＜数据集＞Visdrone数据集＜目标检测＞

深度学习lover

已于 2024-09-04 23:42:16 修改

阅读量926

点赞数 10

分类专栏：深度学习数据集文章标签：目标检测人工智能计算机视觉 YOLO 深度学习

于 2024-08-24 00:57:50 首次发布

本文链接：https://blog.youkuaiyun.com/qq_53332949/article/details/141462912

版权

深度学习数据集专栏收录该内容

131 篇文章

订阅专栏

数据集格式：VOC+YOLO格式

图片数量：8629张

标注数量(xml文件个数)：8629

标注数量(txt文件个数)：8629

标注类别数：10

标注类别名称：['pedestrian','people','bicycle','car','van','truck','tricycle','awning-tricycle','bus','motor']

序号	类别名称	图片数	框数
1	car	8178	187005
2	motor	5516	40378
3	people	5226	38560
4	pedestrian	7083	109187
5	awning-tricycle	1604	4377
6	tricycle	2270	6387
7	bicycle	3496	13069
8	truck	4567	16284
9	van	6537	32702
10	bus	2992	9117

使用标注工具：labelImg

标注规则：对类别进行画水平矩形框

图片示例：

标注示例：

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

深度学习lover

关注关注

10
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

（1）VisDrone无人机目标检测数据集介绍

qq_45583898的博客

12-28

1万+

官网：http://aiskyeye.com/VisDrone数据集，包含了10个类（即行人、人、汽车、面包车、公共汽车、卡车、汽车、自行车、遮阳三轮车和三轮车）无人机计算机视觉相关检测和跟踪（ Vision Meets Drones）作为近年来的研究热点之一，受到了广泛关注，这两年在各大会议上都有相关文章发表，并且也有一些竞赛。

【VisDrone|目标检测】VisDrone数据集实验：转换格式（含源代码）（一）

wzk4869的博客

11-24

3303

【VisDrone|目标检测】VisDrone数据集实验：转换格式（含源代码）（一）

参与评论您还未登录，请先登录后发表或查看评论

Visdrone2021：无人机人群计数数据集与技术要点

weixin_28771751的博客

12-12

2122

本文还有配套的精品资源，点击获取简介：Visdrone2021_CrowdCounting.rar 是VisDrone系列数据集的专项版本，用于无人机视觉监控中的人群计数任务。该数据集提供了丰富的RGB和热成像图像，覆盖了各种环境条件和人群密度。它包含用于图像预处理、标注和分析的工具，支持多种人群计数方法。深度学习模型如CNN和U-Net可用于学习图像特征以预测人群密度。...

目标检测数据集——无人机视觉VisDrone数据集

热门推荐

qq_41627642的博客

05-11

4万+

1、VisDrone2019数据集介绍配备摄像头的无人机(或通用无人机)已被快速部署到广泛的应用领域，包括农业、航空摄影、快速交付和监视。因此，从这些平台上收集的视觉数据的自动理解要求越来越高，这使得计算机视觉与无人机的关系越来越密切。我们很高兴为各种重要的计算机视觉任务展示一个大型基准，并仔细注释了地面真相，命名为VisDrone，使视觉与无人机相遇。VisDrone2019数据集由天津大学机器学习和数据挖掘实验室AISKYEYE团队收集。基准数据集包括288个视频片段，由261908帧和10209幅静

＜项目代码＞YOLO Visdrone航拍目标识别＜目标检测＞

12-21

YOLOv8 Visdrone航拍目标识别项目代码项目详细介绍请看链接：https://blog.youkuaiyun.com/qq_53332949/article/details/144630165 数据集详细介绍请看：https://blog.youkuaiyun.com/qq_53332949/article/details/141462912 ...

Visdrone数据集YOLOv5训练权重+pyqt界面

06-09

1、yolov5下俯视场景下车辆行人检测视觉检测，包含YOLOv5s和YOLOv5m两种训练好的visdrone数据集权重，以及PR曲线，loss曲线等等，有pyqt界面，目标类别为车辆行人等 2、pyqt界面可以检测图片、视频、调用摄像头 3、数据集和检测结果参考：https://blog.youkuaiyun.com/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码

Visdrone数据集YOLOv3训练结果 pytorch-yolov3-master-visdrone.zip

12-07

Visdrone数据集pytorch框架下YOLOv3训练结果，包含训练好的权重文件和各种训练曲线图，保存在runs/train文件夹下，附有相关场景下的测试视频和代码，代码为Ultralytics 版YOLOv3d代码

Visdrone2021_CrowdCounting.rar

07-21

Visdrone2021_CrowdCounting.rar

俯视场景下三轮车目标检测数据集 tricycle_Visdrone2019.rar

05-02

1、俯视场景下三轮车目标检测数据集，用于三轮车检测，标签格式为txt和xml两种。可以用于YOLO三轮车检测 2、一个类别，类别名为 tricycle 3、数据参考和检测结果展示：...

VisDrone-农场中农业机械目标检测数据集-yolo-2.zip

08-12

2000多张YOLO无人机俯视视角下农场中的车辆，农机，行人检测数据集dataset2，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型， 数据集和...

俯视场景下自行车目标检测数据集 bicycle_Visdrone2019.rar

05-02

1、俯视场景下自行车目标检测数据集，用于自行车检测，标签格式为txt和xml两种。可以用于YOLO自行车检测 2、一个类别，类别名为 bicycle 3、数据参考和检测结果展示：...

零基础教程：使用yolov5训练无人机VisDrone数据集

pyscl01的博客

09-18

2143

零基础教程：使用yolov5训练无人机VisDrone数据集的详细教程，提供了源码和Visdrone数据集。

yolov8训练VisDrone数据集

wyw0000的博客

03-30

1429

yolov8训练VisDrone数据集

visdrone 数据集

02-22

### VisDrone 数据集概述 VisDrone 是一个大规模无人机（UAV）捕捉的数据集，旨在促进视觉目标检测、跟踪和其他计算机视觉任务的发展。该数据集包含了丰富的场景变化和复杂的物体交互情况。 ### 下载与解压对于希望使用此数据集的研究人员来说，可以从官方渠道获取最新版本的数据集[^1]： ```python import os data_path = 'path/to/visdrone/dataset' ``` 除了通过官网下载外，还提供了一个百度网盘链接供国内用户更便捷地访问资源[^2]： - 链接：<https://pan.baidu.com/s/1N1IuBkoX2jd_6x4kscSDKg> - 提取码：l070 下载完成后应将其放置于项目中的 `datasets` 文件夹下以便后续操作。 ### 数据集结构解压缩后的 VisDrone 数据集通常具有如下目录结构： ``` VisDrone/ ├── annotations/ │ ├── train/ │ └── val/ └── images/ ├── train/ └── val/ ``` 其中： - `annotations/train` 和 `annotations/val` 存储着对应图像的标注文件； - `images/train` 及 `images/val` 则分别存放训练集和验证集中每张图片的实际内容。 ### 使用说明为了方便研究人员快速上手，在 YOLOv5 训练过程中特别准备了一套完整的工具链来简化流程[^3]。其中包括但不限于以下几个方面： #### 自动化脚本支持针对 VisDrone 特有的格式特点开发了一系列辅助程序，可以实现自动化的数据准备工作流，比如批量转换标签格式等，从而使得原始数据更容易被不同框架所接受。 #### 示例代码片段这里给出一段简单的 Python 代码用来展示如何读取并显示一张来自 VisDrone 的样本图像及其对应的边界框信息： ```python from PIL import Image, ImageDraw import pandas as pd def visualize_sample(image_file, annotation_file): img = Image.open(image_file) draw = ImageDraw.Draw(img) df = pd.read_csv(annotation_file, header=None, names=['x', 'y', 'w', 'h', 'score', 'object_category', 'truncation', 'occlusion']) for _, row in df.iterrows(): box = (row['x'], row['y'], row['x'] + row['w'], row['y'] + row['h']) draw.rectangle(box, outline="red", width=2) return img image_path = os.path.join(data_path, "images/train/xxx.jpg") annotation_path = os.path.join(data_path, "annotations/train/xxx.txt") visualized_image = visualize_sample(image_path, annotation_path) visualized_image.show() ``` 上述函数接收两个参数——分别是某幅具体照片的位置以及相应的注释文档位置；它会加载指定的照片，并在其上面绘制出所有标记出来的对象区域，最后返回修改过的图像实例以供查看。