文章目录国内场景无人机数据集无人机视角下的“交通万物图鉴”国内场景无人机数据集无人机视角下的“交通万物图鉴”2962张图像像一叠航拍速写本摊开——2212张训练图、590张验证图、160张测试图构成了无人机视角下的交通场景数据库。类别标签中文类别标签英文标注数量单图说明汽车Car47最主要类别包含不同尺寸的家用/商用轿车标注数量占比最高摩托车Motor9含普通摩托车及轻便型两轮机动车标注位置多集中在道路两侧或车流中货车Truck3大型载货车辆尺寸明显大于普通汽车标注框面积通常较大面包车Van5中小型载客/载货两用车辆尺寸介于汽车与货车之间公交车Bus3大型公共交通工具标注数量较少但特征明确车身长、载客量高行人Pedestrian23道路上的步行人员标注框尺寸较小多分布在人行道或车流间隙人群泛指People14与“Pedestrian”均指行人可能因标注场景如密集人群/单独行人略有区分自行车Bicycle8两轮非机动车标注数量仅次于汽车、行人、摩托车三轮车tricycle2传统三轮代步/载货车辆无遮阳棚设计带棚三轮车Awning-tricycle2加装遮阳棚的三轮车多用于短途运输或载客与普通三轮车区分标注其他未明确Others1单例标注暂未明确具体类型可能为特殊小型交通工具或临时障碍物未标注Unlabeled-项目中存在的默认标签用于未完成标注的图像或目标”。类别标签里藏着街头烟火气Bus、Car、Motor、Truck、Van是主力还有Tricycle、Pedestrian、People这类“流动的细节”单张图最高标注13个目标像给每张航拍图装了“万物识别索引 数据格式走的是“实用派路线”原始标注用XML记录从图像路径到每个目标的xmin/ymin坐标都标注得清清楚楚连“truncated是否截断”“difficult识别难度”这类细节都没放过转化后又有JSON格式的简洁版直接给出目标中心坐标和宽高不管是用RectLabel标注工具手动调整还是喂给YOLOv11这类模型训练都能无缝衔接。最有意思的是它的应用价值不只是“给AI练手”那么简单。比如在城市交通治理里无人机拍回的车流视频用这个数据集训练的模型能实时数清“多少辆小车、几辆货车占了非机动车道”应急救援时模型能快速从航拍图里找出被困人员或抛锚车辆比人工筛查快十倍不止甚至在智慧农业里稍作调整就能识别农机和田间人员避免作业事故。它就像给无人机装了“智慧眼睛”的说明书让机器能看懂高空视角下的世界把航拍数据真正变成可利用的“决策依据”。