人形检测数据集， 目标检测/行人检测/安防AI模型训练 密集场景人形检测数据集 / 行人检测数据集训练及应用

自用整理的人形检测数据集，适合做目标检测/行人检测/安防AI模型训练。

数据情况：
共约 13000张图片
场景：密集人群（街道/商场/公共场所等）
已整理分类，数据质量较高
支持 YOLO格式标注 / bbox标注

优势：
数据量大，直接可用
覆盖密集场景，稀缺数据
省去采集与清洗时间
适合做项目训练 / 商业验证

分类项 详细说明
数据集名称 密集场景人形 / 行人检测数据集
图片总量 约 13000 张
适用方向 行人目标检测、智能安防 AI 模型训练、算法验证、项目落地、模型迭代优化
主要场景 城市街道、商场、室内外公共场所等密集人群场景
标注格式 标准 YOLO 格式、BBox 矩形框标注，双格式兼容
标注类别 单类别：person（行人 / 人形目标）

数据状态 已完成整理、清洗、分类，无脏图、无效样本

数据特点 人群密集、目标重叠遮挡多、实景环境复杂，属于行业稀缺数据集
适配算法 YOLOv5/YOLOv8/YOLOv11、Faster R-CNN、SSD 等主流目标检测框架
运行环境 Python 环境，支持 Windows / Linux 系统

密集场景人形/行人检测数据集（含完整训练代码）

一、数据集基础信息表

二、数据集目录结构（标准YOLO格式）

person_detection_dataset/ ├── images/ # 全部原图 │ ├── train/ # 训练集图片 │ ├── val/ # 验证集图片 │ └── test/ # 测试集图片 ├── labels/ # 对应标注文件 │ ├── train/ │ ├── val/ │ └── test/ └── person.yaml # YOLO系列训练配置文件

三、标注规则说明

1. 类别对照表

2. 标注格式规范

1. YOLO 格式（.txt）
   采用归一化坐标，每行格式：类别ID x中心 y中心 框宽 框高，图片与标签一一对应，可直接导入YOLO系列训练。
2. BBox 格式
   采用像素级左上角、右下角坐标，兼容传统两阶段检测算法、标注工具二次编辑。

四、数据集核心优势表

五、环境依赖配置

1. 虚拟环境创建

# 创建并激活虚拟环境conda create-nperson_detectpython=3.9conda activate person_detect

2. 依赖安装

# 安装核心依赖pipinstalltorch==1.9.0torchvision==0.10.0 pipinstallultralytics opencv-python numpy tqdm

3. 依赖清单requirements.txt

torch==1.9.0 torchvision==0.10.0 ultralytics opencv-python numpy tqdm

六、数据集配置文件person.yaml

# 数据集路径train:./images/trainval:./images/valtest:./images/test# 类别数量与名称nc:1names:0:person

七、完整训练代码

1. YOLOv8 训练脚本train_person.py

fromultralyticsimportYOLOdefmain():# 加载YOLOv8预训练权重，可选 yolov8n/s/m/l/x 不同规模模型model=YOLO("yolov8n.pt")# 模型训练参数配置model.train(data="person.yaml",# 数据集配置文件路径epochs=120,# 训练总轮数imgsz=640,# 模型输入图像尺寸batch=16,# 批次大小，根据显存调整device=0,# 使用GPU训练；无GPU改为 device="cpu"workers=4,# 数据加载线程数patience=15,# 早停轮数，损失不下降则停止训练project="train_result",# 训练结果根目录name="yolov8_person",# 本次训练文件夹名称save=True,# 保存训练权重save_period=10,# 每10轮保存一次权重rect=False,mosaic=1.0# 开启马赛克数据增强)# 训练完成后，在验证集上评估模型精度metrics=model.val()print("模型评估指标：",metrics)print("训练任务全部完成！")if__name__=="__main__":main()

2. 模型推理测试脚本predict_person.py

fromultralyticsimportYOLOimportcv2# 加载训练完成的最优模型权重model=YOLO("./train_result/yolov8_person/weights/best.pt")# 自定义检测阈值CONF_THRESH=0.25IOU_THRESH=0.45defdetect_image(img_path):"""单张图片检测"""results=model.predict(source=img_path,conf=CONF_THRESH,iou=IOU_THRESH,save=False)# 绘制检测结果result_frame=results[0].plot()# 统计检测到的行人数量person_num=len(results[0].boxes)print(f"检测到行人数量：{person_num}")cv2.imshow("行人检测结果",result_frame)cv2.waitKey(0)cv2.destroyAllWindows()defdetect_video(video_path):"""视频/摄像头检测，video_path=0 调用本地摄像头"""results=model.predict(source=video_path,conf=CONF_THRESH,iou=IOU_THRESH,stream=True)forresinresults:frame=res.plot()count=len(res.boxes)cv2.putText(frame,f"Person:{count}",(20,40),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2)cv2.imshow("实时行人检测",frame)# 按下 q 退出ifcv2.waitKey(1)&0xFF==ord('q'):breakcv2.destroyAllWindows()if__name__=="__main__":# 测试单张图片detect_image("test.jpg")# 测试本地视频# detect_video("test_video.mp4")# 测试摄像头实时检测# detect_video(0)

3. 批量图片检测并保存结果脚本batch_detect.py

importosfromultralyticsimportYOLO model=YOLO("./train_result/yolov8_person/weights/best.pt")# 批量检测文件夹内所有图片defbatch_detect_images(input_dir,output_dir):ifnotos.path.exists(output_dir):os.makedirs(output_dir)img_suffix=(".jpg",".jpeg",".png",".bmp")img_list=[fforfinos.listdir(input_dir)iff.lower().endswith(img_suffix)]forimg_nameinimg_list:img_path=os.path.join(input_dir,img_name)results=model.predict(source=img_path,conf=0.25,iou=0.45,save=False)out_img=results[0].plot()save_path=os.path.join(output_dir,img_name)model.save_img(out_img,save_path)print(f"已处理：{img_name}")if__name__=="__main__":# 输入图片文件夹、结果保存文件夹input_folder="./test_images"output_folder="./detect_result"batch_detect_images(input_folder,output_folder)print("批量检测完成！")

八、运行流程

1. 解压数据集，按照指定目录结构摆放图片与标签文件；
2. 核对person.yaml内文件路径，确保路径无误；
3. 激活虚拟环境，执行python train_person.py启动训练；
4. 训练结束后，最优权重best.pt自动保存在训练目录下；
5. 运行推理脚本，完成图片、视频、摄像头、批量图片检测。

九、关键词

行人检测、人形检测、密集人群、安防数据集、目标检测、YOLO数据集、AI模型训练、计算机视觉、实景标注数据集