网站导航
> 技术文档 > 【数据集】【YOLO】【目标检测】yolo数据集，yolo目标检测毕业设计，yolo目标检测算法详细实战训练步骤！

【数据集】【YOLO】【目标检测】yolo数据集，yolo目标检测毕业设计，yolo目标检测算法详细实战训练步骤！

网友: 技术文档 2025-07-30 12:36:43

博客内容概述

  • 包括YOLO格式数据集和Pascal VOC格式数据集，含图像原文件和标注文件，几百张到几千张不等，含有国内外图片数据。

  • 针对目标检测，YOLO系列模型训练，分类训练等。

  • 目标检测算法集研发，含有目标检测yolo完整代码，QT界面完整代码。

  • yolo目标检测毕业设计，完整标注数据集+项目代码。

  • 目前完整数据集目录如下文所示！

数据集列表

文章底部名片或主页私信获取数据集~

部分数据集目录如下：

  1. 道路积水识别数据集

  2. 道路裂缝识别数据集

  3. 道路结冰识别数据集

  4. 道路油污识别数据集

  5. 道路垃圾识别数据集

  6. 交通事故识别数据集

  7. 水面垃圾识别数据集

  8. 电动车头盔佩戴识别数据集

  9. 安全帽识别数据集

  10. 抽烟识别数据集

  11. 口罩佩戴识别数据集

  12. 烟雾和火灾识别数据集

  13. 树木倒塌识别数据集

  14. 摔跤识别数据集

  15. 水面船只识别数据集

  16. 水面船只识别数据集(航拍)

  17. 行人车辆识别数据集

  18. 车辆分类识别数据集(vehicle分类，含person类别)

  19. 无人机车辆分类识别数据集

  20. 红绿灯识别数据集

  21. 人群密集识别数据集

  22. 游泳识别数据集

  23. 井盖开启、破损识别数据集

  24. 牛、羊、马分类识别数据集

  25. 人员睡岗、玩手机识别数据集

  26. 无人机行人识别数据集_1

  27. 无人机行人识别数据集_2

  28. 牛只识别数据集

  29. 道路积雪结冰识别数据集

  30. 羊识别数据集

  31. 光伏识别数据集

  32. 光伏板缺陷识别数据集

  33. 病虫害识别数据集

  34. 害虫识别数据集

  35. 灭火器识别数据集

  36. 垃圾分类识别数据集

  37. 反光衣识别数据集

  38. 水藻识别数据集

  39. 施工地工人安全穿戴识别数据集（安全帽反光衣安全鞋）

  40. 猫狗识别数据集

  41. 食品分类识别数据集

  42. 海洋垃圾识别数据集

  43. 水面船舶分类识别数据集

  44. 挖掘机识别数据集

  45. 工地工程车识别数据集

  46. 救生衣穿戴识别数据集

  47. 人员行为识别数据集（站、坐、躺、摔倒）

  48. 家具识别数据集

  49. 水果分类识别数据集（分割）

  50. 水果分类识别数据集（目标检测）

  51. 航拍水面漂浮物识别数据集

  52. 无人机设备检测数据集

  53. 垂钓识别数据集

  54. 手势监测数据集

注：部分数据集还没有发布文章，但是博主已经整理完成 ！！！！！

数据集实战训练过程

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，将文件夹下所有pascal VOC格式的XML文件手动导入到Annotations文件夹中，将文件夹下所有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/

整体项目结构如下所示：

​​

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 osimport randomtrainval_percent = 0.9train_percent = 0.9xmlfilepath = \'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

在ultralytics-main目录下创建一个voc_label.py文件，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 ETimport osfrom os import getcwdsets = [\'train\', \'val\', \'test\']classes = [\'labels\'] # 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, hdef 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

在ultralytics-main目录下创建一个data.yaml文件

train: data/train.txtval: data/val.txttest: data/test.txtnc: 1 # 填写类别数names: [\'labels\'] # 要和voc_label.py中的类别数目顺序一模一样

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

6、模型预测 

你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。

代码如下：

import cv2from ultralytics import YOLO# Load the YOLOv8 modelmodel = YOLO(\"./best.pt\") # 自定义预测模型加载路径# Open the video filevideo_path = \"./demo.mp4\" # 自定义预测视频路径cap = cv2.VideoCapture(video_path) # Get the video propertiesframe_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))fps = cap.get(cv2.CAP_PROP_FPS)# Define the codec and create VideoWriter objectfourcc = cv2.VideoWriter_fourcc(*\'mp4v\') # Be sure to use lower caseout = cv2.VideoWriter(\'./outputs.mp4\', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径# Loop through the video frameswhile cap.isOpened(): # Read a frame from the video success, frame = cap.read() if success: # Run YOLOv8 inference on the frame # results = model(frame) results = model.predict(source=frame, save=True, imgsz=640, conf=0.5) results[0].names[0] = \"道路积水\" # Visualize the results on the frame annotated_frame = results[0].plot() # Write the annotated frame to the output file out.write(annotated_frame) # Display the annotated frame (optional) cv2.imshow(\"YOLOv8 Inference\", annotated_frame) # Break the loop if \'q\' is pressed if cv2.waitKey(1) & 0xFF == ord(\"q\"): break else: # Break the loop if the end of the video is reached break# Release the video capture and writer objectscap.release()out.release()cv2.destroyAllWindows()

也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：

yolo predict model=\"best.pt\" source=\'demo.jpg\'

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，其中告警以json格式输出，包含标签框的坐标，标签名称等；
  • 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，可以通过滑动条的方式设置；
  • 文件上传：选择目标文件，包含JPG格式和MP4格式；
  • 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：

​​​​​​

上图左下区域可以看到json格式的告警信息，用于反馈实际作业中的管理系统，为管理员提供道路养护决策 。

2、视频检测 

​​​​​​

3、日志文本框

​​

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) # 界面下半部分： 输出框 和 按钮 groupBox = QtWidgets.QGroupBox(self) groupBox.setStyleSheet(\'QGroupBox {border: 0px solid #D7E2F9;}\') bottomLayout = QtWidgets.QHBoxLayout(groupBox) main_layout.addWidget(groupBox) btnLayout = QtWidgets.QHBoxLayout() btn1Layout = QtWidgets.QVBoxLayout() btn2Layout = QtWidgets.QVBoxLayout() btn3Layout = QtWidgets.QVBoxLayout() # 创建日志打印文本框 self.outputField = QtWidgets.QTextBrowser() self.outputField.setFixedSize(530, 180) self.outputField.setStyleSheet(\'font-size: 13px; font-family: \"Microsoft YaHei\"; background-color: #f0f0f0; border: 2px solid #ccc; border-radius: 10px;\') 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;\') topLayout.addWidget(self.oriVideoLabel) topLayout.addWidget(self.detectlabel) main_layout.addLayout(topLayout)

五、代码获取

YOLO可视化界面

看名片或主页私信我~

注：以上均为原创内容，转载请私聊！！！

网络标签：

相关问题