【数据集】【YOLO】【目的检测】树木坍毁识别数据集 9957 张，YOLO门路树木
一、数据集介绍【数据集】树木坍毁识别数据集 9957 张，目的检测，包含YOLO/VOC格式标注。
数据集中包含2种分类：{'0': 'fallen_tree'}，代表坍毁大概断裂的树木。
数据集来自国表里图片网站和视频截图；
可用于无人机树木坍毁检测、监控树木断裂检测等。
检测场景为门路、景区、生态公园等树木坍毁检测，可用于聪明景区、聪明都会、聪明交通等，服务于都会生态环境保护、树木养护等。
https://i-blog.csdnimg.cn/direct/047d3b96b0524d29a21d31f436c959de.png
https://i-blog.csdnimg.cn/direct/957160cdeee944bc8e8cc02aa4645655.png
https://i-blog.csdnimg.cn/direct/60213bc6dc034cae96d64fae7810b30a.png
1、数据概述
树木坍毁、断裂识别的紧张性
[*] 树木坍毁是一个值得关注的问题，尤其在天然灾害、环境破坏等情境下。树木坍毁不但可能对生态系统造成破坏，还可能对人类生命和财产安全构成威胁。因此，实现树木坍毁的主动识别对于预警、救援和环境保护等方面具有紧张意义。
[*] 在交通方面，路边的树木坍毁可能会引起交路路段堵塞，造成交通门路瘫痪，影响都会正常运作，甚至给车辆和司机造成损失，威胁人类生命，因此实现树木坍毁识别具有紧张意义。
基于YOLO的树木坍毁识别算法
[*] 数据预备：为了实现树木坍毁的识别，预备包含树木坍毁情况的标注数据集。通过收集相干图像和视频，并进行人工标注来完成。
[*] 模型选择与训练：在YOLO算法的基础上，选择合适的模型（如YOLOv5、YOLOv8等）进行训练。训练过程中需要调整模型参数，如学习率、优化器等，以获得最佳性能。
[*] 后处理与优化：为了提高识别精度和减少误报，对模型输出进行后处理，如非极大值抑制（NMS）等。此外，还可以通过模型剪枝、量化等技能优化模型巨细和推理速度。
该数据集含有 9957 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试门路、景区、生态公园等地区的树木坍毁情况。
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。
2、数据集文件结构
fallen_tree/
——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，包含树木坍毁、断裂识别的目的分类和加载路径。
https://i-blog.csdnimg.cn/direct/561bff16448c4daa970a39b7490e1dfc.png
https://i-blog.csdnimg.cn/direct/55f1d08682fe46b68c58993fe486581c.png
https://i-blog.csdnimg.cn/direct/af2f38e80d4a4fbaa845dab30f7cba9a.png
https://i-blog.csdnimg.cn/direct/928f40c1a1e04a0788c6f79e28301e93.png
Annotations目录下的xml文件内容如下：
<?xml version="1.0" encoding="utf-8"?>
<annotation>
<folder>driving_annotation_dataset</folder>
<filename>10797.jpg</filename>
<size>
<width>640</width>
<height>640</height>
<depth>3</depth>
</size>
<object>
<name>fallen_tree</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>198</xmin>
<ymin>273</ymin>
<xmax>249</xmax>
<ymax>422</ymax>
</bndbox>
</object>
<object>
<name>fallen_tree</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>32</xmin>
<ymin>292</ymin>
<xmax>247</xmax>
<ymax>460</ymax>
</bndbox>
</object>
<object>
<name>fallen_tree</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>317</xmin>
<ymin>326</ymin>
<xmax>462</xmax>
<ymax>446</ymax>
</bndbox>
</object>
<object>
<name>fallen_tree</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>406</xmin>
<ymin>219</ymin>
<xmax>607</xmax>
<ymax>623</ymax>
</bndbox>
</object>
</annotation> 3、数据集适用范围
[*]目的检测场景，无人机检测或监控识别
[*]yolo训练模型或其他模型
[*]门路、景区、生态公园等树木坍毁检测
[*]可用于聪明都会、聪明交通、聪明景区等，服务于都会生态环境保护、树木养护等
4、数据集标注结果
https://i-blog.csdnimg.cn/direct/21ba6648bdb04d95ae7e2717d586be31.pnghttps://i-blog.csdnimg.cn/direct/fe43af4dd53147bf9ac2a0819b4e5b41.png
https://i-blog.csdnimg.cn/direct/7408a405f025446fbfc2d10b69cdcefd.pnghttps://i-blog.csdnimg.cn/direct/061c634fa0be4ca794c407919ed1ff97.png
https://i-blog.csdnimg.cn/direct/9a16d3a3f46249819e418a4dc3b1f7a9.pnghttps://i-blog.csdnimg.cn/direct/87ab8f64749d42b1bdd27feb93a4e930.png
https://i-blog.csdnimg.cn/direct/0e15389791074aa695ee74a713a25982.pnghttps://i-blog.csdnimg.cn/direct/f7ad637da8da469e9faf294a281bfd49.png
4.1、数据集内容
[*]多角度场景：包含无人机视角、监控视角、行人拍摄视角等；
[*]标注内容：names: ['fallen_tree']，总计1个分类；
[*]图片总量：9957张图片数据；
[*]标注类型：含有Pascal VOC XML格式和yolo TXT格式；
5、训练过程
5.1、导入训练数据
下载YOLOv8项目压缩包，解压在恣意当地workspace文件夹中。
下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。
https://i-blog.csdnimg.cn/direct/0bed55f82ab64c478e2ed724a07abad0.png
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/
团体项目结构如下所示：
https://i-blog.csdnimg.cn/direct/4417fb0d7f8042c58aeec3b3051e2f22.png
5.2、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文件夹下将数据集分别为训练集train.txt、验证集val.txt、测试集test.txt，内里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[:-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() 5.3、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，分析树结构，提取图像的宽度和高度。
[*] 然后，它遍历每个目的对象（object），查抄其类别是否在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，它提取界限框坐标，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。
[*] 末了，它将类别ID和归一化后的界限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 = ['fallen_tree'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size)
dh = 1. / (size)
x = (box + box) / 2.0 - 1
y = (box + box) / 2.0 - 1
w = box - box
h = box - box
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() + '\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() 5.4、修改数据集配置文件
train: ../train/images
val: ../valid/images
test: ../test/images
nc: 1
names: ['fallen_tree'] 5.5、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 5.6、模型猜测
你可以选择新建predict.py猜测脚本文件，输入视频流大概图像进行猜测。
代码如下：
import cv2
from ultralytics import YOLO
# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径
# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path)
# Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')# Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径
# Loop through the video frames
while cap.isOpened():
# Read a frame from the video
success, frame = cap.read()
if success:
# Run YOLOv8 inference on the frame
# results = model(frame)
results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)
results.names = "道路积水"
# Visualize the results on the frame
annotated_frame = results.plot()
# Write the annotated frame to the output file
out.write(annotated_frame)
# Display the annotated frame (optional)
cv2.imshow("YOLOv8 Inference", annotated_frame)
# Break the loop if 'q' is pressed
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# Break the loop if the end of the video is reached
break
# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows() 也可以直接在命令行窗口大概Annoconda终端输入以下命令进行模型猜测：
yolo predict model="best.pt" source='demo.jpg' 6、获取数据集
看我“头像”获取数据，大概主页私聊博主哈~
二、基于QT的目的检测可视化界面
yolo可视化界面源码
1、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 2、利用说明
https://i-blog.csdnimg.cn/direct/166ee2f0e2724478883d2923fd825aad.png
界面功能介绍：
[*]原视频/图片区：上半部门左边地区为原视频/图片展示区；
[*]检测区：上半部门右边地区为检测结果输出展示区；
[*]文本框：打印输出操作日志，其中告警以json格式输出，包含标签框的坐标，标签名称等；
[*]加载模型：下拉框绑定当地文件路径，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，可以通过滑动条的方式设置；
[*]文件上传：选择目的文件，包含JPG格式和MP4格式；
[*]开始检测：执行检测程序；
[*]停止：终止检测程序；
3、猜测效果展示
3.1、图片检测
https://i-blog.csdnimg.cn/direct/4009ff3e6f5d4c68b31198b8d61bfe34.png
切换置信度再次执行：
https://i-blog.csdnimg.cn/direct/2d8a50808e60446e8d26aed7cdcb5e97.png
上图左下地区可以看到json格式的告警信息，用于反馈现实作业中的管理系统，为管理员提供门路养护决策 。
3.2、视频检测
https://i-blog.csdnimg.cn/direct/2753862ef7f545708f384cdf4fe0da56.png
3.3、日志文本框
https://i-blog.csdnimg.cn/direct/4a08d3a9ba4b45a4aba12eb2ca9f51f6.png
4、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)
# 界面下半部分： 输出框 和 按钮
groupBox = QtWidgets.QGroupBox(self)
groupBox.setStyleSheet('QGroupBox {border: 0px solid #D7E2F9;}')
bottomLayout = QtWidgets.QHBoxLayout(groupBox)
main_layout.addWidget(groupBox)
btnLayout = QtWidgets.QHBoxLayout()
btn1Layout = QtWidgets.QVBoxLayout()
btn2Layout = QtWidgets.QVBoxLayout()
btn3Layout = QtWidgets.QVBoxLayout()
# 创建日志打印文本框
self.outputField = QtWidgets.QTextBrowser()
self.outputField.setFixedSize(530, 180)
self.outputField.setStyleSheet('font-size: 13px; font-family: "Microsoft YaHei"; background-color: #f0f0f0; border: 2px solid #ccc; border-radius: 10px;')
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;')
topLayout.addWidget(self.oriVideoLabel)
topLayout.addWidget(self.detectlabel)
main_layout.addLayout(topLayout) 5、代码获取
YOLO可视化界面
看我“头像”获取数据，大概主页私聊博主哈~
注：以上均为原创内容，转载请私聊！！！
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]