监控视角交通目标车辆行人检测数据集 YOLO格式｜高清路口实时监控｜行人/车辆/多目标
✅ 直接来自路口监控摄像头，非网络爬取、非二次加工
✅ YOLO标准格式、
📊 数据集套餐价格表
| 等级 | 数据量 | 核心权益 |
|---|---|---|
| 【1】 | 5,000 张 | 适合快速验证数据质量与模型适配性。 |
| 【2】 | 50,000 张 | 满足课程设计、毕业设计或小型实验项目需求。 |
—1
基于 YOLOv8 + 车辆行人检测数据集（2类）的完整训练流程与代码，适用于您提供的YOLO格式数据集，包含车辆、行人两类目标。
📁 一、项目结构说明
VehiclePersonDetection/ ├── datasets/# 数据集目录（YOLO格式）│ ├── images/ │ │ ├── train/# 训练图像│ │ └── val/# 验证图像│ └── labels/ │ ├── train/# 训练标签（.txt）│ └── val/# 验证标签（.txt）├── vehicle_person.yaml# 数据配置文件├── train.py# 模型训练脚本└── runs/# 训练输出目录（自动创建）🔧 二、1. 安装依赖
pipinstallultralytics opencv-python numpy matplotlib tqdm推荐使用 Python 3.8~3.11，PyTorch ≥ 1.8
🗃️ 三、2. 数据集格式要求（YOLO 标准）
每个图像对应一个.txt文件，例如：
datasets/images/train/001.jpgdatasets/labels/train/001.txt
.txt内容格式：
<class_id> <x_center> <y_center> <width> <height>| 类别 | class_id | 示例 |
|---|---|---|
| 车辆 | 0 | 0 0.45 0.6 0.2 0.1 |
| 行人 | 1 | 1 0.7 0.5 0.1 0.2 |
✅ 所有坐标为归一化值（[0,1]），由 LabelImg 自动转换
✅ 使用 LabelImg 进行标注并导出 YOLO 格式
📂 四、3. 创建vehicle_person.yaml配置文件
# vehicle_person.yamltrain:./datasets/images/trainval:./datasets/images/valnc:2names:['车辆','行人']✅
nc=2表示两个类别
✅names顺序必须与标注时的 class_id 对应（class_id=0 → 车辆，class_id=1 → 行人）
🚀 五、4. 训练代码（train.py）
# train.pyfromultralyticsimportYOLOimportosdefmain():# 确保输出目录存在os.makedirs("runs",exist_ok=True)# 加载预训练模型（YOLOv8s）model=YOLO('yolov8s.pt')# 支持 yolov8n, yolov8m, yolov8l 等# 开始训练results=model.train(data='vehicle_person.yaml',# 数据配置文件epochs=100,# 训练轮数imgsz=640,# 输入图像尺寸batch=16,# 批大小（根据显存调整：8/16/32）name='vehicle_person_train',# 实验名称optimizer='AdamW',# 优化器lr0=0.001,# 初始学习率lrf=0.01,# 最终学习率 = lr0 * lrfpatience=15,# 早停：若15轮无提升则停止save=True,# 保存最佳和最后模型save_period=10,# 每10轮保存一次device=0,# GPU设备ID（0,1,... 或 'cpu'）workers=4,# 数据加载线程数project='runs',# 输出根目录exist_ok=False,# 若实验名已存在是否覆盖verbose=True# 打印详细日志)print("✅ 训练完成！最佳模型路径：",results.save_dir/"weights/best.pt")if__name__=='__main__':main()▶️ 六、5. 启动训练
在终端执行：
python train.py⏱️ 训练时间参考（RTX 3060）：
- batch=16, imgsz=640 → 约 1.0 小时（100 epochs）
📈 七、6. 训练过程监控
- 日志自动保存在：
runs/detect/vehicle_person_train/ - 可视化指标：
results.png：loss、mAP@0.5、precision、recall 曲线confusion_matrix.png：混淆矩阵labels.jpg：标签分布热力图
- 使用 TensorBoard（可选）：
tensorboard --logdir runs
✅ 八、7. 验证与测试（可选）
训练完成后，可单独验证：
fromultralyticsimportYOLO model=YOLO('runs/detect/vehicle_person_train/weights/best.pt')metrics=model.val(data='vehicle_person.yaml')print(metrics.box.map)# mAP@0.5print(metrics.box.map50)# mAP@0.5print(metrics.box.precision)# Precisionprint(metrics.box.recall)# Recall📤 九、8. 导出模型（用于部署）
model=YOLO('best.pt')model.export(format='onnx')# 导出 ONNXmodel.export(format='engine')# 导出 TensorRT（需 CUDA）model.export(format='openvino')# 导出 OpenVINO💡 十、调优建议（针对车辆行人检测）
| 问题 | 解决方案 |
|---|---|
| 车辆小目标漏检 | 增加imgsz=1280、使用yolov8m或yolov8l |
| 行人遮挡误检 | 降低conf_threshold=0.3、增加数据增强 |
| 类别不平衡 | 在train.py中添加class_weights=[1.0, 2.0] |
| 显存不足 | 减小batch（如 8）、使用yolov8n、设置imgsz=416 |
📎 附：快速检查数据集是否合规
# check_dataset.pyimportosdefcheck_dataset(root='datasets'):forsplitin['train','val']:img_dir=os.path.join(root,'images',split)lbl_dir=os.path.join(root,'labels',split)imgs=set(os.listdir(img_dir))lbls=set(f.replace('.txt','.jpg')forfinos.listdir(lbl_dir))missing=imgs-lbls extra=lbls-imgsifmissing:print(f"⚠️{split}: 缺少标签的图片:{missing}")ifextra:print(f"⚠️{split}: 多余的标签:{extra}")print("✅ 数据集结构校验完成！")if__name__=='__main__':check_dataset()
