锥形桶路障检测数据集 如何使用YOLO模型进行训练 识别检测道路安全锥
锥形桶路障检测数据集数据集详情检测类别safety Cone图片总量6471张训练集5960张验证集341张测试集170张标注状态全部已标注即拿即用数据格式支持YOLO格式及其他格式锥形桶路障检测数据集一、数据集信息表项目详细说明数据集名称锥形桶路障检测数据集检测类别safety Cone锥形桶/路障总图片数量6471 张数据集划分训练集5960 张验证集341 张测试集170 张标注状态全量完成标注可直接用于模型训练数据格式标准YOLO格式同时兼容主流目标检测标注格式适用场景智能交通巡检、自动驾驶感知、道路安防、工地安全监测、交通违规识别、计算机视觉实训/毕业设计二、应用场景自动驾驶感知车辆视觉系统识别道路锥形桶辅助路径规划与避障。智能交通巡检道路运维、交警巡查场景自动识别路面路障统计分布位置。工地/园区安防厂区、施工场地检测锥形桶摆放状态规范现场安全管理。视频监控分析道路摄像头实时检测路障异常移位、缺失自动预警。学习实训项目YOLO目标检测算法练习、课程设计、毕业设计使用。三、核心标签#YOLO#目标检测#锥形桶检测#路障识别#智能交通#自动驾驶#交通安防#数据集#计算机视觉#毕业设计四、数据集目录结构cone_dataset/ ├── images/ │ ├── train/ # 5960张训练图片 │ ├── val/ # 341张验证图片 │ └── test/ # 170张测试图片 ├── labels/ │ ├── train/ # 对应YOLO .txt标注文件 │ ├── val/ │ └── test/ └── cone.yaml # YOLO数据集配置文件五、数据集配置文件cone.yamlpath:./cone_datasettrain:images/trainval:images/valtest:images/testnc:1names:0:safety Cone六、训练代码Ultralytics YOLO 通用YOLOv8/YOLOv11 均可运行1. 环境依赖pipinstallultralytics torch opencv-python2. 训练代码train_cone.pyfromultralyticsimportYOLOdefmain():# 加载预训练权重modelYOLO(yolov8s.pt)# 模型训练train_resultsmodel.train(data./cone_dataset/cone.yaml,epochs100,imgsz640,batch16,device0,# GPU设备编号无GPU改为 devicecpuworkers4,patience15,projectruns/train,namecone_detection,exist_okTrue,pretrainedTrue)print(训练完成权重保存至 runs/train/cone_detection/weights)# 测试集评估val_metricsmodel.val(data./cone_dataset/cone.yaml,splittest)print(fmAP50:{val_metrics.box.map50:.4f})print(fmAP50-95:{val_metrics.box.map:.4f})if__name____main__:main()3. 推理测试代码predict_cone.pyfromultralyticsimportYOLOimportcv2# 加载训练完成的最优模型modelYOLO(runs/train/cone_detection/weights/best.pt)# 单张图片推理img_pathtest.jpgresultsmodel.predict(sourceimg_path,conf0.3,iou0.45,saveTrue)# 可视化展示frameresults[0].plot()cv2.imshow(Cone Detection,frame)cv2.waitKey(0)cv2.destroyAllWindows()
