车辆种类分类识别数据集，可以识别7种汽车类型，已经按照7:2:1比 例划分数据集，训练集1488张、验证集507张,测试集31张， 共计2026张。

news/2024/12/21 22:57:16/

车

 车辆种类分类识别数据集，可以识别7种汽车类型，已经按照7:2:1比 例划分数据集，训练集1488张、验证集507张,测试集31张， 共计2026张。 数据集分为一类客车(tinycar) ，=类客车(midcar) ，三类 客车(bigcar) , - -类货车(smalltruck) ，= _类货车(bigtru ck) ,油罐车(oil truck) 以及特殊车辆(specialcar) ，共计7 个种类。 nc:7. names: ['tinycar'midcar,'bigcar'smalltruck,'bigtruck,'oil truck',' specialcar']

车辆种类识别数据集

规模
  • 图像数量：2026张
  • 类别数量：7种
  • 数据量：未提供具体数据量，但通常这类数据集可能达到数百MB到几GB。
类别
  • 一类客车 (Tiny Car, tinycar)
  • 二类客车 (Mid Car, midcar)
  • 三类客车 (Big Car, bigcar)
  • 一类货车 (Small Truck, smalltruck)
  • 二类货车 (Big Truck, bigtruck)
  • 油罐车 (Oil Truck, oiltruck)
  • 特殊车辆 (Special Car, specialcar)

每类车辆的样本数量根据比例划分：

  • 训练集：1488张
  • 验证集：507张
  • 测试集：31张
数据特点
  • 高质量图像：所有图像均为高分辨率，提供了丰富的细节信息，有助于提高检测精度。
  • 多样化车辆类型：涵盖了七种常见的车辆类型，确保模型能够适应多种类型的车辆。
  • 详细标注：每张图像都附有详细的边界框标注（txt格式），标明了车辆的位置和大小。
  • 预处理数据：数据集已经按照7:2:1的比例划分好训练集、验证集和测试集，可以直接用于训练。
应用场景
  • 智能交通系统：在城市交通监控中自动识别不同类型的车辆，提高交通管理效率。
  • 自动驾驶：帮助自动驾驶汽车更好地理解和分类道路上的各种车辆，提升驾驶安全性。
  • 停车场管理：在停车场管理系统中自动识别车辆类型，便于分类管理和收费。
  • 物流管理：在物流运输过程中，自动识别货车类型，优化货物装载和运输方案。
  • 研究与教育：用于科研机构的研究以及相关院校的教学，帮助学生和研究人员更好地了解车辆识别技术。
  • 安全监控：集成到视频监控系统中，自动识别特定类型的车辆，支持安全监控和预警。

数据集结构

假设数据集的文件结构如下：

 

vehicle_classification_dataset/
├── images/
│   ├── train/
│   │   ├── 0001.jpg
│   │   ├── 0002.jpg
│   │   └── ...
│   ├── val/
│   │   ├── 0001.jpg
│   │   ├── 0002.jpg
│   │   └── ...
│   └── test/
│       ├── 0001.jpg
│       ├── 0002.jpg
│       └── ...
├── labels_txt/
│   ├── train/
│   │   ├── 0001.txt
│   │   ├── 0002.txt
│   │   └── ...
│   ├── val/
│   │   ├── 0001.txt
│   │   ├── 0002.txt
│   │   └── ...
│   └── test/
│       ├── 0001.txt
│       ├── 0002.txt
│       └── ...
└── metadata.csv
 

metadata.csv 文件内容示例：
 

 

深色版本
 

image_id, category, split
train/0001.jpg, tinycar, train
train/0002.jpg, midcar, train
val/0001.jpg, bigcar, val
val/0002.jpg, smalltruck, val
test/0001.jpg, bigtruck, test
...
 

labels_txt/0001.txt 示例（YOLO格式）：
 

0 0.5 0.5 0.3 0.3  # 类别ID, 中心点x, 中心点y, 宽度, 高度
 

代码示例
 

下面是一个完整的Python脚本示例，展示如何加载数据集、使用预训练的YOLOv5模型进行车辆种类识别，并可视化检测结果。我们将使用PyTorch和YOLOv5的相关库。
 

1. 安装依赖库
 

首先，确保安装了必要的依赖库。可以在项目目录中的requirements.txt文件中列出这些依赖库，然后运行以下命令进行安装：
 

pip install -r requirements.txt
 

requirements.txt 文件内容示例：
 

torch==1.10.0
torchvision==0.11.1
opencv-python-headless==4.5.4.60
yolov5 @ git+https://github.com/ultralytics/yolov5.git
 

2. 加载数据集和预训练模型
 

 

import os
import cv2
import torch
import numpy as np
from yolov5.models.common import DetectMultiBackend
from yolov5.utils.general import (check_img_size, non_max_suppression, scale_coords)
from yolov5.utils.torch_utils import select_device
from yolov5.utils.plots import Annotator, colors# 设置设备
device = select_device('')  # 使用默认设备（通常是GPU，如果没有则使用CPU）# 加载预训练模型
model_path = 'path_to_your_model_directory/yolov5s_vehicle_detection.pt'
model = DetectMultiBackend(model_path, device=device, dnn=False, data=None, fp16=False)
imgsz = check_img_size(640, s=model.stride)  # 检查图像尺寸# 设置模型为评估模式
model.eval()# 加载图像
def load_image(image_path):img = cv2.imread(image_path)if img is None:print(f"Failed to load image: {image_path}")return Nonereturn img# 进行推理
def detect_vehicles(img, model, imgsz, device):# 转换图像img = [letterbox(img, new_shape=imgsz, auto=True)[0]]img = np.stack(img, 0)img = img[..., ::-1].transpose((0, 3, 1, 2))  # BGR to RGB, BHWC to BCHWimg = np.ascontiguousarray(img)# 将图像转换为Tensorimg = torch.from_numpy(img).to(device)img = img.float()img /= 255.0  # 0 - 255 to 0.0 - 1.0if len(img.shape) == 3:img = img[None]  # 扩展批处理维度# 推理with torch.no_grad():pred = model(img, augment=False, visualize=False)[0]pred = non_max_suppression(pred, conf_thres=0.5, iou_thres=0.45, classes=None, agnostic=False, max_det=1000)# 处理预测结果for i, det in enumerate(pred):  # 每张图像的检测结果if len(det):det[:, :4] = scale_coords(img.shape[2:], det[:, :4], img.shape[2:]).round()annotator = Annotator(img[i].permute(1, 2, 0).cpu().numpy(), line_width=3, example=str('vehicle'))for *xyxy, conf, cls in reversed(det):label = f'{names[int(cls)]} {conf:.2f}'annotator.box_label(xyxy, label, color=colors(int(cls), True))return annotator.result()return img[0].permute(1, 2, 0).cpu().numpy()# 字母框调整
def letterbox(img, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True, stride=32):shape = img.shape[:2]  # 当前形状 [height, width]if isinstance(new_shape, int):new_shape = (new_shape, new_shape)r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])if not scaleup:  # 只缩小，不放大r = min(r, 1.0)ratio = r, r  # 宽高比new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1]  # wh paddingif auto:  # 最小矩形dw, dh = np.mod(dw, stride), np.mod(dh, stride)  # wh paddingelif scaleFill:  # 拉伸dw, dh = 0.0, 0.0new_unpad = (new_shape[1], new_shape[0])ratio = new_shape[1] / shape[1], new_shape[0] / shape[0]  # 宽高比dw /= 2  # 分配到两边dh /= 2if shape[::-1] != new_unpad:  # 缩放img = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR)top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))left, right = int(round(dw - 0.1)), int(round(dw + 0.1))img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)  # 添加边框return img, ratio, (dw, dh)# 主函数
def main(image_dir, model, imgsz, device):names = ['tinycar', 'midcar', 'bigcar', 'smalltruck', 'bigtruck', 'oiltruck', 'specialcar']for image_name in os.listdir(image_dir):if image_name.endswith('.jpg'):image_path = os.path.join(image_dir, image_name)img = load_image(image_path)if img is not None:result = detect_vehicles(img, model, imgsz, device)cv2.imshow('Vehicle Detection', result)cv2.setWindowTitle('Vehicle Detection', f'Image: {image_name}')if cv2.waitKey(0) & 0xFF == ord('q'):breakcv2.destroyAllWindows()# 假设图像存储在'image'目录下
image_dir = 'path_to_your_image_directory'# 运行主函数
main(image_dir, model, imgsz, device)
 

说明
 

  • 路径设置：请根据实际的数据集路径调整path_to_your_image_directory和path_to_your_model_directory。
  • 文件命名：假设图像文件名分别为.jpg。如果实际命名规则不同，请相应修改代码。
  • 可视化：通过绘制边界框和标注置信度，可以直观地看到图像中的车辆位置和类型。
 

进一步的应用
 

  • 训练深度学习模型：可以使用这个数据集来进一步训练或微调YOLOv5模型，以提高检测精度。
  • 数据增强：为了增加数据集的多样性和鲁棒性，可以使用数据增强技术（如旋转、翻转、缩放等）生成更多的训练样本。
  • 评估与优化：通过交叉验证和测试集评估模型性能，并不断优化模型参数，以提高检测准确率。
 

这个数据集对于车辆种类识别具有重要的实用价值，可以帮助相关部门及时发现和处理不同类型车辆，提升交通管理和安全水平。
 

 

 











http://www.ppmy.cn/news/1533140.html












相关文章










unity 中向指定的动画片段添加动画事件，并播放动画，同时获取动画片段的时长。









unity 中向指定的动画片段添加动画事件，并播放动画，同时获取动画片段的时长。




示例一 using UnityEngine;using System;public static class AnimationUtils{/// <summary>/// 向指定的动画片段添加动画事件&#xff0c;并播放动画&#xff0c;同时获取动画片段的时长。/// </summary>/// <param name"_animator">需要添加动画…




阅读更多...

















成都睿明智科技有限公司抖音电商服务靠谱吗？









成都睿明智科技有限公司抖音电商服务靠谱吗？




在这个电商风起云涌的时代&#xff0c;抖音作为短视频直播的超级流量池&#xff0c;正深刻改变着人们的购物习惯。无数商家蜂拥而至&#xff0c;渴望在这片蓝海中找到属于自己的岛屿。而提及抖音电商服务&#xff0c;成都睿明智科技有限公司无疑是一个备受瞩目的名字。那么&…




阅读更多...

















Metasploit渗透测试之服务端漏洞利用









Metasploit渗透测试之服务端漏洞利用




简介 
在之前的文章中&#xff0c;我们学习了目标的IP地址&#xff0c;端口&#xff0c;服务&#xff0c;操作系统等信息的收集。信息收集过程中最大的收获是服务器或系统的操作系统信息。这些信息对后续的渗透目标机器非常有用&#xff0c;因为我们可以快速查找系统上运行的服…




阅读更多...

















360° 镜头检测铝件内壁划痕与杂质：保障铝件内孔制造质量的精准方案









360° 镜头检测铝件内壁划痕与杂质：保障铝件内孔制造质量的精准方案




在铝件内孔制造的过程中&#xff0c;内壁的质量把控是至关重要的环节。制造过程中产生的碎屑残留以及划痕等问题&#xff0c;不仅会影响铝件的外观&#xff0c;更可能对其性能和使用寿命造成严重的损害。为了精准检测这些问题&#xff0c;我们提出了一套基于 360 镜头的检测方案…




阅读更多...

















移情别恋c++ ദ്ദി˶ｰ̀֊ｰ́ ) ——15.红黑树









移情别恋c++ ദ്ദി˶ｰ̀֊ｰ́ ) ——15.红黑树




1.红黑树的概念 红黑树&#xff0c;是一种二叉搜索树&#xff0c;但在每个结点上增加一个存储位表示结点的颜色&#xff0c;可以是Red或 Black。 通过对任何一条从根到叶子的路径上各个结点着色方式的限制&#xff0c;红黑树确保没有一条路 径会比其他路径长出俩倍&#xff0c;…




阅读更多...

















疾风大模型气象,基于大模型预测未来天气的探索









疾风大模型气象,基于大模型预测未来天气的探索




引言 
天气预测一直是科学领域的重要课题&#xff0c;影响着农业、航空、交通等多个行业。传统的天气预报依赖于数值天气预报&#xff08;Numerical Weather Prediction, NWP&#xff09;模型&#xff0c;这些模型基于物理定律和历史数据来模拟大气运动。然而&#xff0c;随着数…




阅读更多...

















SQL 查询优化与实战









SQL 查询优化与实战




在日常开发中&#xff0c;SQL 查询是我们与数据库交互的核心方式。然而&#xff0c;随着数据量的增长&#xff0c;某些 SQL 查询可能会变得缓慢&#xff0c;影响整个系统的性能。如何优化 SQL 查询&#xff0c;提高数据库的响应速度&#xff0c;是每个开发者和 DBA 都必须掌握的…




阅读更多...

















第七章 Redis常用五大数据类型之ZSet









第七章 Redis常用五大数据类型之ZSet




目录 
目录 
一、介绍 
二、常用命令 
2.1. zadd  
2.2. zrange  
2.3.  zrangebyscore 
2.4. zrevrangebyscore  
2.5. zincrby  
2.6. zrem 
2.7. zcount 
2.8. zrank 
三、应用场景 
3.1. Zset集合操作实现排行榜 一、介绍 
Redis有序集合ZSet与普通集合Set非常相似&#xf…




阅读更多...















 
 
 
 










最新文章







 





















Copyright @ 2022~2023