【数据集】红外建筑生活垃圾目标检测数据集VOC+YOLO格式1341张8类别

数据集是计算机视觉技术研发的核心支撑资源贯穿算法训练、性能验证与效果评估全流程兼具全面性、适配性与权威性。它囊括图像分类、目标检测、实例分割、语义分割等多类任务导向的样本集覆盖自然场景、工业制造、医疗影像、遥感监测等多元应用领域。优质数据集具备样本规模庞大、标注精度严苛、训练验证测试子集划分科学的特点既是驱动深度学习算法创新迭代的关键基石也为人工智能产品落地与前沿学术研究提供坚实保障。红外裂缝目标检测数据集数据集背景在红外建筑生活垃圾目标检测数据集研发与应用场景中该数据集标注精准、格式兼容性强、样本覆盖全面贴合红外无人机建筑垃圾分类巡检、城市环卫夜间排查、工地建筑垃圾清运监管、社区生活垃圾夜间整治的实际技术需求背景意义突出且应用价值明确红外成像技术不受光照条件限制、可穿透轻微粉尘与薄雾、抗环境光干扰弥补了可见光成像在夜间、逆光、清晨薄雾、工地粉尘等场景下建筑生活垃圾辨识度低、易被建筑废料、植被杂物、光影变化干扰的监测短板而本数据集聚焦建筑生活垃圾核心目标精准覆盖brick砖块、concrete混凝土、metal金属、mixture混合物、paper-and-cardboard纸和纸板、plastic塑料、tiles-and-ceramic瓷砖和陶瓷、wood木材8类关键垃圾对象针对性解决红外建筑生活垃圾场景下垃圾特征模糊、背景杂波建筑废料、泥土、植被干扰强、细小垃圾易遗漏、垃圾类别判定难的行业痛点为红外建筑生活垃圾检测算法的研发、迭代与落地提供核心标准化数据支撑。红外建筑生活垃圾监测场景中该数据集为垃圾目标检测模型训练提供标准化样本支撑依托VOCYOLO的通用适配格式可快速适配YOLO系列、Faster R-CNN、U-Net等各类主流检测与分割算法解决红外成像下垃圾与建筑背景、地面环境灰度对比度低、垃圾轮廓特征不明显、细小垃圾纸和纸板、塑料碎片难识别、夜间/逆光环境下垃圾边界模糊、同类垃圾不同材质砖块、塑料易混淆的样本匮乏问题检测重点聚焦红外场景下8类建筑生活垃圾的精准定位、垃圾轮廓提取、垃圾类别判定以及垃圾堆积面积、堆积密度的量化识别有效应对夜间微光、轻微粉尘遮挡、远距离垃圾、建筑施工场景复杂背景、垃圾局部遮挡被泥土、杂草覆盖等核心检测难题助力建筑施工监管、城市环卫巡检、社区垃圾整治、建筑垃圾资源化回收等场景实现全时段自动化监测替代人工完成建筑生活垃圾排查、垃圾分类识别、垃圾堆积预警、清运监管辅助等工作大幅提升垃圾监测效率与垃圾分类识别准确率降低人工巡检成本与环境治理管控风险。数据集信息数据集规模jpg/jpeg/png文件总个数“图片总数量”1341json/txt/xml文件总个数“标注总数量”1341类别名称总数量“标签总数量”8数据集划分数据划分“总数量 1341”“训练集 939”“验证集 268”“测试集 134”标注类别名称‘brick’‘concrete’‘metal’‘mixture’‘paper-and-cardboard’‘plastic’‘tiles-and-ceramic’‘wood’数据集格式图片预览标注示例数据集格式YOLO 格式yolo_dataset/├── images/ # 存放所有图片文件│ ├── train/ # 训练集图片│ │ ├── 000001.jpg│ │ ├── 000002.jpg│ │ └── …│ ├── val/ # 验证集图片│ │ ├── 000001.jpg│ │ ├── 000002.jpg│ │ └── …│ └── test/ # 测试集图片│ ├── 000001.jpg│ ├── 000002.jpg│ └── …├── labels/ # 存放所有TXT标注文件│ ├── train/ # 训练集标注│ │ ├── 000001.txt│ │ ├── 000002.txt│ │ └── …│ ├── val/ # 验证集标注│ │ ├── 000001.txt│ │ ├── 000002.txt│ │ └── …│ └── test/ # 测试集标注│ ├── 000001.txt│ ├── 000002.txt│ └── …├── data.yaml # YOLO配置文件└── classes.txt # 类别名称文件可选“目录说明”images/存放所有JPG/JPEG/PNG格式的图片文件按数据集划分分为train、val、test三个子目录图片文件名建议采用6位数字编号如000001.jpglabels/存放所有TXT标注文件每个TXT文件对应一张图片TXT文件命名与图片文件完全一致仅扩展名不同按数据集划分分为train、val、test三个子目录每个TXT文件包含以下信息每行表示一个目标的标注信息格式为class_id x_center y_center width height所有坐标和尺寸均已归一化取值范围0-1data.yamlYOLO模型训练的配置文件包含数据集路径、类别数、类别名称等信息classes.txt可选存放类别名称列表每行一个类别与data.yaml中的类别名称保持一致“示例文件内容”TXT标注文件示例000001.txt0 0.2 0.3 0.15 0.20类别索引对应data.yaml中的第一个类别0.2目标框中心点横坐标归一化后0.3目标框中心点纵坐标归一化后0.15目标框宽度归一化后0.2目标框高度归一化后“data.yaml配置文件示例”path: YOLOtrain: images/trainval: images/valtest: images/testnc: 1names: [‘class1’]“classes.txt文件示例”class1Pascal VOC 格式VOC/├── Annotations/ # 存放所有XML标注文件│ ├── 000001.xml│ ├── 000002.xml│ └── …├── ImageSets/ # 存放数据集划分文件│ └── Main/│ ├── train.txt # 训练集图片列表│ ├── val.txt # 验证集图片列表│ ├── test.txt # 测试集图片列表│ └── trainval.txt # 训练验证集图片列表├── JPEGImages/ # 存放所有JPG图片文件│ ├── 000001.jpg│ ├── 000002.jpg│ └── …├── SegmentationClass/ # 可选存放语义分割标注如果有│ └── …└── SegmentationObject/ # 可选存放实例分割标注如果有└── …“目录说明”“1.Annotations/”存放所有XML标注文件每个XML文件对应一张图片XML文件命名与图片文件完全一致仅扩展名不同每个XML文件包含以下信息图片基本信息文件名、尺寸、通道数目标标注信息类别名称、边界框坐标、姿态、遮挡状态等“2.ImageSets/Main/”存放数据集划分文件每个文件包含对应集合的图片文件名不含扩展名常见划分文件train.txt训练集图片列表val.txt验证集图片列表test.txt测试集图片列表trainval.txt训练验证集图片列表“3.JPEGImages/”存放所有JPG/JPEG/PNG格式的图片文件图片文件名建议采用6位数字编号如000001.jpg数据集标注工具离线标注工具Labelmeconda create -n labelme python3.9conda activate labelmepip install pyqtpip install pillowpip install labelmelabelme在线标注工具MakeSense在线地址http://makesense.ai/注意事项在这里要再次特别声明本数据集不对训练的模型或者权重文件精度作任何保证。由于数据本身的局限性、标注的误差以及模型训练过程中的各种不确定因素最终训练出的模型精度可能会有所差异。使用者在使用这个数据集进行模型训练时需要充分考虑到这些因素自行评估模型的性能和可靠性不要过分依赖数据集来保证模型的高精度。同时在使用过程中如果发现数据存在问题或者有任何疑问欢迎随时与我们交流反馈。