危险化学品车辆检测数据集用于目标检测“主要用于危化车辆检测/油罐车检测”数据集包含4360图像jpg图像与txt标签一一对应共4个类别“大卡车、油罐车、大巴车、小汽车”按照3:1:1比例已划分好训练集-验证集-测试集可直接用于yolov5/v7/v8训练1危险化学品车辆检测数据集 全套资料数据集说明配置训练/推理代码一、数据集基础信息表项目详情数据集名称危化品/油罐车辆目标检测数据集图像总数4360 张 JPG 图片标签格式YOLO 标准.txt标签图签一一对应目标类别共4类0-大卡车、1-油罐车、2-大巴车、3-小汽车数据划分训练集:验证集:测试集 3:1:1已提前划分完毕适用模型YOLOv5 / YOLOv7 / YOLOv8 全系列开箱即训应用场景园区卡口、道路卡口、危化品运输车辆智能监管、安防检测二、数据集目录结构已划分完成保持原有结构即可chemical_car/ ├── images/ │ ├── train/ # 训练集图片 │ ├── val/ # 验证集图片 │ └── test/ # 测试集图片 ├── labels/ │ ├── train/ # 训练集标签 │ ├── val/ # 验证集标签 │ └── test/ # 测试集标签 └── chemical_car.yaml # 数据集配置文件三、YOLO 数据集配置文件chemical_car.yaml放在数据集根目录直接复制使用类别顺序与标签严格对应# 数据集根路径根据你本地实际路径修改path:./chemical_cartrain:images/trainval:images/valtest:images/test# 类别数量 类别名称nc:4names:0:大卡车1:油罐车2:大巴车3:小汽车四、环境依赖安装YOLOv8 / YOLOv7 通用依赖# YOLOv8pipinstallultralytics opencv-python numpy# YOLOv5 额外依赖若使用v5pipinstalltorch torchvision matplotlib tqdm五、训练代码分 YOLOv8 / YOLOv5 两个版本任选其一版本1YOLOv8 训练代码train_chemical_car.py针对道路车辆、远景/近景、多尺度目标做参数优化适配交通场景fromultralyticsimportYOLOdeftrain_car_detect():# 加载预训练权重n轻量 / s均衡 / m高精度modelYOLO(yolov8s.pt)# 训练参数model.train(data./chemical_car/chemical_car.yaml,# 数据集配置文件路径epochs100,# 训练轮数imgsz640,# 输入图像尺寸batch16,# 显存不足改为 8 / 4device0,# GPU训练无GPU改为 devicecpuworkers4,patience20,# 早停防止过拟合pretrainedTrue,optimizerAdam,lr00.001,# 数据增强适配道路光照、视角变化mosaic0.9,hsv_h0.015,hsv_s0.7,hsv_v0.4,fliplr0.5,# 输出目录projectruns/chemical_car,nametrain_yolov8,exist_okTrue,# 车辆检测阈值conf0.25,iou0.45)print(训练完成最优模型路径runs/chemical_car/train_yolov8/weights/best.pt)if__name____main__:train_car_detect()版本2YOLOv5 训练代码train.py调用方式将配置文件放入 YOLOv5 工程data文件夹命令行执行python train.py--datadata/chemical_car.yaml--epochs100--imgsz640--batch16--weightsyolov5s.pt六、推理测试代码YOLOv8 通用训练完成后加载模型对图片/视频/摄像头进行检测fromultralyticsimportYOLO# 加载训练好的最优权重modelYOLO(./runs/chemical_car/train_yolov8/weights/best.pt)# 1. 单张图片检测# model(test.jpg, saveTrue, conf0.25)# 2. 文件夹批量图片检测推荐model(source./test_images,saveTrue,conf0.25)# 3. 道路视频检测# model(road_video.mp4, saveTrue, conf0.25)# 4. 本地摄像头实时检测# model(source0, saveTrue, conf0.25)print(检测完成结果保存在 runs/detect 目录)七、使用步骤 调优建议1. 基础使用步骤把完整数据集文件夹chemical_car放到代码同级目录核对chemical_car.yaml内路径、类别名称执行训练脚本开始训练训练结束使用推理代码测试效果。2. 场景专属调优车辆/危化车场景显存不足减小batch使用yolov8n.pt轻量化模型小目标漏检远处车辆保持imgsz640降低置信度conf0.15~0.2夜间/逆光误检保留默认HSV色彩增强适当降低mosaic0.7过拟合减少迭代轮数、加大patience、关闭部分增强。3. 部署方向道路卡口、园区安防抓拍识别视频流实时监控自动识别油罐车/危化运输车辆边缘设备部署模型转 ONNX/TensorRT。八、补充说明数据已按3:1:1完成划分无需再次拆分直接训练即可标签严格遵循 YOLO 标准类别顺序不可随意修改路径尽量使用相对路径避免中文路径导致报错。