高速公路违章停车检测数据集（YOLO格式）

数据集简介

本研究构建了一个涵盖4类违章停车行为的目标检测数据集，共2,120张图像、2,380个标注框，按7:2:1划分为训练集、验证集和测试集，采用YOLO标注格式。

数据集概述

本数据集面向高速公路违章停车场景，旨在为基于深度学习的违章停车自动检测提供训练与评估数据。数据集共包含2,120张图像、2,380个标注框，涵盖应急车道违停、行车道违停、匝道违停和隧道违停4类常见违章停车行为。

数据集按约7:2:1的比例划分为训练集（1,484张/1,657框）、验证集（424张/487框）和测试集（212张/236框），标注格式采用YOLO格式。各类别分布中，匝道违停（810框）和应急车道违停（780框）为主要类别，隧道违停（430框）为中等类别，行车道违停（360框）样本相对较少。

所有图像均经过人工标注与审核，确保标注质量。数据集的类别设置贴合实际高速公路交通管理需求，能够较好地覆盖常见违章停车场景，为模型的训练与泛化提供了可靠的数据基础。

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高速公路监控场景的视频录像及网络公开视频，经逐帧提取与筛选后获得2,120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，定义了应急车道违停、行车道违停、匝道违停及隧道违停共4类违章停车行为目标，共计标注2,380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：2120；总标注框数：2380

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：基于深度学习的高速公路违章停车检测系统的设计与实现

图7 应用案例：基于深度学习的高速公路违章停车检测系统的设计与实现

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)
项目编号：Datasets-8
数据大小：1.1G
原创声明：本项目为原创作品