疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)

已于 2023-11-28 11:36:29 修改
阅读量9.6k 收藏 92
点赞数 6
分类专栏： 智能驾驶 文章标签： 疲劳驾驶 数据集 疲劳驾驶数据集 fatigue driving drowsy driving
于 2023-07-21 19:43:31 首次发布
本文为博主原创文章，未经博主允许不得转载（AI吃大瓜）
本文链接：https://blog.csdn.net/guyuealian/article/details/131718648
版权
该文分享了整理的疲劳驾驶检测和分类数据集，包括Drowsy-Driving-Det1和Det2（用于目标检测）以及Cls1、Cls2和Cls3（用于分类识别），总共有18000+图片。数据集已标注并转换为VOC格式，适合深度学习模型训练。此外，提供了Pytorch和Android平台的实现方法链接。
摘要由CSDN通过智能技术生成

疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)

目录

疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)

1. 前言

2. 疲劳驾驶类别说明

3. 疲劳驾驶检测数据集：

（1）Drowsy-Driving-Det1

（2）Drowsy-Driving-Det2

 4. 疲劳驾驶分类数据集

（1）Drowsy-Driving-Cls1

（2）Drowsy-Driving-Cls2

（3）Drowsy-Driving-Cls3

5. 疲劳驾驶检测和分类数据集下载

6. Pytorch实现疲劳驾驶检测识别

7. Android实现疲劳驾驶检测识别

1. 前言

这是项目《疲劳驾驶Drowsy Driving检测和识别》系列文章之《疲劳驾驶检测和识别数据集(含下载链接)》。网上有很多疲劳驾驶的数据，但数据比较杂乱，质量参差不齐，标注格式还不统一。本篇，我们将分享几个自己整理的可用于疲劳驾驶检测和分类识别的数据集：

疲劳驾驶检测数据集（Drowsy Driving Detection Dataset）收集了两个：Drowsy-Driving-Det1和Drowsy-Driving-Det1，总共13000+张图片；可用于深度学习疲劳驾驶目标检测模型算法开发。

疲劳驾驶分类数据集（Drowsy Driving Classification Dataset）收集了三个：分别为Drowsy-Driving-Cls1，Drowsy-Driving-Cls2和Drowsy-Driving-Cls3，总共50000+张图片；可用于深度学习疲劳驾驶分类识别模型算法开发。

 【尊重原则，转载请注明出处】 https://blog.csdn.net/guyuealian/article/details/131718648

  更多项目《疲劳驾驶检测和识别》系列文章请参考：

  1. 疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)https://blog.csdn.net/guyuealian/article/details/131718648
  2. 疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)https://blog.csdn.net/guyuealian/article/details/131834946

  3. 疲劳驾驶检测和识别3：Android实现疲劳驾驶检测和识别(含源码，可实时检测)https://blog.csdn.net/guyuealian/article/details/131834970

  4.  疲劳驾驶检测和识别4：C++实现疲劳驾驶检测和识别(含源码，可实时检测)疲劳驾驶检测和识别4：C++实现疲劳驾驶检测和识别(含源码，可实时检测)_AI吃大瓜的博客-CSDN博客

2. 疲劳驾驶类别说明

在疲劳驾驶检测和识别算法开发中，我们需要定义疲劳驾驶的行为状态，项目将疲劳驾驶状态分为两个状态，分别为：疲劳(drowsy)，不疲劳(undrowsy)，为了便于大家理解，这里给出这两个状态的图示说明

  • 疲劳(drowsy)： 如果驾驶过程中出现闭眼，打哈欠等疲劳困倦等表情动作，则认为是疲劳驾驶(drowsy)
  • 不疲劳(undrowsy)：正常情况下，没有出现闭眼，打哈欠的表情动作，则认为是清醒状态，即非疲劳状态（undrowsy）
drowsy
undrowsy

3. 疲劳驾驶检测数据集：

项目已经收集了两个疲劳驾驶检测数据集(Drowsy Driving Detection Dataset)：Drowsy-Driving-Det1和Drowsy-Driving-Det2，总共13000+张图片

（1）Drowsy-Driving-Det1

Drowsy-Driving-Det1疲劳驾驶检测数据集，该数据来源于国外开源数据集，大部分数据是通过车载摄像头拍摄驾驶人的驾驶行为，部分数据是非车内场景的图片。总共约10000+张图片，分为两个子集：训练集(Train)和测试集(Test)；其中训练集(Train)总数超过10061，测试集(Test)总数500张​​​​；图片已经使用labelme进行标注，标注格式统一转换为VOC数据格式，其中人脸框标注了的两个状态：drowsy(疲劳)，undrowsy(非疲劳)，可直接用于深度学习目标检测模型训练。

drowsy(疲劳)undrowsy(非疲劳)

（2）Drowsy-Driving-Det2

Drowsy-Driving-Det2疲劳驾驶检测数据集，该数据来源于国内开源数据集，主要通过车载摄像头拍摄驾驶人的驾驶行为，十分符合疲劳驾驶实际的业务场景。总共约2914张图片，图片已经使用labelme进行标注，标注格式统一转换为VOC数据格式，其中人脸框标注了的两个状态：drowsy(疲劳)，undrowsy(非疲劳)，可直接用于深度学习目标检测模型训练。

drowsy(疲劳)undrowsy(非疲劳)

 4. 疲劳驾驶分类数据集

项目已经收集了三个疲劳驾驶分类数据集（Drowsy Driving Classification Dataset），分别为Drowsy-Driving-Cls1，Drowsy-Driving-Cls2和Drowsy-Driving-Cls3，总共50000+张图片

（1）Drowsy-Driving-Cls1

Drowsy-Driving-Cls1疲劳驾驶分类数据集，是在Drowsy-Driving-Det1疲劳驾驶检测数据集上，裁剪人脸区域图片，制作的疲劳驾驶分类数据集，裁剪的图片存放在drowsy(疲劳)，undrowsy(非疲劳)两个文件夹中，分为两个子集：训练集(Train)和测试集(Test)；其中训练集(Train)总数超过10000+，测试集(Test)总数500张左右；所有人脸图片，都已经按照其所属类别存放于各自的文件夹下，可直接用于深度学习分类模型训练。

drowsy(疲劳)undrowsy(非疲劳)

（2）Drowsy-Driving-Cls2

Drowsy-Driving-Cls2疲劳驾驶分类数据集，是在Drowsy-Driving-Det2疲劳驾驶检测数据集上，裁剪人脸区域图片，制作的疲劳驾驶分类数据集，裁剪的图片存放在drowsy(疲劳)，undrowsy(非疲劳)两个文件夹中，总数3400张左右；所有人脸图片，都已经按照其所属类别存放于各自的文件夹下，可直接用于深度学习分类模型训练。

drowsy(疲劳)undrowsy(非疲劳)

（3）Drowsy-Driving-Cls3

Drowsy-Driving-Cls3疲劳驾驶分类数据集，原始图片主要来源于国外开源人脸数据集，数据比较杂，存在部分图片分类错误的问题，建议使用前再次进行清洗，总共41,793张图片；所有人脸图片，都已经按照其所属类别存放于各自的文件夹下，可直接用于深度学习分类模型训练。

drowsy(疲劳)undrowsy(非疲劳)

5. 疲劳驾驶检测和分类数据集下载

下载地址：疲劳驾驶检测和识别数据集(含下载链接)

疲劳驾驶数据集包含内容：

  • 疲劳驾驶检测数据集：包含Drowsy-Driving-Det1和Drowsy-Driving-Det1，总共13000+张图片；标注格式统一转换为VOC数据格式，其中人脸框标注了的两个状态：drowsy(疲劳)，undrowsy(非疲劳)，可用于深度学习疲劳驾驶目标检测模型算法开发。

  • 疲劳驾驶分类数据集：包含Drowsy-Driving-Cls1，Drowsy-Driving-Cls2和Drowsy-Driving-Cls3，总共50000+张图片；所有人脸图片，都已经按照其所属类别存放于各自的文件夹下，可用于深度学习疲劳驾驶分类识别模型算法开发。

6. Pytorch实现疲劳驾驶检测识别

参考文章：疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)https://blog.csdn.net/guyuealian/article/details/131834946

7. Android实现疲劳驾驶检测识别

参考文章：疲劳驾驶检测和识别3：Android实现疲劳驾驶检测和识别(含源码，可实时检测)https://blog.csdn.net/guyuealian/article/details/131834970 

AI吃大瓜
关注
  • 6
    点赞
  • 踩
  • 92
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 14
    评论
专栏目录
疲劳驾驶数据集_人工检查，11 个类、97942 个标签，Roboflow 开源自动驾驶数据集可以使用啦...
weixin_39774491的博客
11-28 1197
机器学习即将带来一系列的社会变革，其中一个被大肆宣传的领域是自动驾驶。但是，伴随着自动驾驶技术的巨大动力而来的是巨大的责任，如果一辆自动驾驶汽车训练的不够好，可能会引发车祸，导致人员伤亡。这是一个非常危险的问题。 机器学习是通过举例来教计算机算法以执行新任务的过程，但是，ML 模型只能在和它们所训练的数据一样的情况下表现良好。缺失大量行人和关键标注的自动驾驶数据集问题很大 然而，合适的训练数据集并...
疲劳驾驶监测数据集.zip
05-04
本数据集包含了人疲劳时的一些照片，建议训练时可以把打哈欠张嘴的状态和闭眼的状态作为疲劳标准，以此来进行一个新手练习的小项目。 经过测试发现，由于原数据集中存在图片数据与标注数据不匹配的问题，故我们需要将不匹配的这部分数据删除。 代码参考如下 import os,shutil jpeg = ‘Dataset/dataset/JPEGImages’ jpeg_list = os.listdir(jpeg) anno = ‘Dataset/dataset/Annotations’ anno_list = os.listdir(anno) for pic in jpeg_list: name = pic.split(‘.’)[0] anno_name = name + ‘.xml’ print(anno_name) if anno_name not in anno_list: os.remove(os.path.join(jpeg,pic))
疲劳驾驶检测数据集 VOC格式 可以用于实际项目
04-21
疲劳驾驶检测数据集 VOC格式 可以用于实际项目
[数据集][目标检测]驾驶中眼睛疲劳检测数据集VOC+YOLO格式4030张2类别
最新发布
FL1623863129的博客
06-24 545
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)重要说明：数据集中大部分都是对眼睛进行标注，疲劳眼睛标注为Drowsy eye，非疲劳眼睛标注为Attentive eye。特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["Attentive eye","Drowsy eye"]标注数量(txt文件个数)：4030。标注规则：对类别进行画矩形框。
疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接).txt
07-24
疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)https://blog.csdn.net/guyuealian/article/details/131718648 疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)https://blog.csdn.net/guyuealian/article/details/131834946 疲劳驾驶检测和识别3：Android实现疲劳驾驶检测和识别(含源码，可实时检测)https://blog.csdn.net/guyuealian/article/details/131834970 疲劳驾驶检测和识别4：C++实现疲劳驾驶检测和识别(含源码，可实时检测)https://panjinquan.blog.csdn.net/article/details/131834980
[数据集][VOC]疲劳驾驶数据集VOC格式4类别-4362张
07-07
数据集格式：Pascal VOC格式(不包含分割的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：4362 标注数量(xml文件个数)：4362 标注类别数：4 标注类别名称:["closed_eye","closed_mouth","open_eye","open_mouth"] 每个类别标注的框数： closed_eye count = 2485 closed_mouth count = 3343 open_eye count = 4903 open_mouth count = 936 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：closed_eye闭眼，closed_mouth闭嘴，open_eye睁眼，open_mouth张嘴，通过睁闭眼嘴判断是否处于疲劳状态 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
疲劳驾驶数据集-dataset.rar
03-21
疲劳驾驶数据集，标签格式为xml和txt两种格式， 类别为：closed_eye、closed_mouth、open_eye、open_mouth
[数据集][目标检测]疲劳驾驶数据集VOC格式4类别-4362张
FL1623863129的博客
08-24 1328
重要说明：closed_eye闭眼，closed_mouth闭嘴，open_eye睁眼，open_mouth张嘴，通过睁闭眼嘴判断是否处于疲劳状态。标注类别名称:["closed_eye","closed_mouth","open_eye","open_mouth"]数据集格式：Pascal VOC格式(不包含分割的txt文件，仅仅包含jpg图片和对应的xml)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注数量(xml文件个数)：4362。
疲劳驾驶检测
01-05
matlab编写程序，通过定位人眼，嘴巴，检测驾驶员是否处于疲劳状态，运行简单，界面清晰
疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)
AI吃大瓜的博客
07-24 9681
疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)；驾驶异常行为识别，疲劳驾驶识别，疲劳驾驶检测
疲劳驾驶数据集_自动驾驶数据集Argoverse Dataset
weixin_39914107的博客
11-29 1767
Argoverse数据集是由Argo AI、卡内基梅隆大学、佐治亚理工学院发布的用于支持自动驾驶汽车3D Tracking和Motion Forecasting研究的数据集。数据集包括两个部分：Argoverse 3D Tracking与Argoverse Motion Forecasting。Argoverse数据集包含LiDAR数据、 RGB视频数据、前向双目数据、6 DOF的定位数...
疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码).txt
07-24
疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)https://blog.csdn.net/guyuealian/article/details/131718648 疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)https://blog.csdn.net/guyuealian/article/details/131834946 疲劳驾驶检测和识别3：Android实现疲劳驾驶检测和识别(含源码，可实时检测)https://blog.csdn.net/guyuealian/article/details/131834970 疲劳驾驶检测和识别4：C++实现疲劳驾驶检测和识别(含源码，可实时检测)https://panjinquan.blog.csdn.net/article/details/131834980
疲劳驾驶检测和识别3：Android实现疲劳驾驶检测和识别(含源码，可实时检测).txt
07-24
疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)https://blog.csdn.net/guyuealian/article/details/131718648 疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)https://blog.csdn.net/guyuealian/article/details/131834946 疲劳驾驶检测和识别3：Android实现疲劳驾驶检测和识别(含源码，可实时检测)https://blog.csdn.net/guyuealian/article/details/131834970 疲劳驾驶检测和识别4：C++实现疲劳驾驶检测和识别(含源码，可实时检测)https://panjinquan.blog.csdn.net/article/details/131834980
疲劳驾驶测试Demo.rar
07-27
疲劳驾驶测试Demo.rar
检测疲劳驾驶
11-18
人脸识别中检测人脸眼睛的状态，基于matlab的，简单易懂
疲劳驾驶目标检测数据集和训练好的模型
03-25
疲劳驾驶目标检测数据集和训练好的模型 标签xml格式，模型是pytorch模型 ssd300_VOC_100000.pth vgg16_reducedfc.pth fdd-dataset.zip fdd-dataset.zip ssd300_VOC_100000.pth vgg16_reducedfc.pth 疲劳驾驶目标检测数据集和训练好的模型.zip 以下是文件夹 dataset 里的文件 txt.py 以下是文件夹 Annotations 里的文件 以下是文件夹 ImageSets 里的文件 以下是文件夹 JPEGImages 里的文件
疲劳驾驶检测和识别4：C++实现疲劳驾驶检测和识别(含源码，可实时检测).txt
07-24
疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)https://blog.csdn.net/guyuealian/article/details/131718648 疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)...
疲劳驾驶检测和识别Android Demo App.zip
07-24
疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)https://blog.csdn.net/guyuealian/article/details/131718648 疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)...
基于Dlib＆YOLOv5的疲劳驾驶和分心行为检测系统（哈欠＆喝水＆抽烟＆打电话检测）深度学习，Python，OpenCV，PyQT
weixin_44805644的博客
03-07 1518
基于Dlib＆YOLOv5的疲劳驾驶和分心行为检测系统（哈欠＆喝水＆抽烟＆打电话检测）深度学习，Python，OpenCV，PyQT
用python和opencv写一个基于卷积神经网络的疲劳驾驶识别检测+数据集
05-30
下面是一个基于卷积神经网络的疲劳驾驶识别检测的Python代码，包括数据集的生成和模型的训练和测试： ``` import cv2 import os import numpy as np from sklearn.model_selection import train_test_split from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten from keras.layers.convolutional import Conv2D, MaxPooling2D from keras.utils import to_categorical # 生成数据集 def load_dataset(dataset_path, img_size): # 读取数据集 images = [] labels = [] for foldername in os.listdir(dataset_path): label = int(foldername) folderpath = os.path.join(dataset_path, foldername) for filename in os.listdir(folderpath): imagepath = os.path.join(folderpath, filename) image = cv2.imread(imagepath) image = cv2.resize(image, (img_size, img_size)) images.append(image) labels.append(label) images = np.array(images, dtype=np.float32) / 255.0 labels = np.array(labels, dtype=np.int32) return images, labels # 划分数据集 def split_dataset(images, labels, test_size): x_train, x_test, y_train, y_test = train_test_split(images, labels, test_size=test_size, random_state=42) y_train = to_categorical(y_train) y_test = to_categorical(y_test) return x_train, x_test, y_train, y_test # 定义模型 def create_model(img_size, num_classes): model = Sequential() model.add(Conv2D(32, (3, 3), input_shape=(img_size, img_size, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) model.add(Flatten()) model.add(Dense(128, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(num_classes, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) return model # 训练模型 def train_model(x_train, y_train, x_test, y_test, batch_size, epochs): model = create_model(x_train.shape[1], y_train.shape[1]) model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=epochs, batch_size=batch_size) return model # 测试模型 def test_model(model, images, labels): loss, acc = model.evaluate(images, labels, verbose=0) return acc # 主函数 if __name__ == '__main__': dataset_path = 'dataset' img_size = 32 test_size = 0.2 batch_size = 32 epochs = 10 num_classes = 2 images, labels = load_dataset(dataset_path, img_size) x_train, x_test, y_train, y_test = split_dataset(images, labels, test_size) model = train_model(x_train, y_train, x_test, y_test, batch_size, epochs) acc = test_model(model, x_test, y_test) print('Test accuracy:', acc) ``` 在这个代码中，我们首先使用`load_dataset`函数读取数据集，然后使用`split_dataset`函数划分数据集，接着使用`create_model`函数定义模型，使用`train_model`函数训练模型，最后使用`test_model`函数测试模型。其中，`num_classes`表示数据集中的类别数，本例中为2（疲劳和非疲劳），可以根据实际情况进行修改。 需要注意的是，在运行代码之前，需要先准备好数据集，将疲劳和非疲劳的图像分别放在两个不同的文件夹中，并将这两个文件夹放在一个名为`dataset`的文件夹下。 希望对你有所帮助！
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI吃大瓜

尊重原创，感谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值