泳池溺水行为检测数据集（YOLO格式）
摘要：泳池溺水事故具有突发性强、识别窗口短的特点，传统人工监控方式难以实现全时段、全覆盖的有效监测。为推动基于计算机视觉的智能溺水预警技术研究，本研究构建了一个面向泳池场景的溺水行为检测数据集，旨在为目标检测模型提供可靠的训练与评估基准。
数据集简介
本研究构建了一个包含 8,642 张图像、12,622 个标注实例的泳池溺水检测数据集，涵盖游泳、踩水和溺水三类行为，为基于深度学习的溺水预警系统提供训练与评估基准。
数据集概述
泳池溺水事故具有突发性强、识别窗口短的特点，传统人工监控方式难以实现全时段、全覆盖的有效监测。为推动基于计算机视觉的智能溺水预警技术研究，本研究构建了一个面向泳池场景的溺水行为检测数据集，旨在为目标检测模型提供可靠的训练与评估基准。
该数据集共包含 8,642 张图像及 12,622 个标注实例，采用 YOLO 格式进行边界框标注，定义了三类目标行为：游泳（swimming，7,260 个实例）、踩水（tread_water，3,305 个实例）和溺水（drowning，2,057 个实例）。三类行为在水中的姿态表现具有渐进性差异，能够有效反映从正常活动到危险状态的行为演变过程。
数据集按照约 7:2:1 的比例划分为训练集（6,049 张）、验证集（1,728 张）和测试集（865 张），各子集间类别分布保持一致，确保模型训练与评估的公平性和可靠性。该数据集可广泛应用于泳池溺水检测、水域安全监控等相 关领域的深度学习模型研究与性能评估。
数据集来源
本研究所使用的数据集为自主构建，图像数据来源于真实泳池监控场景的视频录像，经逐帧提取与筛选后获得 8,642 张有效图像。所有图像均由人工进行标注，采用 YOLO 格式的边界框标注方式，定义了游泳（swimming）、踩水（tread_water）和溺水（drowning）三类行为目标，共计标注 12,622 个实例。标注过程中严格遵循统一的标注规范，以确保标注质量的一致性与准确性。
类别定义
标注规范
标注采用 YOLO 格式：每个目标一行，字段为 class x_center y_center width height， 坐标均为相对归一化（0~1）。
图1 标注规范图
数据规模与划分
- 总图像数：8642；总标注框数：12622
图2 数据集在训练、验证和测试集上的分布
数据集按照约 70:20:10 的比例划分为训练集、验证集和测试集：
表1 数据集划分及用途说明
质量控制
标注采用双阶段质量控制流程：首先进行规范化标注与自检， 确保目标框贴合实例外接矩形且类别一致；随后进行抽样复核， 针对漏标、错标与框位置偏差进行纠正。对争议样本进行二次确认， 以提高跨标注者一致性与总体标注可靠性。
数据格式与使用
数据集采用标准 YOLO 格式组织，通过 data.yaml 配置文件即可快速集成到训练流程中。
目录结构
数据集采用标准 YOLO 格式组织，图像和标注文件分别存放在 images/ 和 labels/ 目录下，并按训练集、验证集、测试集划分。
使用方式
在训练脚本中指定 data.yaml 即可加载数据：
性能评测
基于 YOLO11 模型在本数据集上进行训练和评测，使用mAP@0.5与mAP@0.5:0.95等标准指标对模型检测效果进行评估。评测结果如下：
训练过程综合指标曲线图
图3 训练与验证指标随Epoch变化趋势图
精确率-召回率（PR）曲线图
图4 目标检测PR曲线（Precision-Recall）
F1分数-置信度阈值曲线图
图5 不同置信度阈值下的F1曲线
归一化混淆矩阵图（分类误判分析）
图6 归一化混淆矩阵（person / leaflet）
应用案例
- 案例1：基于深度学习的泳池溺水行为检测系统设计与实现
图7 应用案例：基于深度学习的泳池溺水行为检测系统设计与实现
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。 如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
数据大小：1.96G
原创声明：本项目为原创作品