广东省做网站推广公司,wordpress 行业模版,怎么做网站上打字体,10大最佳免费建站软件推荐数据集介绍
【数据集】道路事故识别数据集 8939 张#xff0c;目标检测#xff0c;包含YOLO/VOC格式标注。数据集中包含2种分类#xff1a;{0: accident, 1: non-accident}。数据集来自国内外图片网站和视频截图。检测范围道路事故检测、监控视角检测、无人机视角检测、等目标检测包含YOLO/VOC格式标注。数据集中包含2种分类{0: accident, 1: non-accident}。数据集来自国内外图片网站和视频截图。检测范围道路事故检测、监控视角检测、无人机视角检测、等可用于智慧城市、智慧交通服务于交通拥塞预警、交通安全排查。 一、数据概述
道路事故识别的重要性
交通事故导致的人员伤亡和财产损失巨大因此提高交通管理的效率和安全性显得尤为重要。道路事故识别作为智能交通系统ITS的重要组成部分能够实时监控交通状况及时发现并处理交通事故从而有效缩短紧急服务响应时间减少交通阻塞为事故分析和预防措施的制定提供数据支持。
道路事故识别面临诸多技术挑战如光照条件变化、天气状况影响、交通标志和交通流复杂性等。这些因素都可能影响道路事故识别的准确性和实时性。因此需要开发更加高效和鲁棒的目标检测算法来应对这些挑战。
基于YOLO的道路识别算法
基于YOLO的道路事故识别算法可以通过摄像头实时捕捉交通场景图像并利用训练好的YOLO模型对图像进行目标检测。
该算法可以识别出车辆、行人等交通参与者并判断是否存在交通事故。一旦检测到事故算法可以立即发出警报并自动记录事故发生的细节包括事故类型、位置、时间以及涉及的车辆和行人信息。这些信息可以为交通管理部门提供重要的参考依据帮助他们快速响应和处理交通事故。
该数据集含有8939张图片包含Pascal VOC XML格式和YOLO TXT格式用于训练和测试道路事故识别、监控视角检测、无人机视角检测。图片格式为jpg格式标注格式分别为
YOLOtxt
VOCxml
数据集均为手工标注保证标注精确度。
二、数据集文件结构 road_accident/ ——Annotations/ ——images/ ——labels/ ——data.yaml Annotations文件夹为Pascal VOC格式的XML文件 images文件夹为jpg格式的数据样本labels文件夹是YOLO格式的TXT文件data.yaml是数据集配置文件包含道路事故识别的目标分类和加载路径。
三、数据集适用范围
目标检测场景yolo训练模型或其他模型智慧城市、智慧交通道路事故检测、监控视角检测、无人机视角检测、交通拥塞预警、交通安全排查
四、数据集标注结果
1、数据集内容
多角度场景包含行人视角、俯视视角、监控视角、无人机视角标注内容names: [accident, non-accident]总计2个分类。图片总量8939张图片数据标注类型含有Pascal VOC XML格式和yolo TXT格式
五、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pascal VOC格式的XML文件手动导入到Annotations文件夹中将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 os
import randomtrainval_percent 0.9
train_percent 0.9
xmlfilepath 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] \nif 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
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 ET
import os
from os import getcwdsets [train, val, test]
classes [accident, non-accident] # 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 - 1y (box[2] box[3]) / 2.0 - 1w box[1] - box[0]h box[3] - box[2]x x * dww w * dwy y * dhh h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file open(data/Annotations/%s.xml % (image_id), encodingUTF-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).textcls obj.find(name).textif cls not in classes or int(difficult) 1:continuecls_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 wif b4 h:b4 hb (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
train: ../train/images
val: ../valid/images
test: ../test/imagesnc: 2
names: [accident, non-accident]
5、执行命令
执行train.py model YOLO(yolov8s.pt)
results model.train(datadata.yaml, epochs200, imgsz640, batch16, workers0) 也可以在终端执行下述命令 yolo train datadata.yaml modelyolov8s.pt epochs200 imgsz640 batch16 workers0 device0 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 cv2
from ultralytics import YOLO# Load the YOLOv8 model
model YOLO(./best.pt) # 自定义预测模型加载路径# Open the video file
video_path ./demo.mp4 # 自定义预测视频路径
cap cv2.VideoCapture(video_path) # Get the video properties
frame_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 object
fourcc cv2.VideoWriter_fourcc(*mp4v) # Be sure to use lower case
out cv2.VideoWriter(./outputs.mp4, fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径# Loop through the video frames
while cap.isOpened():# Read a frame from the videosuccess, frame cap.read()if success:# Run YOLOv8 inference on the frame# results model(frame)results model.predict(sourceframe, saveTrue, imgsz640, conf0.5)results[0].names[0] 道路积水# Visualize the results on the frameannotated_frame results[0].plot()# Write the annotated frame to the output fileout.write(annotated_frame)# Display the annotated frame (optional)cv2.imshow(YOLOv8 Inference, annotated_frame)# Break the loop if q is pressedif cv2.waitKey(1) 0xFF ord(q):breakelse:# Break the loop if the end of the video is reachedbreak# Release the video capture and writer objects
cap.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 modelbest.pt sourcedemo.jpg
六、获取数据集
戳我头像获取数据或者主页私聊博主哈~
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 Noneself.timer QtCore.QTimer()self.timer1 QtCore.QTimer()self.cap Noneself.video Noneself.file_path Noneself.base_name Noneself.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
戳我头像获取数据或者主页私聊博主哈~
注以上均为原创内容转载请私聊
