YOLO目标检测——斑马线目标检测数据集【含对应voc、coco和yolo三种格式标签】

已于 2024-02-26 10:04:57 修改
阅读量393 收藏 14
点赞数 7
分类专栏： YOLO数据集下载 文章标签： YOLO 目标检测 人工智能 计算机视觉 python 斑马线目标检测数据集 斑马线数据集
于 2024-02-26 10:03:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_64879847/article/details/136292597
版权
  • 实际项目应用：自动驾驶系统、智能交通监控、行人保护系统、辅助驾驶功能
  • 数据集说明：真实场景的高质量图片数据，数据场景丰富
  • 标签说明：使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。
  • 其他：附赠YOLO环境部署、训练案例教程和数据集划分脚本，可以根据需求自行划分训练集、验证集、测试集。

数据集点击下载（如需更多数量请私信博主）：

在这里插入图片描述

在这里插入图片描述

YOLO目标检测数据集下载大全点击查看：https://blog.csdn.net/m0_64879847/article/details/132301975

YOLO数据集工作室
关注
  • 7
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
YOLO斑马线目标检测数据集(含30000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
11-11
1、YOLO斑马线目标检测数据集，真实场景的高质量图片数据，数据场景丰富。使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以根据需求自行划分训练集、验证集、测试集。 3、数据集详情展示和更多数据集下载：https://blog.csdn.net/m0_64879847/article/details/132301975 4、如需更多数量和其他数据集请私信博主~
yolov8人行横道检测权重 yolov8斑马线检测
01-08
1、yolov8行人横道检测，yolov8斑马线检测；包含训练好的yolov8行人横道检测权重以及PR曲线，loss曲线等等，map达90% 多，yolov8行人横道检测数据集中训练得到的权重； 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码，可以和YOLOv5共用一个环境，配置好环境就可以加载已经训练好的模型直接进行测试，得出结果 4、https://blog.csdn.net/zhiqingAI/article/details/134629857
YOLO斑马线目标检测数据集(含5000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
11-10
1、YOLO斑马线目标检测数据集，真实场景的高质量图片数据，数据场景丰富。使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以根据需求自行划分训练集、验证集、测试集。 3、数据集详情展示和更多数据集下载：https://blog.csdn.net/m0_64879847/article/details/132301975 4、如需更多数量和其他数据集请私信博主~
基于YOLOv8+PyQt5开发的行人过马路危险行为检测告警系统(附数据集和源码下载）
DeepLearning_的博客
08-13 2762
交通安全一直是一个备受关注的重要议题。每年都有大量的交通事故发生，其中很多都与行人在过马路时的危险行为有关。故我开发了一种基于YOLOv8的行人过马路危险行为检测告警系统。它能够快速准确地识别图像或视频中的行人，并判断他们是否存在危险行为。通过结合计算机视觉和深度学习技术，该系统能够实时监测行人在过马路时的行为，并及时发出警报，以提醒行人和驾驶员注意交通安全。提示：以下是本篇文章正文内容在本博客中，我们介绍了基于YOLOv8和PyQt5的行人过马路危险行为检测告警系统。
基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标追踪、运动物体追踪
最新发布
阿旭的博客
01-25 3153
基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标追踪、运动物体追踪
人工智能深度学习之斑马线检测数据集斑马线数据集
12-01
斑马线数据集，两类：others \ zebra
【yolov5人行道-斑马线目标检测】
小秋的博客
11-26 498
对于人行道-斑马线的检测，YOLOv5模型会根据输入的图片，在图像特征的预测过程中，对边界框和类别进行预测。在具体操作中，输入图片会经过Backbone网络进行特征提取，然后通过Neck网络将图像特征传递到预测层，最后通过Head网络对图像特征进行预测，生成边界框和并预测类别。在目标检测领域，YOLOv5通过结合多种技术手段，包括使用Mosaic数据增强操作、自适应锚框计算与自适应图片缩放方法、利用Neck网络提升特征的多样性及鲁棒性等，使得其检测效果和速度都有所提升。
CDSet-3434: 开源斑马线检测数据集和检测代码
白小心0225的博客
09-10 344
首个开源的斑马线检测数据集，还有相应基准模型，数据集和代码均开源！！！
yolov5行人道斑马线目标检测数据集 yolo-Zebra-Crossin-dataset1.zip
08-05
1000张yolov5行人道斑马线目标检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型， 数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： names: ['Zebra-Crossing'] train: ./train/images val: ./valid/images test: ./test/image
手工采集的斑马线与人行道标注数据集，可用于YOLOv5等目标检测任务的训练
07-13
压缩包内提供百度网盘下载链接，永不失效。 该数据集为自采集数据，包含训练集及验证集3880张，测试集1770张。标签为人行道和斑马线两种标签，目前支持XML与YOLO格式的目标检测网络训练。可用于道路安全、行人礼让等任务探索。 该数据集为自采集数据，包含训练集及验证集3880张，测试集1770张。标签为人行道和斑马线两种标签，目前支持XML与YOLO格式的目标检测网络训练。可用于道路安全、行人礼让等任务探索。 该数据集为自采集数据，包含训练集及验证集3880张，测试集1770张。标签为人行道和斑马线两种标签，目前支持XML与YOLO格式的目标检测网络训练。可用于道路安全、行人礼让等任务探索。
语义分割斑马线数据集.rar
08-19
用于运行语义分割网络的简单数据集 有191张图片 此外内含数据增强文件夹 增强后为764张图片，可供语义分割网络的训练
斑马线数据集.txt
03-05
自己做的人行道数据集希望可以帮到大家，
Kaggle交通检测数据集测试集
06-06
Kaggle交通检测数据集测试集
YOLO斑马线目标检测数据集(含1000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
11-10
使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以...
YOLO斑马线目标检测数据集(含20000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
11-10
使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以...
YOLO斑马线目标检测数据集(含10000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
11-10
使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以...
使用python写一个脚本将yolo格式的目标检测数据集转换为voc格式的目标检测数据集
05-16
好的，以下是一个将yolo格式的数据集转换为voc格式的脚本。请确保您已经安装了必要的Python库，如xml.etree.ElementTree和opencv。 ```python import os import cv2 import xml.etree.ElementTree as ET classes = ['class1', 'class2', 'class3'] # 填写您的类别列表 yolo_labels_folder = 'yolo_labels/' # 填写您的yolo标签文件夹 voc_labels_folder = 'voc_labels/' # 填写您要输出的voc标签文件夹 image_folder = 'images/' # 填写您的图像文件夹 def convert(size, box): dw = 1. / size[0] dh = 1. / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 w = box[1] - box[0] h = box[3] - box[2] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) for filename in os.listdir(yolo_labels_folder): if filename.endswith('.txt'): img_id = filename[:-4] img_path = image_folder + img_id + '.jpg' img = cv2.imread(img_path) h, w, _ = img.shape # 创建新的voc标签文件 root = ET.Element('annotation') ET.SubElement(root, 'folder').text = 'VOC2007' ET.SubElement(root, 'filename').text = img_id + '.jpg' source = ET.SubElement(root, 'source') ET.SubElement(source, 'database').text = 'Unknown' size = ET.SubElement(root, 'size') ET.SubElement(size, 'width').text = str(w) ET.SubElement(size, 'height').text = str(h) ET.SubElement(size, 'depth').text = '3' ET.SubElement(root, 'segmented').text = '0' with open(yolo_labels_folder + filename, 'r') as f: lines = f.readlines() for line in lines: line = line.strip().split(' ') class_id = int(line[0]) x_min = int(float(line[1]) * w - float(line[3]) * w / 2) y_min = int(float(line[2]) * h - float(line[4]) * h / 2) x_max = int(float(line[1]) * w + float(line[3]) * w / 2) y_max = int(float(line[2]) * h + float(line[4]) * h / 2) obj = ET.SubElement(root, 'object') ET.SubElement(obj, 'name').text = classes[class_id] ET.SubElement(obj, 'pose').text = 'Unspecified' ET.SubElement(obj, 'truncated').text = '0' ET.SubElement(obj, 'difficult').text = '0' bbox = ET.SubElement(obj, 'bndbox') ET.SubElement(bbox, 'xmin').text = str(x_min) ET.SubElement(bbox, 'ymin').text = str(y_min) ET.SubElement(bbox, 'xmax').text = str(x_max) ET.SubElement(bbox, 'ymax').text = str(y_max) # 保存voc标签文件 tree = ET.ElementTree(root) tree.write(voc_labels_folder + img_id + '.xml') ``` 请将代码中的“classes”，“yolo_labels_folder”，“voc_labels_folder”和“image_folder”替换为您的自定义变量。此脚本假定yolo标签文件和图像文件具有相同的文件名（但文件扩展名不同），并且它们都位于yolo_labels_folder和image_folder中。 此脚本将在voc_labels_folder中生成与yolo标签文件相对应的voc标签文件。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

YOLO数据集工作室

你的鼓励将是我创作的最大动力

¥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