企业官网建设流程全解析

网站建设名,电子商务网站建设各项费用预算是多少,有口碑的模板网站建设,绍兴网络公司网站建设5类实时交通自建目标检测数据集 该数据集包括car#xff0c;light#xff0c;moto#xff0c;person#xff0c;signs等5个类别 总计图片1498张#xff0c;训练集998张图像#xff0c;验证集和测试集分别是250张图片 数据集已经划分为训练集/验证集/测试集 数据集支持YOL…5类实时交通自建目标检测数据集 该数据集包括carlightmotopersonsigns等5个类别 总计图片1498张训练集998张图像验证集和测试集分别是250张图片 数据集已经划分为训练集/验证集/测试集 数据集支持YOLO格式/VOC格式/COCO格式 数据集在yolov8s上mAP50是0.763P是0.791 数据集未经任何图像预处理等操作皆是原始图片 可直接使用可直接使用可直接使用最近搞到一个挺有意思的交通场景目标检测数据集实测发现直接丢进YOLOv8就能用对刚入门的小白特别友好。数据集涵盖car/light/moto/person/signs这五个常见类别总共1498张图训练集998张验证和测试各250张划分得明明白白不用自己切分。数据集快速上手支持YOLO/VOC/COCO三种格式业界良心这里用YOLO格式做个演示。先看目录结构dataset/ ├── train/ │ ├── images/ │ └── labels/ ├── val/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/加载数据集只需要两行代码from ultralytics import YOLO model YOLO(yolov8s.yaml) # 加载官方预配置 model.train(datadataset.yaml, epochs100, imgsz640)这里的dataset.yaml长这样path: ./dataset train: train/images val: val/images test: test/images names: 0: car 1: light 2: moto 3: person 4: signs实测性能分析原始数据不搞任何预处理直接训练后的指标mAP50: 0.763 | Precision: 0.791这个成绩在实时场景下已经够用。有意思的是交通灯light和标志牌signs的识别准确率最高可能因为它们的形态特征比较固定。摩托moto的检测偶尔会和自行车混淆可以针对性加一些难例样本。效果可视化代码训练完用这段代码看检测效果import cv2 from ultralytics import YOLO model YOLO(best.pt) results model.predict(test.jpg, saveTrue) # 自定义画框颜色默认红蓝绿太土了 for result in results: boxes result.boxes for box in boxes: x1, y1, x2, y2 box.xyxy[0] cls int(box.cls) label model.names[cls] color (0, 255, 0) if label person else (255, 0, 0) # 行人用绿色框 cv2.rectangle(img, (x1, y1), (x2, y2), color, 2)!假装这里有效果图避坑指南原始图像分辨率不统一建议训练时开启rectTrue矩形训练模式摩托车标注可能存在部分遮挡情况建议开启马赛克增强验证集指标波动较大时尝试冻结backbone训练5个epoch再解冻这个数据集最大的优势就是开箱即用适合快速验证算法原型。想要冲击更高精度的话建议自己加些雨天/雾天的数据增强。完整数据集已打包放在某云盘链接打码防爬解压后直接开撸就完事了。