YOLO模型如何训练占道摆摊数据集 非法占道经营检测数据集 违法摆摊检测数据集
占道摆摊数据集9000张图片支持yolo格式电子资料图片清晰多样适合目标检测、项目实验、学习研究等场景数据集已标注好直接可用支持YOLO系列模型训练训练集/验证集已划分好1占道摆摊目标检测数据集 YOLO全系列训练方案一、数据集整体说明数据总量9000 张实拍图片画面清晰、场景多样城市道路、街巷、路口、早晚不同光照标注格式标准YOLO txt格式已完成标注、划分训练集/验证集开箱即用目标类别单类stall占道摊位/占道摆摊类别ID0适用场景占道经营智能监测、目标检测学习、课程实验、工程项目数据划分已预设train / val无需二次拆分二、数据集目录结构标准YOLO格式road_stall_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集YOLO标签(.txt) │ └── val/ # 验证集YOLO标签(.txt) └── stall.yaml # YOLO配置文件标签格式说明每张图片对应同名.txt标签格式类别ID x y w h归一化坐标示例0 0.326 0.518 0.245 0.3120stall 占道摆摊三、数据集配置文件stall.yaml放置在数据集根目录直接复制使用# 数据集根路径根据自己实际路径修改path:./road_stall_datasettrain:images/trainval:images/val# 类别数量 类别名称nc:1names:0:stall四、环境依赖安装支持 YOLOv5 / YOLOv8 / YOLOv11 全系列统一安装依赖pipinstallultralytics opencv-python numpy tqdm五、训练代码分版本任选其一运行版本1YOLOv8 训练脚本推荐易用性高新建train_yolov8_stall.pyfromultralyticsimportYOLOdeftrain_stall():# 可选模型yolov8n / yolov8s / yolov8m / yolov8lmodelYOLO(yolov8s.pt)resultsmodel.train(data./road_stall_dataset/stall.yaml,epochs100,# 训练轮数imgsz640,# 输入图像尺寸batch16,# 显存不足改为 8 / 4device0,# 无GPU改为 devicecpuworkers4,patience15,# 早停机制15轮无提升停止训练pretrainedTrue,optimizerAdam,lr00.001,warmup_epochs3,mosaic0.9,# 数据增强适配户外复杂场景mixup0.1,projectruns/stall_train,nameyolov8_stall,exist_okTrue)print(训练完成最优模型路径,results.save_dir/weights/best.pt)if__name____main__:train_stall()版本2YOLOv11 训练脚本新建train_yolov11_stall.pyfromultralyticsimportYOLOdeftrain_stall():modelYOLO(yolov11s.pt)resultsmodel.train(data./road_stall_dataset/stall.yaml,epochs100,imgsz640,batch16,device0,workers4,patience15,pretrainedTrue,projectruns/stall_train,nameyolov11_stall,exist_okTrue)print(训练完成)if__name____main__:train_stall()版本3YOLOv5 训练命令命令行方式进入 YOLOv5 根目录执行python train.py--data./road_stall_dataset/stall.yaml--weightsyolov5s.pt--epochs100--img640--batch16六、推理测试代码训练后检测图片/视频新建predict_stall.pyfromultralyticsimportYOLO# 加载训练好的最优模型modelYOLO(./runs/stall_train/yolov8_stall/weights/best.pt)# 1. 单张图片检测# model(test.jpg, saveTrue, conf0.3)# 2. 文件夹批量图片检测model(source./test_images,saveTrue,conf0.3)# 3. 视频检测# model(test_video.mp4, saveTrue, conf0.3)print(推理结束结果已保存)七、使用步骤极简流程将整套road_stall_dataset文件夹放在代码同级目录核对stall.yaml内path路径与实际一致安装依赖包运行对应版本训练脚本开始训练训练完成后使用predict_stall.py做效果测试。八、场景调优建议占道摆摊场景专属小摊位漏检调高imgsz800降低推理置信度conf0.25路边杂物误检适当降低mosaic0.6减少强数据增强显存不足减小batch选用yolov8n/yolov11n轻量模型夜间/逆光图片效果差保留默认 HSV 色域增强提升暗光鲁棒性
)
