带标注的跌倒检测数据集，识别率88.6%，10793张图，支持yolo，coco json，voc xml,文末有模型训练代码
带标注的跌倒检测数据集，识别率88.6%，10793张图，支持yolo，coco json，voc xml,文末有模型训练代码
可识别常见的跌倒或者摔倒姿势，场景较多，包含运动场，马路街道，医院，广场等场景下的跌倒摔倒图片。
模型训练指标参数：
模型训练图：
数据集拆分
总图数：10793 张图数
训练集
9444 张图
验证集
899 张图
测试集
450 张图
预处理
自动定向：应用
调整大小：拉伸到640x640
增强
单个训练样本输出份数：3 份
翻转方式：水平翻转
裁剪缩放：最小缩放比例 0%，最大缩放比例 20%
旋转变换：角度范围 -12° ~ +12°
剪切形变：水平方向 ±2°，垂直方向 ±2°
灰度化：随机对 10% 的图像启用该效果
色相调整：范围 -20° ~ +20°
饱和度调整：范围 -20% ~ +20%
亮度调整：范围 -20% ~ +20%
曝光度调整：范围 -20% ~ +20%
模糊处理：最大模糊程度 0.75 像素
随机遮挡（Cutout）：生成 5 个遮挡块，单个遮挡块尺寸为原图的 3%
数据集图片和标注信息示例：
[‘Fall-Detected’]
标签解释
摔倒
数据集图片和标注信息示例：
数据集下载：
yolo26:https://download.csdn.net/download/pbymw8iwm/92908375
yolo v12:https://download.csdn.net/download/pbymw8iwm/92908279
yolo v11:https://download.csdn.net/download/pbymw8iwm/92908282
yolo v9:https://download.csdn.net/download/pbymw8iwm/92908320
yolo v8:https://download.csdn.net/download/pbymw8iwm/92908368
yolo v7:https://download.csdn.net/download/pbymw8iwm/92908351
coco json:https://download.csdn.net/download/pbymw8iwm/92908396
pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92908393
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
模糊图片在模型训练中的优势分析
该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：
- 提升模型鲁棒性：现实场景中，可能发生在运动模糊，对焦不准或光线不足的情况下。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
- 模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前“见识”并适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
- 防止模型过拟合：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的“干净”特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。
总结：因此，数据集中包含的模糊图片，与你看到的“水平翻转”、“剪切形变”、“随机遮挡”等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。
模型验证测试情况：
验证测试代码：
#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 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forresultinresults:# 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()