当前位置：首页 > news >正文

带标注信息的交通信号灯识别数据集，可识别左转灯，红绿黄灯，识别率82.88%，支持yolo，coco json，pascal voc xml格式

news 2026/8/4 17:05:43

模型训练指标参数：

数据集拆分

训练集

701张图

验证集

199张图

测试集

100张图

预处理

自动定向：应用

调整大小：拉伸到1280*731

增强

未增强

数据集标签：

Traffic Light
Red Light
Green Light
Left turn
Yellow Light

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92792555

yolo v12:https://download.csdn.net/download/pbymw8iwm/92792560

yolo v11:https://download.csdn.net/download/pbymw8iwm/92792561

yolo v9:https://download.csdn.net/download/pbymw8iwm/92792556

yolo v8:https://download.csdn.net/download/pbymw8iwm/92792558

yolo v7:https://download.csdn.net/download/pbymw8iwm/92792557

yolo v5:https://download.csdn.net/download/pbymw8iwm/92792553

yolo darknet:https://download.csdn.net/download/pbymw8iwm/92792559

coco json:https://download.csdn.net/download/pbymw8iwm/92792562

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92792554

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py

注意，请根据你的GPU能力来适当调整训练参数，比如训练batch，patience，workers，以及模型类型（如果你的GPU硬件条件限制，可以联系作者进行付费模型训练，部分模型只需要一杯奶茶钱）

模型下载：

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics from ultralytics import YOLO import cv2 # 加载训练好的 YOLO .pt 模型 model = YOLO('best.pt') # 替换为你实际的 .pt 模型文件路径 # 定义要测试的图片路径 image_path = './image.jpg' # 替换为你实际的图片文件路径 # 使用模型对图片进行预测 results = model(image_path) # 获取预测结果 for result in results: # 获取绘制了检测框的图片 annotated_image = result.plot() # 显示图片 cv2.imshow("YOLOv Inference", annotated_image) # 等待按键退出 cv2.waitKey(0) # 关闭所有 OpenCV 窗口 cv2.destroyAllWindows()

推理结果：

{
"predictions": [
{
"x": 192,
"y": 136,
"width": 18,
"height": 16,
"confidence": 0.916,
"class": "Left turn",
"class_id": 1,
"detection_id": "3ce53424-be29-4758-8629-d3357156fabd"
},
{
"x": 306,
"y": 140.5,
"width": 20,
"height": 19,
"confidence": 0.915,
"class": "Red Light",
"class_id": 2,
"detection_id": "549efeea-103e-4605-b2b5-fb77fa74b56e"
},
{
"x": 342,
"y": 142.5,
"width": 18,
"height": 17,
"confidence": 0.912,
"class": "Left turn",
"class_id": 1,
"detection_id": "ed6fcf80-53d8-4f4d-bd61-36ce64642d37"
},
{
"x": 155.5,
"y": 135,
"width": 17,
"height": 16,
"confidence": 0.882,
"class": "Red Light",
"class_id": 2,
"detection_id": "93f66caa-4885-46a0-9f3a-23c7d4d5da0b"
}
]
}