工地工程车分类检测数据集 6300张 带标注 voc yol

数据集特点

• 类型：工地工程车分类检测数据集。
• 格式：VOC和YOLO格式，适用于训练目标检测模型。
• 规模：共包含6300张图像。
• 标注：使用.xml（VOC格式）和.txt（YOLO格式）文件进行标注，每个文件对应一张图像，标注格式分别为VOC和YOLO格式。
• 类别：包含多种工地工程车辆类别。
• 质量：数据集标注准确，涵盖了多种工地环境下的工程车辆。

数据集组成

• 训练集：用于训练模型，包含约5000张图像。
• 验证集：用于模型调参和验证，包含约630张图像。
• 测试集：用于最终评估模型性能，包含约670张图像。

数据集目录结构

1construction_vehicle_dataset/
2├── images/
3│   ├── train/
4│   ├── val/
5│   └── test/
6├── annotations/
7│   ├── xmls/  # VOC format
8│   │   ├── train/
9│   │   ├── val/
10│   │   └── test/
11│   └── txts/  # YOLO format
12│       ├── train/
13│       ├── val/
14│       └── test/
15└── dataset.yaml  # YOLOv5 configuration file

标注格式

VOC格式

每个.xml文件包含图像的基本信息以及每个目标的标注，格式如下：

1
2    ConstructionVehicleDataset
3    000001.jpg
4    
5        1920
6        1080
7        3
8    
9    
21    
22

YOLO格式

每个.txt文件包含多个目标的标注，格式为：

1<类别> <中心_x> <中心_y> <宽度> <高度>

其中，所有坐标值均为相对于图像尺寸的百分比。

示例标注文件

假设有一张图像中包含一台挖掘机和一台推土机，.txt文件内容可能如下所示：

10 0.3 0.4 0.2 0.2  # 挖掘机
21 0.7 0.6 0.1 0.15  # 推土机

使用指南

1. 环境搭建：确保安装了YOLOv5和其他必要的软件包。
2. 数据集准备：下载数据集并按照上述目录结构组织数据。
3. 模型配置：设置YOLOv5的训练参数，包括类别数量等。
4. 模型训练：使用训练集对模型进行训练。
5. 模型评估：使用验证集和测试集评估模型性能。

关键代码示例

1. 数据集准备

1import os
2import cv2
3import numpy as np
4
5def load_data(data_dir):
6    labels = sorted(os.listdir(data_dir))
7    data = []
8    for label in labels:
9        path = os.path.join(data_dir, label)
10        for img_name in os.listdir(path):
11            img_path = os.path.join(path, img_name)
12            img = cv2.imread(img_path, cv2.IMREAD_COLOR)
13            img = cv2.resize(img, (640, 640))  # YOLOv5 输入尺寸
14            data.append([img, labels.index(label)])
15    return np.array(data)
16
17data_dir = 'path/to/construction_vehicle_dataset'
18data = load_data(data_dir)

2. 模型训练

1# 安装YOLOv5
2pip install yolov5
3
4# 开始训练
5yolov5 train data=path/to/construction_vehicle_dataset/dataset.yaml cfg=yolov5s.yaml weights=pretrained_weights.pt epochs=100

报告和文档

• 报告：报告应包括数据集背景、数据集组成、标注格式、使用指南等内容。
• 文档：文档应包括数据集的组织方式、标注格式、模型训练及评估的具体步骤等。