐标 / 图像宽度。
cy：目标框中心点y坐标 / 图像高度。
w：目标框宽度 / 图像宽度。
h：目标框高度 / 图像高度。

例如：

0 0.453646 0.623148 0.234375 0.461111
1 0.553646 0.723148 0.134375 0.361111

使用该数据集进行模型训练

1. 数据预处理与加载

首先，我们需要加载数据并将其转换为适合YOLOv5等模型使用的格式。假设你已经安装了PyTorch和YOLOv5。

import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms
import xml.etree.ElementTree as ET

class ParkingSpotDetectionDataset(Dataset):
    def __init__(self, image_dir, annotation_dir, transform=None):
        self.image_dir = image_dir
        self.annotation_dir = annotation_dir
        self.transform = transform
        self.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]

    def __len__(self):
        return len(self.image_files)

    def __getitem__(self, idx):
        img_name = self.image_files[idx]
        img_path = os.path.join(self.image_dir, img_name)
        annotation_path = os.path.join(self.annotation_dir, img_name.replace('.jpg', '.xml'))

        # 加载图像
        image = Image.open(img_path).convert('RGB')
        if self.transform:
            image = self.transform(image)

        # 加载标注
        tree = ET.parse(annotation_path)
        root = tree.getroot()

        boxes = []
        labels = []
        for obj in root.findall('object'):
            category = obj.find('name').text.lower()
            if category == 'occupied':
                class_id = 0
            elif category == 'empty':
                class_id = 1
            else:
                continue
            
            bbox = obj.find('bndbox')
            xmin = int(bbox.find('xmin').text)
            ymin = int(bbox.find('ymin').text)
            xmax = int(bbox.find('xmax').text)
            ymax = int(bbox.find('ymax').text)
            
            boxes.append([xmin, ymin, xmax, ymax])
            labels.append(class_id)

        boxes = torch.tensor(boxes, dtype=torch.float32)
        labels = torch.tensor(labels, dtype=torch.int64)

        return image, boxes, labels

# 数据增强
transform = transforms.Compose([
    transforms.Resize((640, 640)),
    transforms.ToTensor(),
])

# 创建数据集
train_dataset = ParkingSpotDetectionDataset(image_dir='ParkingSpotDetectionDataset/images/train/', annotation_dir='ParkingSpotDetectionDataset/annotations_voc/train/', transform=transform)
val_dataset = ParkingSpotDetectionDataset(image_dir='ParkingSpotDetectionDataset/images/val/', annotation_dir='ParkingSpotDetectionDataset/annotations_voc/val/', transform=transform)

train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=4, shuffle=False, num_workers=4)

2. 构建模型

我们可以使用YOLOv5模型进行目标检测任务。假设你已经克隆了YOLOv5仓库，并按照其文档进行了环境设置。

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

创建数据配置文件 data/parking_spot_detection.yaml：

train: path/to/ParkingSpotDetectionDataset/images/train
val: path/to/ParkingSpotDetectionDataset/images/val
test: path/to/ParkingSpotDetectionDataset/images/val  # 如果没有单独的测试集，可使用验证集作为测试集

nc: 2  # 类别数
names: ['occupied', 'empty']

3. 训练模型

使用YOLOv5进行训练。

bash

深色版本

python train.py --img 640 --batch 16 --epochs 100 --data data/parking_spot_detection.yaml --weights yolov5s.pt --cache

4. 评估模型

在验证集上评估模型性能。

python val.py --img 640 --batch 16 --data data/parking_spot_detection.yaml --weights runs/train/exp/weights/best.pt --task test

5. 推理

使用训练好的模型进行推理。

python detect.py --source path/to/test/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.5

实验报告

实验报告应包括以下内容：

项目简介：简要描述项目的背景、目标和意义。
数据集介绍：详细介绍数据集的来源、规模、标注格式等。
模型选择与配置：说明选择的模型及其配置参数。
训练过程：记录训练过程中的损失变化、学习率调整等。
评估结果：展示模型在验证集上的性能指标（如mAP、准确率）。
可视化结果：提供一些典型样本的检测结果可视化图。
结论与讨论：总结实验结果，讨论可能的改进方向。
附录：包含代码片段、图表等补充材料。

依赖库

确保安装了以下依赖库：

pip install torch torchvision
pip install -r yolov5/requirements.txt

总结

这个停车场停车位检测数据集提供了丰富的标注数据，非常适合用于训练和评估停车位检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的停车位检测模型。实验报告可以帮助你更好地理解和分析模型的表现，并为进一步的研究提供参考。由于数据集规模较大且多样，建议在训练过程中使用数据增强技术以提高模型的泛化能力。

2.监控航拍视角停车位数据集停车位识别系统+模型+界面停车位数据集12416xml和txt标签 yolo

停车场停车位检测数据集与系统