矿场工程车检测数据集
数据集描述
该数据集旨在用于矿场工程车的检测和分类任务，涵盖了多种常见的工程车辆类型。数据集包含了大量的工程车图像及其对应的标注信息，可用于训练计算机视觉模型，以识别和定位矿场中的不同工程车辆。
数据规模
数据集共有4981张图像，标注了7798个对象，涵盖了10种不同的工程车辆类别。
类别及数量
数据集中的类别及数量如下：
- 挖掘机 (excavator)：1086张图像，标注了1356个对象。
- 自卸卡车 (dump truck)：1074张图像，标注了1816个对象。
- 压路机 (compactor)：538张图像，标注了583个对象。
- 移动起重机 (mobile crane)：529张图像，标注了589个对象。
- 塔式起重机 (tower crane)：169张图像，标注了235个对象。
- 轮式装载机 (wheel loader)：851张图像，标注了922个对象。
- 混凝土搅拌车 (concrete mixer truck)：376张图像，标注了427个对象。
- 反铲装载机 (backhoe loader)：666张图像，标注了693个对象。
- 推土机 (dozer)：492张图像，标注了536个对象。
- 平地机 (grader)：622张图像，标注了641个对象。
标注格式
数据集中的标注信息采用了VOC（Visual Object Classes）格式，每个图像都有一个对应的XML文件，记录了每个对象的位置信息（边界框坐标）和类别标签。
数据集结构
典型的数据集目录结构如下：
1mine_engineering_vehicle_dataset/
2├── Annotations/
3│ ├── img_0001.xml
4│ ├── img_0002.xml
5│ └── ...
6├── ImageSets/
7│ ├── Main/
8│ │ ├── train.txt
9│ │ ├── val.txt
10│ │ └── test.txt
11├── JPEGImages/
12│ ├── img_0001.jpg
13│ ├── img_0002.jpg
14│ └── ...
15└── labels/
16 ├── train/
17 │ ├── img_0001.txt
18 │ ├── img_0002.txt
19 └── val/
20 ├── img_0001.txt
21 ├── img_0002.txt应用场景
该数据集可以用于以下应用场景：
- 工程车辆检测与分类：训练模型识别矿场中的不同工程车辆类型。
- 安全管理：实时监测矿场中的车辆活动，提高安全管理效率。
- 自动化调度：辅助矿场自动化调度系统，提高运营效率。
- 科研分析：用于研究矿场工程车辆的行为模式和发展趋势。
示例代码
以下是一个使用Python和相关库（如OpenCV、PyTorch等）来加载和展示数据集的简单示例代码：
1import os
2import cv2
3import xml.etree.ElementTree as ET
4from PIL import Image
5import numpy as np
6
7# 数据集路径
8dataset_path = 'path/to/mine_engineering_vehicle_dataset/'
9
10# 加载图像和标签
11def load_image_and_label(image_path, annotation_path):
12 # 读取图像
13 image = Image.open(image_path).convert('RGB')
14 # 解析XML文件
15 tree = ET.parse(annotation_path)
16 root = tree.getroot()
17 objects = []
18 for obj in root.findall('object'):
19 name = obj.find('name').text
20 bbox = obj.find('bndbox')
21 xmin = int(bbox.find('xmin').text)
22 ymin = int(bbox.find('ymin').text)
23 xmax = int(bbox.find('xmax').text)
24 ymax = int(bbox.find('ymax').text)
25 objects.append([xmin, ymin, xmax, ymax, name])
26 return image, objects
27
28# 展示图像
29def show_image_with_boxes(image, boxes):
30 img = np.array(image)
31 for box in boxes:
32 xmin, ymin, xmax, ymax, name = box
33 cv2.rectangle(img, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2)
34 cv2.putText(img, name, (xmin, ymin - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
35 cv2.imshow('Image with Boxes', img)
36 cv2.waitKey(0)
37 cv2.destroyAllWindows()
38
39# 主函数
40if __name__ == "__main__":
41 images_dir = os.path.join(dataset_path, 'JPEGImages')
42 annotations_dir = os.path.join(dataset_path, 'Annotations')
43
44 # 获取图像列表
45 image_files = [f for f in os.listdir(images_dir) if f.endswith('.jpg')]
46
47 # 随机选择一张图像
48 selected_image = np.random.choice(image_files)
49 image_path = os.path.join(images_dir, selected_image)
50 annotation_path = os.path.join(annotations_dir, selected_image.replace('.jpg', '.xml'))
51
52 # 加载图像和标签
53 image, boxes = load_image_and_label(image_path, annotation_path)
54
55 # 展示带有标注框的图像
56 show_image_with_boxes(image, boxes)这段代码展示了如何加载图像和其对应的VOC XML标注文件，并在图像上绘制边界框和类别标签。您可以根据实际需求进一步扩展和修改这段代码，以适应您的具体应用场景。
