YOLOv11城市道路车辆与行人目标检测数据集-7015张-Aerial-Person-Detection-1
YOLOv11城市道路车辆与行人目标检测数据集
📊 数据集基本信息
- 目标类别： [‘awning-tricycle’, ‘bicycle’, ‘bus’, ‘car’, ‘ignored regions’, ‘motor’, ‘others’, ‘pedestrian’, ‘people’, ‘tricycle’, ‘truck’, ‘van’]
- 中文类别：[‘遮阳篷三轮车’, ‘自行车’, ‘公交车’, ‘汽车’, ‘忽略区域’, ‘摩托车’, ‘其他’, ‘行人’, ‘人’, ‘三轮车’, ‘卡车’, ‘面包车’]
- 训练集：6468 张
- 验证集：547 张
- 测试集：0 张
- 总计：7015 张
📄 data.yaml 配置信息
该数据集提供了data.yaml文件，内容如下：
train:../train/imagesval:../valid/imagestest:../test/imagesnc:12names:['awning-tricycle','bicycle','bus','car','ignored regions','motor','others','pedestrian','people','tricycle','truck','van']🖼️ 标注可视化
📝 数据集分析
YOLOv11城市道路车辆与行人目标检测数据集
该数据集专注于城市道路场景中的车辆与行人目标检测，涵盖了多种典型的城市交通环境，包括主干道、支路、交叉路口及商业街区等。通过高精度的标注和多样化的场景覆盖，该数据集为提升智能交通系统、自动驾驶技术以及城市安防监控中的目标识别能力提供了高质量的数据支持。
从数据分布来看，该数据集包含6468张训练集图像、547张验证集图像以及0张测试集图像，整体比例合理。训练集与验证集的比例约为11.8:1，能够有效支持模型的训练与性能评估。虽然未设置独立的测试集，但验证集规模充足，足以反映模型在未见数据上的泛化能力，满足实际应用需求。
该数据集的标注工作严谨规范，所有目标均采用精确的边界框标注，并严格区分了不同类型的车辆（如汽车、卡车、公交车等）和行人/人。同时，针对特定场景中的非目标区域（如“忽略区域”），也进行了明确标注，确保模型训练过程中能够有效过滤无关信息，提升检测效率与准确性。
该数据集可广泛应用于智能交通管理、城市安防监控、自动驾驶辅助系统等领域。其涵盖的多样化场景和精准的目标分类，能够帮助相关行业提升对城市交通流量的实时监测能力，优化交通信号控制策略，并为行人安全预警提供可靠的技术支撑。
YOLOv11训练步骤
一、环境安装
pipinstallultralytics# 依赖要求：Python≥3.8，PyTorch≥1.8。安装完成后可通过 `yolo checks` 验证环境。二、数据集准备（YOLO格式）
1. 目录结构
数据集必须严格按以下结构组织：
dataset/ ├── train/ │ ├── images/ # 训练图片（jpg/png） │ └── labels/ # YOLO格式标注（txt） ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件2. YOLO标注格式
每个*.txt文件对应一张图片，每行格式为：
class_id center_x center_y width height所有数值均为相对于图片宽高的归一化值（0~1）。
3. data.yaml 配置文件
# data.yamlpath:../dataset# 数据集根目录（相对或绝对路径）train:train/images# 训练集图片路径val:val/images# 验证集图片路径test:test/images# 测试集图片路径（可选）# 类别信息nc:2# 类别数量names:['class1','class2']# 类别名称列表三、模型选择
YOLO11 提供 5 种尺度，官方命名规则为yolo11{n/s/m/l/x}.pt：
| 模型 | 参数量 | 适用场景 |
|---|---|---|
yolo11n | 2.6M | 边缘设备、速度优先 |
yolo11s | 9.4M | 平衡精度与速度 |
yolo11m | 20.1M | 常规GPU训练 |
yolo11l | 25.3M | 高精度需求 |
yolo11x | 56.9M | 极致精度、算力充足 |
四、模型训练
方式1：Python API（推荐）
创建train.py：
fromultralyticsimportYOLOdefmain():# 加载预训练模型（推荐：基于COCO预训练权重微调）model=YOLO("yolo11m.pt")# 训练参数train_params={'data':'data.yaml',# 数据集配置文件'epochs':100,# 训练轮次'imgsz':640,# 输入图像尺寸'batch':16,# 批次大小（根据显存调整）'device':'0',# GPU设备号，'cpu'表示CPU训练'workers':8,# 数据加载线程数'optimizer':'SGD',# 优化器：SGD/Adam/AdamW'lr0':0.01,# 初始学习率'patience':50,# 早停耐心值'save':True,# 保存模型'project':'runs/train',# 项目保存路径'name':'exp',# 实验名称'single_cls':False,# 单类别检测设为True'close_mosaic':10,# 最后N轮关闭马赛克增强}# 开始训练results=model.train(**train_params)# 输出最佳模型路径print(f"Best model saved at:{results.best}")if__name__=='__main__':main()三种模型加载方式对比：
# 方式A：从YAML构建全新模型（从头训练，适合网络结构改进）model=YOLO("yolo11m.yaml")# 方式B：加载预训练权重（最常用，推荐）model=YOLO("yolo11m.pt")# 方式C：构建新模型并迁移预训练权重（改进网络后使用）model=YOLO("yolo11m.yaml").load("yolo11m.pt")方式2：命令行 CLI
# 基础训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100imgsz=640batch=16device=0# 多GPU训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100device=0,1# 从YAML+预训练权重训练yolo detect traindata=data.yamlmodel=yolo11m.yamlpretrained=yolo11m.ptepochs=100五、关键训练参数说明
| 参数 | 说明 | 建议值 |
|---|---|---|
epochs | 训练总轮次 | 100~300 |
imgsz | 输入尺寸 | 640（标准） |
batch | 批次大小 | 8/16/32（根据显存） |
device | 训练设备 | 0（单GPU）、0,1（多GPU）、cpu、mps（Apple芯片） |
workers | 数据加载线程 | 8~16（Windows建议≤8） |
optimizer | 优化器 | SGD（默认）、Adam、AdamW |
lr0/lrf | 初始/最终学习率 | 0.01 / 0.01 |
momentum | SGD动量 | 0.937 |
weight_decay | 权重衰减 | 0.0005 |
single_cls | 单类别模式 | True/False |
resume | 恢复中断训练 | True（需指定last.pt） |
amp | 自动混合精度 | True（默认开启，省显存） |
六、模型验证
创建val.py：
fromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重model=YOLO('runs/train/exp/weights/best.pt')# 验证metrics=model.val(data='data.yaml',split='val',# 验证集：'val' 或 'test'imgsz=640,batch=16,iou=0.6,# NMS IoU阈值device='0',save_json=False,# 是否保存COCO格式JSON)# 输出关键指标print(f"mAP50-95:{metrics.box.map}")# mAP@0.5:0.95print(f"mAP50:{metrics.box.map50}")# mAP@0.5print(f"mAP75:{metrics.box.map75}")# mAP@0.75if__name__=='__main__':main()CLI 方式：
yolo detect valmodel=runs/train/exp/weights/best.ptdata=data.yaml七、模型推理/预测
创建predict.py：
fromultralyticsimportYOLOimportcv2defmain():model=YOLO('runs/train/exp/weights/best.pt')# 单张图片推理results=model.predict(source='test_images/',# 图片路径、文件夹、URL或摄像头索引（0）imgsz=640,conf=0.25,# 置信度阈值iou=0.45,# NMS IoU阈值device='0',save=True,# 保存结果图show=False,# 是否弹窗显示)# 遍历结果forresultinresults:boxes=result.boxes# 检测框masks=result.masks# 分割掩码（如使用分割模型）probs=result.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2=box.xyxy[0].tolist()conf=box.conf[0].item()cls=int(box.cls[0].item())print(f"Class:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}]")if__name__=='__main__':main()CLI 方式：
yolo detect predictmodel=runs/train/exp/weights/best.ptsource=test_images/save=True## 数据集下载> 小郭AI日志t(f"Class: {cls}, Conf: {conf:.2f}, Box: [{x1:.1f}, {y1:.1f}, {x2:.1f}, {y2:.1f}]")
ifname== ‘main’:
main()
CLI 方式： ```bash yolo detect predict model=runs/train/exp/weights/best.pt source=test_images/ save=True ## 数据集下载> 小郭AI日志