YOLOv11 航拍视角高清图像工程车辆检测数据集航拍数据集,工程车辆检测,挖掘机检测,自卸卡车检测,推土机检测,压实机检测,YOLO数据集,VOC数据集,9124张图像,12GB数据集,4类目标检测

航拍视角高清图像工程车辆检测数据集9124张，12GB数据量，yolo和voc两种标注方式
4类，标注数量：
excavator - 挖掘机：9612
dump_truck - 自卸卡车：10061
bulldozer - 推土机：1216
compactor - 压实机：40
image num - 图像数量：9124

航拍视角高清图像工程车辆检测数据集

一、数据集参数表

模型训练使用yolov11n训练，30个epoch训练结果，map如图所示。

运行界面采用qt，本项目已经训练好模型，配置好环境后可直接使用，运行效果见图像

二、YOLOv11 全套训练代码

1. 环境安装命令

pipinstallultralytics opencv-python torch

2. 数据集配置文件engineering_vehicle.yaml

path:./engineering_vehicle_datasettrain:images/trainval:images/valnc:4names:['excavator','dump_truck','bulldozer','compactor']

3. 训练主代码

fromultralyticsimportYOLOif__name__=="__main__":# 加载YOLOv11n预训练权重model=YOLO("yolov11n.pt")# 模型训练train_results=model.train(data="engineering_vehicle.yaml",epochs=30,imgsz=1920,batch=6,device=0,workers=3,project="engineering_vehicle_detect",name="yolov11n_vehicle",patience=8,augment=True,hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,flipud=0.3,fliplr=0.5,mosaic=1.0)# 模型精度验证metrics=model.val()print(f"mAP@0.5:{metrics.box.map50:.3f}")print(f"mAP@0.5-0.95:{metrics.box.map:.3f}")# 单图推理测试model.predict("test.jpg",save=True,conf=0.25)

4. PyQt5 可视化界面完整代码

fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QFileDialogfromPyQt5.uicimportloadUifromultralyticsimportYOLOimportcv2importsysclassVehicleDetectUI(QMainWindow):def__init__(self):super().__init__()loadUi("vehicle_detect.ui",self)# 加载训练好的最优权重self.model=YOLO("best.pt")# 绑定按钮事件self.btn_image.clicked.connect(self.detect_image)self.btn_video.clicked.connect(self.detect_video)self.btn_camera.clicked.connect(self.detect_camera)defdetect_image(self):path,_=QFileDialog.getOpenFileName()ifpath:results=self.model(path,conf=0.25)self.show_result(results)defdetect_video(self):path,_=QFileDialog.getOpenFileName()ifpath:cap=cv2.VideoCapture(path)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=0.25)self.show_result(results)cv2.waitKey(1)cap.release()defdetect_camera(self):cap=cv2.VideoCapture(0)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=0.25)self.show_result(results)cv2.waitKey(1)cap.release()defshow_result(self,results):total=0forresinresults:forboxinres.boxes:total+=1x1,y1,x2,y2=map(int,box.xyxy[0])cls_idx=int(box.cls[0])conf=float(box.conf[0])cls_name=self.model.names[cls_idx]print(f"目标：{cls_name}| 置信度：{conf:.2f}| 坐标：{x1},{y1},{x2},{y2}")print(f"当前画面目标总数：{total}\n")if__name__=="__main__":app=QApplication(sys.argv)window=VehicleDetectUI()window.show()sys.exit(app.exec_())

三、应用场景

1. 工地无人机巡检：航拍视角自动识别各类工程车辆，统计设备在岗数量与作业状态。
2. 施工现场智能监管：土石方工程、基建工地实时监测挖掘机、自卸车、推土机、压实机运行情况。
3. 工程车辆调度管理：大范围工地车辆定位、盘点，辅助管理人员合理调度设备。
4. 矿区/渣土场安防监控：识别场内作业车辆，规范行驶路线，规避安全事故。
5. 智慧城市基建监测：城市道路施工、大型基建项目远程可视化监管。
6. 土石方作业统计：自动化统计车辆出勤频次，辅助工程量核算。