智能街区视频AI分析系统数据集搜集

智能街区视频AI分析系统

算法选择

YOLOV5（大部分项目合适）

【优势】：速度快，对全局信息大物件有较好的表现，且有较高的准确率，更轻量级，适合做实时监测。
（相较于V3和V4灵活性更强）
【缺点】：对于在同一个网格内出现多个目标物体的情况表现不佳，无法全部识别出这多个目标，且在小范围的信息上表现较差。准确率和漏检率较低。

YOLOV3

特点：与V5相似，但速度比V5慢

Faster-RCNN 系列（不太适合）

【优势】 对小物体有更好对检测效果，准确率高
【缺点】 仍存在一些计算冗余，速度较慢

SSD算法

【优势】 结合平衡了YOLO和Faster RCNN的优缺点的模型，在小物件和大物件上都有不错的表现，比yolo准确率高
【缺点】 但在实时性上没有yolo算法好

SIFT算法

【优势】是一种检测局部特征的算法，SIFT特征不只具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够得到好的检测效果。
【缺点】图像就得满足足够多的纹理，否则容易造成误匹配，不适用于如指纹图像的匹配，星图识别等这类图像。

FLANN 匹配（快速最近邻搜索包）

【优势】适用于在杂乱的环境中找到最相似的对象。速度较快。
【缺点】但精确度与暴力匹配BFMatcher来说，较低。

项目

1. 垃圾桶满溢识别

可能关键词：trash | Trash Can | garbage can | garbage bags
可能算法：目标检测算法或图片匹配算法

1.1 SpotGarbage垃圾识别数据集

描述：图像中的垃圾（GINI）数据集是SpotGarbage引入的一个数据集，包含2561张图像，956张图像包含垃圾，其余的是在各种视觉属性方面与垃圾非常相似的非垃圾图像。
拥有的属性标注： Each image has the following attributes: image,query,label,startX,startY,endX,endY

数据集链接：http://m6z.cn/5ZMmRG

1.2 垃圾溢出数据集

描述：数据集全部有垃圾溢出图片组成，一共有172张，标签类型为图像分割标签

数据集链接：https://www.cvmart.net/dataSets/detail/631

2. 机动车违停识别

可能关键词：motor vehicle | car
可能算法：YOLOV5（实时+大物件）

2.1 车辆+车牌检测数据集

【数据集说明】：
车辆车牌检测数据集，一共1456张图片，标签包含两类，分别为“car”和“plat”，道路监控摄像头视角背景，数据分布均匀，标签包含voc（xml）、yolo（txt）两种格式，多种目标检测算法可直接使用。纯手工标注，标注精准，算法拟合不错，数据质量可靠。
【车辆车牌检测数据集下载链接】https://download.csdn.net/download/DeepLearning_/87189374

2.2 VOC2005车辆数据集（可用于机动车和非机动车）

数据集链接：http://m6z.cn/5U2X4u
数据集描述：该数据集中含有自行车、摩托车、汽车、货车的图像数据，可用于CNN模型以实现车辆识别和车辆分类，其中自行车、摩托车、汽车数据来自2005 PASCAL视觉类挑战赛（VOC2005）所使用的数据的筛选处理结果，货车图片来自网络收集，后期通过筛选处理得到。在本数据中，训练数据集与测试数据集占比约为5:1。

2.3 Vehicle-Rear

数据集地址：https://paperswithcode.com/dataset/vehicle-rear
数据集描述：Vehicle-Rear 是一个新颖的车辆识别数据集，包含三个多小时的高分辨率视频，除了车牌的位置和识别外，还包含近 3，000 辆汽车的品牌、型号、颜色和年份的准确信息。

2.3 UA-DETRAC（用于一些四轮车辆）

数据集链接：http://detrac-db.rit.albany.edu/
数据集描述：UA-DETRAC是一个具有挑战性的现实世界多目标检测和多目标跟踪基准。数据集由 Cannon EOS 550D摄像头在中国北京和天津24个不同地点拍摄的10个小时的视频组成。视频以每秒25帧的速度录制，分辨率为960540像素。在UA-DETRAC数据集中，有超过14万帧和8250辆车被人工标注，总共标记了121万物体的边界盒。我们还对目标检测和多目标跟踪方面的最新方法进行基准测试，以及本网站中详细介绍的评估指标。
车辆分为四类，即轿车、公共汽车、厢式货车和其他车辆。
天气情况分为四类，即多云、夜间、晴天和雨天。

3. 煤气罐识别

可能关键词：gas tank | gasometer | gasholder
除CSDN未找到

4. 路段拥挤警告

可能关键词：Road congestion | traffic jam
暂未找到合适数据集

5. 占道经营识别

可能关键词：三轮车（tricycle）、street pedlar

5.1 三轮车识别

数据集链接：https://download.csdn.net/download/weixin_37932346/17291859
（需要付费4.9）

6. 非机动车不带头盔

可能关键词：helmet
可能算法：YOLO V3、YOLO V5

6.1 缅因摩托车戴头盔数据集（HFUT-MH数据集）（较好）

HELMET数据集包含910个摩托车交通视频剪辑，于12年在缅甸的2016个观测点录制。每个视频剪辑的持续时间为 10 秒，以 10fps 的帧速率和 1920x1080 的分辨率录制。该数据集包含 10，006 辆摩托车，超过了现有数据集中可用的摩托车数量。数据集的 91，000 个带注释的帧中的每辆摩托车都用边界框进行注释，并提供每辆摩托车的骑手编号以及特定位置的头盔使用数据。
数据链接：https://osf.io/4pwj8/

6.2 头盔dection（与6.3数据集类似）

该数据集包含用于头盔检测的2个不同类别的764个图像。
边界框注释以PASCAL VOC格式提供

数据集链接：https://www.kaggle.com/datasets/andrewmvd/helmet-detection

6.3 头盔dection

训练数据集链接1：https://github.com/sidpro-hash/Helmet-Detection-YOLOv5/tree/main/Helment_Detection_Yolov5/train
验证数据集链接：https://github.com/sidpro-hash/Helmet-Detection-YOLOv5/tree/main/Helment_Detection_Yolov5/valid
使用算法：YOLOv5
数据标注信息：

train: ../train/images
val: ../valid/images

nc: 2
names: ['With Helmet', 'Without Helmet']

6.4 Yolo-Training-GoogleColab（头盔）

一共有98张图片还有对应的头盔类别和边界框
数据集链接：https://github.com/rafiuddinkhan/Yolo-Training-GoogleColab/tree/master/data
注意！！：这里的图片多使用自行车头盔，可能与实际情况不符

7. 消防通道占用识别

可能算法：FLANN 匹配
原因：消防通道路面较固定，可以使用特征匹配的方式

8. 非机动车进入机动车道识别

可能关键词：electricbicycle | e-bike | bike | Non-vehicle
可能算法：YOLOV5
一些车辆数据集：https://blog.csdn.net/zhiqingAI/article/details/124230743

9. 路面不洁

9.1 生活垃圾数据集（数据过近且多在泥地可能不太符合实际情况）

数据集链接：http://m6z.cn/6n5Adu
数据集描述：大约9000多张独特的图片。该数据集由印度国内常见垃圾对象的图像组成。图像是在各种照明条件、天气、室内和室外条件下拍摄的。该数据集可用于制作垃圾/垃圾检测模型、环保替代建议、碳足迹生成等。

10. 电动车上楼识别

可能关键词：electricbicycle | e-bike
可能算法：YOLOV5

10.1 电动车进入电梯的素材（可能没标注）

数据集链接：https://paperswithcode.com/dataset/189-videos-electric-bicycle-entering-elevator
数据集描述： 189个视频-电动自行车输入电梯数据，总时长为1小时58分40.72秒。数据涵盖了不同类型的电梯，不同类型的电动自行车，不同的时间段。这些数据可用于电动自行车检测、电动自行车识别等任务。