交通路锥识别数据集 yolo格式 共3167张图片 已划分好训练验证 txt格式 yolo可直接使用。 类别:锥形桶(cone_barrel) 柱形桶(cylinder_barrel)二种 训练数据已划分,配置文件稍做路径改动即可训练。 训练集: 2767 验证集: 400 另外:提供yolov5训练结果(内含模型 识别精度:99%+)
2
名称: 交通路锥识别数据集 (Traffic Cone Detection Dataset)
描述: 本数据集旨在支持对交通路锥的自动检测,特别适用于道路监控、自动驾驶系统和智能交通管理等领域。通过使用该数据集训练的模型可以帮助及时发现并管理道路上的路锥设备,提高交通安全性和效率。
类别:
cone_barrel
: 代表锥形桶。cylinder_barrel
: 代表柱形桶。
数据量:
- 总图片数: 3,167张
- 训练集: 2,767张
- 验证集: 400张
文件格式:
- 图像采用常见的格式(如JPEG, PNG等)。
- 标注文件采用YOLO格式,即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
cone_barrel
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cone_barrel
)或1(代表cylinder_barrel
),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):
traffic_cone_dataset/
├── images/
│ ├── train/
│ │ ├── img1.jpg
│ │ ├── img2.jpg
│ │ └── ...
│ ├── val/
│ │ ├── img2768.jpg
│ │ ├── img2769.jpg
│ │ └── ...
├── labels/
│ ├── train/
│ │ ├── img1.txt
│ │ ├── img2.txt
│ │ └── ...
│ ├── val/
│ │ ├── img2768.txt
│ │ ├── img2769.txt
│ │ └── ...
└── 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: ./traffic_cone_dataset/images/train
val: ./traffic_cone_dataset/images/val
nc: 2 # 类别数量
names: ['cone_barrel', 'cylinder_barrel'] # 类别名称
使用方法
1. 准备环境
确保安装了必要的Python库,如yolov5
和其他相关依赖:
bash
深色版本
pip install -r https://raw.githubusercontent.com/ultralytics/yolov5/master/requirements.txt
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YOLOv5进行训练的Python脚本示例:
import torch
from yolov5 import train
# 设置设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'
# 训练参数
hyp = './yolov5/data/hyps/hyp.scratch.yaml' # 超参数配置文件
weights = 'yolov5s.pt' # 预训练模型权重
data = 'path/to/data.yaml' # 数据集配置文件路径
epochs = 100 # 训练轮次
batch_size = 16 # 批处理大小
img_size = 640 # 输入图像尺寸
workers = 8 # 数据加载线程数
project = 'traffic_cone_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
# 开始训练
train.run(
data=data,
weights=weights,
hyp=hyp,
epochs=epochs,
batch_size=batch_size,
imgsz=img_size,
workers=workers,
device=device,
project=project,
name=name,
exist_ok=exist_ok
)
训练结果
模型: YOLOv5
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): 99%+
模型文件:
- 提供了YOLOv5的预训练模型文件,可以直接用于推理或进一步微调。
总结
这个交通路锥识别数据集提供了丰富的标注图像,适合用于训练和评估基于深度学习的路锥检测模型。通过使用YOLOv5框架,可以有效地识别和定位道路上的锥形桶和柱形桶。提供的预训练模型已经达到了99%以上的识别精度,可以在实际应用中提供非常可靠的检测结果。
可视化与评估
YOLOv5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。