【数据集】【YOLO】【目标检测】道路结冰数据集 1527 张，YOLO目标检测实战训练教程！

数据集介绍

【数据集】道路结冰数据集 1527 张，目标检测，包含YOLO/VOC格式标注。数据集中包含2种分类：“clear_road, ice_road”。数据集来自国内外图片网站和视频截图，部分数据经过数据增强处理。检测范围监控视角检测、无人机视角检测、道路结冰、道路湿滑等，可用于智慧园区、智慧城市、智慧交通。

一、数据概述

道路结冰检测的重要性

冰雪覆盖的路面容易导致车辆失控、打滑、刹车距离增加等问题，从而引发交通事故。为了保障公众的生命财产安全，交通管理部门需要实时了解道路状况，以便及时采取措施，如限速、封闭道路或提供防滑设备等，来提高道路的交通安全性。因此，开发高效、准确的道路结冰检测算法对于提高交通安全具有重要意义。

实际应用效果：

  • 基于YOLO的道路结冰检测系统可以广泛应用于高速公路、城市道路、山区道路等场景，为交通管理部门提供及时、准确的预警信息。

  • 该系统还可以与其他智能交通系统相结合，如智能导航系统、交通监控系统等，共同构建更加安全、高效的智能交通体系。

该数据集含有1527张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试监控视角检测、无人机视角检测、道路结冰检测、道路湿滑检测。图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

二、数据集文件结构

road_ice/

——Annotations/

——images/

——labels/

——data.yaml

Annotations文件夹为Pascal VOC格式的XML文件 ，images文件夹为jpg格式的数据样本，labels文件夹是YOLO格式的TXT文件，data.yaml是数据集配置文件，包含道路结冰检测的目标分类和加载路径。

三、数据集适用范围 

  • 目标检测场景
  • yolo训练模型或其他模型
  • 智慧城市、智慧园区、智慧交通
  • 监控视角检测、无人机视角检测、道路结冰、道路湿滑

四、数据集标注结果 

​​​​

​

1、数据集内容 

  1. 多角度场景：包含行人视角、俯视视角；
  2. 通过光照变化、阴影干扰、遮挡物进行了数据增强；
  3. 标注内容：names: ['clear-road', 'ice-road']，总计2个分类。
  4. 图片总量：1527张图片数据；
  5. 标注类型：含有Pascal VOC XML格式和yolo TXT格式；

五、训练过程

1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

​​

在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

——Annotations/   //存放xml文件

——images/          //存放jpg图像

——imageSets/

——labels/

2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

3、数据集格式化处理

这段代码是用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

  • 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

  • 它打开XML文件，解析树结构，提取图像的宽度和高度。

  • 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

  • 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

  • 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['clear_road', 'ice_road'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    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


def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text),
             float(xmlbox.find('xmax').text),
             float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

4、修改数据集配置文件

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

nc: 1
names: ['clear_road', 'ice_road']

5、执行命令

执行train.py

model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

六、获取数据集 

戳我头像获取数据，或者主页私聊博主哈~

基于QT的目标检测可视化界面

一、环境配置

# 安装torch环境
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装PySide6依赖项
pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装opencv-python依赖项
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

二、使用说明

​​​

界面功能介绍：

  • 原视频/图片区：上半部分左边区域为原视频/图片展示区；
  • 检测区：上半部分右边区域为检测结果输出展示区；
  • 文本框：打印输出操作日志；
  • 加载模型：下拉框绑定本地文件路径，按钮加载路径下的模型文件；
  • 置信度阈值：自定义检测区的置信度阈值；
  • 文件上传：选择目标文件；
  • 开始检测：执行检测程序；
  • 停止：终止检测程序；

 三、预测效果展示

1、图片检测

​​​

切换置信度再次执行：

​​​

2、视频检测 

​​​

四、前端代码 

class MyWindow(QtWidgets.QMainWindow):
    def __init__(self):
        super().__init__()

        self.init_gui()
        self.model = None
        self.timer = QtCore.QTimer()
        self.timer1 = QtCore.QTimer()
        self.cap = None
        self.video = None
        self.file_path = None
        self.base_name = None
        self.timer1.timeout.connect(self.video_show)

    def init_gui(self):
        self.folder_path = "model_file"  # 自定义修改：设置文件夹路径
        self.setFixedSize(1300, 650)
        self.setWindowTitle('目标检测')  # 自定义修改：设置窗口名称
        self.setWindowIcon(QIcon("111.jpg"))  # 自定义修改：设置窗口图标
        central_widget = QtWidgets.QWidget(self)
        self.setCentralWidget(central_widget)
        main_layout = QtWidgets.QVBoxLayout(central_widget)

        # 界面上半部分： 视频框
        topLayout = QtWidgets.QHBoxLayout()
        self.oriVideoLabel = QtWidgets.QLabel(self)
        self.detectlabel = QtWidgets.QLabel(self)
        self.oriVideoLabel.setFixedSize(530, 400)
        self.detectlabel.setFixedSize(530, 400)
        self.oriVideoLabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top:75px;')
        self.detectlabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;')
        # 960 540  1920 960
        topLayout.addWidget(self.oriVideoLabel)
        topLayout.addWidget(self.detectlabel)
        main_layout.addLayout(topLayout)

五、代码获取

YOLO可视化界面

戳我头像获取数据，或者主页私聊博主哈~

注：以上均为原创内容，转载请私聊！！！


http://www.niftyadmin.cn/n/5744538.html

相关文章

Vue 计算属性和监听器

Vue 计算属性和监听器

文章目录 一、计算属性1. 计算属性定义2. computed 比较 methods3. 计算属性完整写法 二、监听器1. 普通监听2. 添加额外配置项 一、计算属性 1. 计算属性定义 概念：基于现有的数据，计算出来的新属性，依赖的数据变化，自动重新计…
阅读更多...
（十二）JavaWeb后端开发——MySQL数据库

（十二）JavaWeb后端开发——MySQL数据库

目录 1.数据库概述 2.MyQSL 3.数据库设计 DDL 4.MySQL常见数据类型 5.DML 1.数据库概述 数据库：DataBase(DB)，是存储和管理数据的仓库 数据库管理系统：DataBase ManagementSystem(DBMS)，操纵和管理数据库的大型软件 SQL&a…
阅读更多...
SSH实验5密钥登录Linuxroot用户（免密登录）

SSH实验5密钥登录Linuxroot用户（免密登录）

当用户尝试通过SSH连接到远程服务器时，客户端会生成一对密钥：公钥和私钥。公钥被发送到远程服务器，并存储在服务器的~/.ssh/authorized_keys文件中。而私钥则由客户端保管，不会传输给服务器。 在连接过程中，客户端使用…
阅读更多...
案例解读 | 某大型家居企业综合运维监控平台建设实践

案例解读 | 某大型家居企业综合运维监控平台建设实践

01.客户简介 案例客户是一家在A股上市的大型家居企业，专注于客餐厅、卧室及全屋定制家居产品的研究、开发、生产和销售，旗下拥有多个系列自有品牌，并与美国、意大利家居品牌开展战略合作，业务覆盖全球120余个国家和地区&#xff…
阅读更多...
中肿团队提出的“免疫三明治”（放疗+化疗+免疫治疗），成功登上柳叶刀肿瘤｜顶刊精析·24-11-08

中肿团队提出的“免疫三明治”（放疗+化疗+免疫治疗），成功登上柳叶刀肿瘤｜顶刊精析·24-11-08

小罗碎碎念 该研究首次发现在同期放化疗基础上增加特瑞普利单抗（PD-1抗体）新辅助和辅助治疗显著提高了高危局部晚期鼻咽癌患者生存率。 如果大家看完这篇推送以后，有什么好的医工交叉点子，欢迎和我一起探讨！&#xff0…
阅读更多...
【YOLO学习】YOLOv10配置

【YOLO学习】YOLOv10配置

文章目录 1. 环境配置步骤2. 国内镜像源3. 安装pytorch 1. 环境配置步骤 1. YOLOv10官网：https://github.com/THU-MIG/yolov10 2. 创建环境： conda create -n yolov10 python3.9 conda activate yolov10 pip install -r requirements.txt pip install -…
阅读更多...
java: 无法访问org.springframework.web.bind.annotation.RequestMapping

java: 无法访问org.springframework.web.bind.annotation.RequestMapping

一、报错问题 java: 无法访问org.springframework.web.bind.annotation.RequestMapping 二、原因分析 SpringBoot使用了3.0或者3.0以上，因为Spring官方发布从Spring6以及SprinBoot3.0开始最低支持JDK17。所以仅需要将SpringBoot版本降低为3.0以下即可（或…
阅读更多...
【面试全纪实 | Linux 08 网络通讯命令类】请回答，你真的了解Linux吗?

【面试全纪实 | Linux 08 网络通讯命令类】请回答，你真的了解Linux吗?

🗺️博客地图 📍1. ifconfig 命令 📍2. iptables 命令 📍3. netstat 命令 📍4. ping 命令 📍5. telnet 命令 1. ifconfig 命令 ifconfig 用于查看和配置 Linux 系统的网络接口。 查看所有网络接口…
阅读更多...
最新文章

Copyright @ 2022~2023