【数据集】【YOLO】【目标检测】交通事故辨认数据集 8939 张，YOLO道路事故
数据集介绍【数据集】道路事故辨认数据集 8939 张，目标检测，包含YOLO/VOC格式标注。数据集中包含2种分类：{'0': 'accident', '1': 'non-accident'}。数据集来自国表里图片网站和视频截图。检测范围道路事故检测、监控视角检测、无人机视角检测、等，可用于聪明城市、聪明交通，服务于交通拥塞预警、交通安全排查。
https://i-blog.csdnimg.cn/direct/93ae2fac149c4a0fb331d622933cb85a.png
https://i-blog.csdnimg.cn/direct/7751790fc114478ebb91e61bae2b4bc0.png
https://i-blog.csdnimg.cn/direct/bc78fee42b414d2fb2f6e7b8042de792.png
https://i-blog.csdnimg.cn/direct/aaff759a66ae4e2ca26e3ee36cb95163.png
https://i-blog.csdnimg.cn/direct/746499a0b6b04f80b80740b8d063e415.png
https://i-blog.csdnimg.cn/direct/85ef035d4cb845958e10fa5ebe7066a8.png一、数据概述
道路事故辨认的紧张性
交通事故导致的职员伤亡和财产损失巨大，因此，提高交通管理的效率和安全性显得尤为紧张。道路事故辨认作为智能交通系统（ITS）的紧张组成部分，能够实时监控交通状况，实时发现并处置处罚交通事故，从而有效缩短告急服务响应时间，镌汰交通阻塞，为事故分析和防备措施的制定提供数据支持。
道路事故辨认面对诸多技术挑衅，如光照条件变化、天气状况影响、交通标记和交通流复杂性等。这些因素都大概影响道路事故辨认的准确性和实时性。因此，必要开发更加高效和鲁棒的目标检测算法来应对这些挑衅。
基于YOLO的道路辨认算法
基于YOLO的道路事故辨认算法可以通过摄像头实时捕捉交通场景图像，并利用训练好的YOLO模型对图像进行目标检测。
该算法可以辨认出车辆、行人等交通参与者，并判断是否存在交通事故。一旦检测到事故，算法可以立即发出警报，并自动记录事故发生的细节，包括事故范例、位置、时间以及涉及的车辆和行人信息。这些信息可以为交通管理部门提供紧张的参考依据，帮助他们快速响应和处置处罚交通事故。
该数据集含有8939张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试道路事故辨认、监控视角检测、无人机视角检测。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，包管标注精确度。
二、数据集文件布局
https://i-blog.csdnimg.cn/direct/14cc842401fc4bce820011d99b4e9739.pnghttps://i-blog.csdnimg.cn/direct/a4bc16eabe2f4859bebceb837fcde323.png
https://i-blog.csdnimg.cn/direct/ea79d1f816f945d0883108e167c3f2a6.png
https://i-blog.csdnimg.cn/direct/1313240f16da4af6b3a1c4010bea5b47.png
https://i-blog.csdnimg.cn/direct/cbbd30b3a1854db6aeda206e0aa9beb8.png
road_accident/
——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，包含道路事故辨认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
[*]聪明城市、聪明交通
[*]道路事故检测、监控视角检测、无人机视角检测、交通拥塞预警、交通安全排查
四、数据集标注结果
https://i-blog.csdnimg.cn/direct/22b838e7e96c4fdf87792b418ce98862.pnghttps://i-blog.csdnimg.cn/direct/0c1fe4db264d45bf8889d4696ef2e276.png
https://i-blog.csdnimg.cn/direct/f6d7e9165280485d9b2a39810fe43111.pnghttps://i-blog.csdnimg.cn/direct/43d894290cbd43c7a529dd495f00e8a8.png
https://i-blog.csdnimg.cn/direct/32c027e08e8e49b1b259c8355cf77abe.pnghttps://i-blog.csdnimg.cn/direct/49fa7fc5568e4748893b1a554a278e94.png
1、数据集内容
[*]多角度场景：包含行人视角、俯视视角、监控视角、无人机视角；
[*]标注内容：names: ['accident', 'non-accident']，总计2个分类。
[*]图片总量：8939张图片数据；
[*]标注范例：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目录布局如下：
data/
——Annotations/ //存放xml文件
——images/ //存放jpg图像
——imageSets/
——labels/
整体项目布局如下所示：
https://i-blog.csdnimg.cn/direct/4417fb0d7f8042c58aeec3b3051e2f22.png
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，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()3、数据集格式化处置处罚
这段代码是用于处置处罚图像标注数据，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，解析树布局，提取图像的宽度和高度。
[*] 然后，它遍历每个目标对象（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，它提取边界框坐标，进行须要的越界修正，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 = ['accident', 'non-accident'] # 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()4、修改数据集配置文件
train: ../train/images
val: ../valid/images
test: ../test/images
nc: 2
names: ['accident', 'non-accident'] 5、执行下令
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下令：
yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=06、模型预测
你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。
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() 也可以直接在下令行窗口或者Annoconda终端输入以下下令进行模型预测：
yolo predict model="best.pt" source='demo.jpg' 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
https://i-blog.csdnimg.cn/direct/166ee2f0e2724478883d2923fd825aad.png
界面功能介绍：
[*]原视频/图片区：上半部分左边地域为原视频/图片展示区；
[*]检测区：上半部分右边地域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：自界说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：选择目标文件，包含JPG格式和MP4格式；
[*]开始检测：执行检测程序；
[*]制止：终止检测程序；
三、预测效果展示
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
上图左下地域可以看到json格式的告警信息，用于反馈现实作业中的管理系统，为管理员提供道路养护决策 。
2、视频检测
https://i-blog.csdnimg.cn/direct/2753862ef7f545708f384cdf4fe0da56.png
3、日志文本框
https://i-blog.csdnimg.cn/direct/4a08d3a9ba4b45a4aba12eb2ca9f51f6.png
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)
# 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)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]