数据集介绍
【数据集】道路结冰数据集 1527 张，目标检测，包含YOLO/VOC格式标注。数据集中包含2种分类：“clear_road, ice_road”。数据集来自国内外图片网站和视频截图，部分数据经过数据增强处理。检测范围监控视角检测、无人机视角检测、道路结冰、道路湿滑等，可用于智慧园区、智慧城市、智慧交通。
一、数据概述
道路结冰检测的重要性
冰雪覆盖的路面容易导致车辆失控、打滑、刹车距离增加等问题，从而引发交通事故。为了保障公众的生命财产安全，交通管理部门需要实时了解道路状况，以便及时采取措施，如限速、封闭道路或提供防滑设备等，来提高道路的交通安全性。因此，开发高效、准确的道路结冰检测算法对于提高交通安全具有重要意义。
实际应用效果：
-
基于YOLO的道路结冰检测系统可以广泛应用于高速公路、城市道路、山区道路等场景，为交通管理部门提供及时、准确的预警信息。
-
该系统还可以与其他智能交通系统相结合，如智能导航系统、交通监控系统等，共同构建更加安全、高效的智能交通体系。
该数据集含有1527张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试监控视角检测、无人机视角检测、道路结冰检测、道路湿滑检测。图片格式为jpg格式，标注格式分别为：
YOLO：txt
VOC：xml
数据集均为手工标注，保证标注精确度。
二、数据集文件结构
road_ice/
——Annotations/
——images/
——labels/
——data.yaml
Annotations文件夹为Pascal VOC格式的XML文件 ，images文件夹为jpg格式的数据样本，labels文件夹是YOLO格式的TXT文件，data.yaml是数据集配置文件，包含道路结冰检测的目标分类和加载路径。
三、数据集适用范围
- 目标检测场景
- yolo训练模型或其他模型
- 智慧城市、智慧园区、智慧交通
- 监控视角检测、无人机视角检测、道路结冰、道路湿滑
四、数据集标注结果
1、数据集内容
- 多角度场景：包含行人视角、俯视视角；
- 通过光照变化、阴影干扰、遮挡物进行了数据增强；
- 标注内容：names: ['clear-road', 'ice-road']，总计2个分类。
- 图片总量：1527张图片数据；
- 标注类型：含有Pascal VOC XML格式和yolo TXT格式；
五、训练过程
1、导入训练数据
下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。
下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。
在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。
data目录结构如下：
data/
——Annotations/ //存放xml文件
——images/ //存放jpg图像
——imageSets/
——labels/
2、数据分割
首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。
import os
import random
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()3、数据集格式化处理
这段代码是用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。
convert_annotation函数
-
这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。
-
它打开XML文件，解析树结构，提取图像的宽度和高度。
-
然后，它遍历每个目标对象（
object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。 -
对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用
convert函数将坐标转换为YOLO格式。 -
最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ['clear_road', 'ice_road'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text),
float(xmlbox.find('xmax').text),
float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
list_file = open('data/%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()4、修改数据集配置文件
train: ../train/images
val: ../valid/images
test: ../test/images
nc: 1
names: ['clear_road', 'ice_road']5、执行命令
执行train.py
model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)也可以在终端执行下述命令：
yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0六、获取数据集
戳我头像获取数据，或者主页私聊博主哈~
基于QT的目标检测可视化界面
一、环境配置
# 安装torch环境
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装PySide6依赖项
pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装opencv-python依赖项
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple二、使用说明
界面功能介绍：
- 原视频/图片区：上半部分左边区域为原视频/图片展示区；
- 检测区：上半部分右边区域为检测结果输出展示区；
- 文本框：打印输出操作日志；
- 加载模型：下拉框绑定本地文件路径，按钮加载路径下的模型文件；
- 置信度阈值：自定义检测区的置信度阈值；
- 文件上传：选择目标文件；
- 开始检测：执行检测程序；
- 停止：终止检测程序；
三、预测效果展示
1、图片检测
切换置信度再次执行：
2、视频检测
四、前端代码
class MyWindow(QtWidgets.QMainWindow):
def __init__(self):
super().__init__()
self.init_gui()
self.model = None
self.timer = QtCore.QTimer()
self.timer1 = QtCore.QTimer()
self.cap = None
self.video = None
self.file_path = None
self.base_name = None
self.timer1.timeout.connect(self.video_show)
def init_gui(self):
self.folder_path = "model_file" # 自定义修改：设置文件夹路径
self.setFixedSize(1300, 650)
self.setWindowTitle('目标检测') # 自定义修改：设置窗口名称
self.setWindowIcon(QIcon("111.jpg")) # 自定义修改：设置窗口图标
central_widget = QtWidgets.QWidget(self)
self.setCentralWidget(central_widget)
main_layout = QtWidgets.QVBoxLayout(central_widget)
# 界面上半部分： 视频框
topLayout = QtWidgets.QHBoxLayout()
self.oriVideoLabel = QtWidgets.QLabel(self)
self.detectlabel = QtWidgets.QLabel(self)
self.oriVideoLabel.setFixedSize(530, 400)
self.detectlabel.setFixedSize(530, 400)
self.oriVideoLabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top:75px;')
self.detectlabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;')
# 960 540 1920 960
topLayout.addWidget(self.oriVideoLabel)
topLayout.addWidget(self.detectlabel)
main_layout.addLayout(topLayout)五、代码获取
YOLO可视化界面
戳我头像获取数据，或者主页私聊博主哈~
注：以上均为原创内容，转载请私聊！！！
![[免费]SpringBoot+Vue(高校)学籍管理系统【论文+源码+SQL脚本】](https://i-blog.csdnimg.cn/direct/6e930f3dde3c4f2bb9cf4501c8642e1c.jpeg)
