【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。

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。
  

Annotations目录下的xml文件内容如下：

1. <?xml version="1.0" encoding="utf-8"?>
2.         <annotation>
3.                 <folder>driving_annotation_dataset</folder>
4.                 <filename>10797.jpg</filename>
5.                 <size>
6.                         <width>640</width>
7.                         <height>640</height>
8.                         <depth>3</depth>
9.                 </size>
10.                 <object>
11.                         <name>fallen_tree</name>
12.                         <pose>Unspecified</pose>
13.                         <truncated>0</truncated>
14.                         <difficult>0</difficult>
15.                         <bndbox>
16.                                 <xmin>198</xmin>
17.                                 <ymin>273</ymin>
18.                                 <xmax>249</xmax>
19.                                 <ymax>422</ymax>
20.                         </bndbox>
21.                 </object>
22.                 <object>
23.                         <name>fallen_tree</name>
24.                         <pose>Unspecified</pose>
25.                         <truncated>0</truncated>
26.                         <difficult>0</difficult>
27.                         <bndbox>
28.                                 <xmin>32</xmin>
29.                                 <ymin>292</ymin>
30.                                 <xmax>247</xmax>
31.                                 <ymax>460</ymax>
32.                         </bndbox>
33.                 </object>
34.                 <object>
35.                         <name>fallen_tree</name>
36.                         <pose>Unspecified</pose>
37.                         <truncated>0</truncated>
38.                         <difficult>0</difficult>
39.                         <bndbox>
40.                                 <xmin>317</xmin>
41.                                 <ymin>326</ymin>
42.                                 <xmax>462</xmax>
43.                                 <ymax>446</ymax>
44.                         </bndbox>
45.                 </object>
46.                 <object>
47.                         <name>fallen_tree</name>
48.                         <pose>Unspecified</pose>
49.                         <truncated>0</truncated>
50.                         <difficult>0</difficult>
51.                         <bndbox>
52.                                 <xmin>406</xmin>
53.                                 <ymin>219</ymin>
54.                                 <xmax>607</xmax>
55.                                 <ymax>623</ymax>
56.                         </bndbox>
57.                 </object>
58.         </annotation>

复制代码

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 

​​

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。

​​​​
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：

​
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。

1. import os
2. import random
4. trainval_percent = 0.9
5. train_percent = 0.9
6. xmlfilepath = 'data/Annotations'
7. txtsavepath = 'data/ImageSets'
8. total_xml = os.listdir(xmlfilepath)
10. num = len(total_xml)
11. list = range(num)
12. tv = int(num * trainval_percent)
13. tr = int(tv * train_percent)
14. trainval = random.sample(list, tv)
15. train = random.sample(trainval, tr)
17. ftrainval = open('data/ImageSets/trainval.txt', 'w')
18. ftest = open('data/ImageSets/test.txt', 'w')
19. ftrain = open('data/ImageSets/train.txt', 'w')
20. fval = open('data/ImageSets/val.txt', 'w')
22. for i in list:
23.     name = total_xml[i][:-4] + '\n'
24.     if i in trainval:
25.         ftrainval.write(name)
26.         if i in train:
27.             ftrain.write(name)
28.         else:
29.             fval.write(name)
30.     else:
31.         ftest.write(name)
33. ftrainval.close()
34. ftrain.close()
35. fval.close()
36. ftest.close()

复制代码

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。
  

1. import xml.etree.ElementTree as ET
2. import os
3. from os import getcwd
5. sets = ['train', 'val', 'test']
6. classes = ['fallen_tree'] # 根据标签名称填写类别
7. abs_path = os.getcwd()
8. print(abs_path)
11. def convert(size, box):
12.     dw = 1. / (size[0])
13.     dh = 1. / (size[1])
14.     x = (box[0] + box[1]) / 2.0 - 1
15.     y = (box[2] + box[3]) / 2.0 - 1
16.     w = box[1] - box[0]
17.     h = box[3] - box[2]
18.     x = x * dw
19.     w = w * dw
20.     y = y * dh
21.     h = h * dh
22.     return x, y, w, h
25. def convert_annotation(image_id):
26.     in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
27.     out_file = open('data/labels/%s.txt' % (image_id), 'w')
28.     tree = ET.parse(in_file)
29.     root = tree.getroot()
30.     size = root.find('size')
31.     w = int(size.find('width').text)
32.     h = int(size.find('height').text)
33.     for obj in root.iter('object'):
34.         difficult = obj.find('difficult').text
35.         cls = obj.find('name').text
36.         if cls not in classes or int(difficult) == 1:
37.             continue
38.         cls_id = classes.index(cls)
39.         xmlbox = obj.find('bndbox')
40.         b = (float(xmlbox.find('xmin').text),
41.              float(xmlbox.find('xmax').text),
42.              float(xmlbox.find('ymin').text),
43.              float(xmlbox.find('ymax').text))
44.         b1, b2, b3, b4 = b
45.         # 标注越界修正
46.         if b2 > w:
47.             b2 = w
48.         if b4 > h:
49.             b4 = h
50.         b = (b1, b2, b3, b4)
51.         bb = convert((w, h), b)
52.         out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
55. wd = getcwd()
56. for image_set in sets:
57.     if not os.path.exists('data/labels/'):
58.         os.makedirs('data/labels/')
59.     image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
60.     list_file = open('data/%s.txt' % (image_set), 'w')
61.     for image_id in image_ids:
62.         list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
63.         convert_annotation(image_id)
64.     list_file.close()

复制代码

5.4、修改数据集配置文件

1. train: ../train/images
2. val: ../valid/images
3. test: ../test/images
5. nc: 1
6. names: ['fallen_tree']

复制代码

5.5、执行命令

执行train.py

1. model = YOLO('yolov8s.pt')
2. results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

复制代码

也可以在终端执行下述命令：

1. yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

复制代码

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：

1. import cv2
2. from ultralytics import YOLO
4. # Load the YOLOv8 model
5. model = YOLO("./best.pt") # 自定义预测模型加载路径
7. # Open the video file
8. video_path = "./demo.mp4" # 自定义预测视频路径
9. cap = cv2.VideoCapture(video_path)
11. # Get the video properties
12. frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
13. frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
14. fps = cap.get(cv2.CAP_PROP_FPS)
16. # Define the codec and create VideoWriter object
17. fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Be sure to use lower case
18. out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径
20. # Loop through the video frames
21. while cap.isOpened():
22.     # Read a frame from the video
23.     success, frame = cap.read()
25.     if success:
26.         # Run YOLOv8 inference on the frame
27.         # results = model(frame)
28.         results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)
30.         results[0].names[0] = "道路积水"
31.         # Visualize the results on the frame
32.         annotated_frame = results[0].plot()
34.         # Write the annotated frame to the output file
35.         out.write(annotated_frame)
37.         # Display the annotated frame (optional)
38.         cv2.imshow("YOLOv8 Inference", annotated_frame)
40.         # Break the loop if 'q' is pressed
41.         if cv2.waitKey(1) & 0xFF == ord("q"):
42.             break
43.     else:
44.         # Break the loop if the end of the video is reached
45.         break
47. # Release the video capture and writer objects
48. cap.release()
49. out.release()
50. cv2.destroyAllWindows()

复制代码

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：

1. yolo predict model="best.pt" source='demo.jpg'

复制代码

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

1. # 安装torch环境
2. pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
3. # 安装PySide6依赖项
4. pip install PySide6 -i https://pypi.tuna.tsinghua.edu.cn/simple
5. # 安装opencv-python依赖项
6. pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

2、利用说明

​​​​​
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

​​​​​
切换置信度再次执行：

​​​​​
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 

​​​​​
3.3、日志文本框

​
4、前端代码 

1. class MyWindow(QtWidgets.QMainWindow):
2.     def __init__(self):
3.         super().__init__()
5.         self.init_gui()
6.         self.model = None
7.         self.timer = QtCore.QTimer()
8.         self.timer1 = QtCore.QTimer()
9.         self.cap = None
10.         self.video = None
11.         self.file_path = None
12.         self.base_name = None
13.         self.timer1.timeout.connect(self.video_show)
15.     def init_gui(self):
16.         self.folder_path = "model_file"  # 自定义修改：设置文件夹路径
17.         self.setFixedSize(1300, 650)
18.         self.setWindowTitle('目标检测')  # 自定义修改：设置窗口名称
19.         self.setWindowIcon(QIcon("111.jpg"))  # 自定义修改：设置窗口图标
20.         central_widget = QtWidgets.QWidget(self)
21.         self.setCentralWidget(central_widget)
22.         main_layout = QtWidgets.QVBoxLayout(central_widget)
24.         # 界面上半部分： 视频框
25.         topLayout = QtWidgets.QHBoxLayout()
26.         self.oriVideoLabel = QtWidgets.QLabel(self)
27.         
28.         # 界面下半部分： 输出框 和 按钮
29.         groupBox = QtWidgets.QGroupBox(self)
30.         groupBox.setStyleSheet('QGroupBox {border: 0px solid #D7E2F9;}')
31.         bottomLayout = QtWidgets.QHBoxLayout(groupBox)
32.         main_layout.addWidget(groupBox)
33.         btnLayout = QtWidgets.QHBoxLayout()
34.         btn1Layout = QtWidgets.QVBoxLayout()
35.         btn2Layout = QtWidgets.QVBoxLayout()
36.         btn3Layout = QtWidgets.QVBoxLayout()
38.         # 创建日志打印文本框
39.         self.outputField = QtWidgets.QTextBrowser()
40.         self.outputField.setFixedSize(530, 180)
41.         self.outputField.setStyleSheet('font-size: 13px; font-family: "Microsoft YaHei"; background-color: #f0f0f0; border: 2px solid #ccc; border-radius: 10px;')
42.         self.detectlabel = QtWidgets.QLabel(self)
43.         self.oriVideoLabel.setFixedSize(530, 400)
44.         self.detectlabel.setFixedSize(530, 400)
45.         self.oriVideoLabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top:75px;')
46.         self.detectlabel.setStyleSheet('border: 2px solid #ccc; border-radius: 10px; margin-top: 75px;')
47.         topLayout.addWidget(self.oriVideoLabel)
48.         topLayout.addWidget(self.detectlabel)
49.         main_layout.addLayout(topLayout)

复制代码

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。