分类名: (图片张数，标注个数)
car: (3210， 13654)
truck:
(1168，1629)
per son:
(1517，4359)
bicyc le:
(334, 589)
bus: (381， 439)
motorcycle:
(164, 214)
总数: (3404, 20884)
总类(nc): 6类
极端天气道路目标检测数据集 (Extreme Weather Road Object Detection Dataset)
规模
- 图像数量：3400张图像。
- 类别：6种对象类型。
- 标注个数：20884个标注。
数据划分
- 训练集 (Train)：通常占总数据的80%左右，约2720张图像。
- 验证集 (Validation)：通常占总数据的20%左右，约680张图像。
类别和数量
- car：3210张图像，13654个标注。
- truck：168张图像，1629个标注。
- person：1517张图像，4359个标注。
- bicycle：334张图像，589个标注。
- bus：381张图像，439个标注。
- motorcycle：164张图像，214个标注。
数据特点
- 极端天气条件：涵盖雨天、雾天、雪天等多种恶劣环境下的道路场景，具有挑战性的视觉条件。
- 多样化目标：包括汽车、卡车、行人、自行车、公共汽车和摩托车等多种常见道路物体。
- 详尽标注：每张图像都有精确的边界框标注，保证了训练数据的质量。
应用领域
- 自动驾驶：帮助自动驾驶车辆在极端天气下更好地识别周围环境，提高安全性。
- 交通管理：辅助交通管理部门了解极端天气下的道路状况，优化交通规划。
- 科研应用：为计算机视觉和自动驾驶领域的研究提供有价值的数据资源。
1. 安装依赖库
首先，确保安装了必要的依赖库。可以在项目目录中的requirements.txt文件中列出这些依赖库，然后运行以下命令进行安装：
pip install -r requirements.txtrequirements.txt 文件内容示例：
torch==1.10.0
torchvision==0.11.1
pandas==1.3.4
cv2
albumentations==1.1.02. 创建数据集
定义一个自定义的数据集类，并创建数据加载器。
import os
import pandas as pd
import cv2
from torch.utils.data import Dataset, DataLoader
from torchvision.transforms import Compose, ToTensor, Normalize, Resize
from albumentations import HorizontalFlip, RandomBrightnessContrast, ShiftScaleRotate, BboxFromMasks, BBoxFormatPASCAL
from albumentations.pytorch import ToTensorV2
# 自定义数据集类
class ExtremeWeatherDataset(Dataset):
def __init__(self, data_root, annotations_file, transforms=None):
self.data_root = data_root
self.annotations = pd.read_csv(annotations_file)
self.transforms = transforms
def __len__(self):
return len(self.annotations)
def __getitem__(1, idx):
img_path = os.path.join(self.data_root, self.annotations.iloc[idx, 0])
image = cv2.imread(img_path)
bboxes = self.annotations.iloc[idx, 1:].values.reshape(-1, 4) # bounding box coordinates
labels = self.annotations.columns[1:]
if self.transforms:
augmented = self.transforms(image=image, bboxes=bboxes)
image = augmented['image']
bboxes = augmented['bboxes']
return image, bboxes, labels
# 图像预处理
def get_transforms():
"""构建预处理函数"""
_transform = [
Resize(height=416, width=416, interpolation=cv2.INTER_LINEAR),
HorizontalFlip(p=0.5),
RandomBrightnessContrast(p=0.2),
ShiftScaleRotate(p=0.5, shift_limit=0.0625, scale_limit=0.2, rotate_limit=15),
Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
ToTensorV2(),
BboxFromMasks(format=BBoxFormatPASCAL)
]
return Compose(_transform)
# 创建数据加载器
train_dataset = ExtremeWeatherDataset(
data_root='path_to_your_data_directory',
annotations_file='path_to_your_annotations.csv',
transforms=get_transforms()
)
val_dataset = ExtremeWeatherDataset(
data_root='path_to_your_data_directory',
annotations_file='path_to_your_annotations.csv',
transforms=get_transforms()
)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=4)3. 训练YOLOv5模型
使用YOLOv5进行训练。
!git clone https://github.com/ultralytics/yolov5 # 下载YOLOv5代码仓库
cd yolov5
# 使用YOLOv5训练模型
python train.py --weights yolov5s.pt --data path_to_your_data.yaml --name extreme_weather_road_detection --img 416 --batch 16 --epochs 100 --device 0- 数据配置文件：创建一个名为
data.yaml的数据配置文件，其中包含训练和验证数据集的信息。
train: path_to_your_train_images
val: path_to_your_val_images
nc: 6 # 类别数量
names: [car, truck, person, bicycle, bus, motorcycle]4. 调整模型
- 超参数调整：根据实际情况调整模型的超参数，例如学习率、批大小等。
- 数据增强：增加数据增强策略，如旋转、缩放
w'wd
