热成像车辆行人数据集 目标检测数据集

热成像目标检测数据集 V2 版本

项目背景

热成像技术因其在安防监控、夜间巡逻、消防救援等领域的独特优势而受到重视。本数据集旨在提供高质量的热成像图像及其对应的可见光图像，支持热成像目标检测的研究与应用。

数据集概述

• 名称：热成像目标检测数据集 V2
• 规模：总计26,442帧
  • 可见光图像：9,233张
  • 热成像图像：9,711张
  • 匹配的热成像/可见光视频帧：7,498帧
• 标注目标数量：520,000个
• 目标类别：包括人、自行车、汽车、摩托车、巴士、火车、卡车、灯、消防栓、交通标志、狗、滑板、婴儿车、电动踏板车及其他车辆
  

数据集特点

• 多样化：涵盖多种场景下的目标检测，包括人、交通工具以及其他常见物体。
• 高质量标注：每个目标均进行了精细标注，确保数据质量。
• 多模态数据：提供热成像图像和可见光图像的匹配数据，适合跨模态学习任务。
• 大规模数据量：包含大量标注目标，有助于训练鲁棒性强的检测模型。

数据集内容

• 可见光图像：包含在不同环境下的可见光图像，用于辅助热成像图像的理解。
• 热成像图像：包含在不同环境下的热成像图像，用于目标检测。
• 匹配的热成像/可见光视频帧：包含匹配的热成像和可见光视频帧，适用于多模态目标检测任务。

数据集用途

• 目标检测：可用于训练和评估目标检测模型，特别是在热成像条件下的目标检测。
• 安防监控：帮助识别夜间或低光照条件下的目标，提高安防系统的有效性。
• 学术研究：为热成像技术的应用提供丰富的数据支持，促进相关领域的研究进展。
• 实际应用：可应用于夜间巡逻、消防救援等多个实际场景，提高系统的鲁棒性和可靠性。

标注详情

• 人：标注了各类人群，包括不同年龄、性别的人。
• 自行车：标注了不同类型的自行车。
• 汽车：标注了不同品牌和型号的汽车。
• 摩托车：标注了不同类型的摩托车。
• 巴士：标注了不同类型的巴士。
• 火车：标注了火车及其车厢。
• 卡车：标注了不同类型的卡车。
• 灯：标注了各种灯具。
• 消防栓：标注了消防栓的位置。
• 交通标志：标注了各种交通标志。
• 狗：标注了不同品种的狗。
• 滑板：标注了滑板及其使用者。
• 婴儿车：标注了婴儿车及其使用者。
• 电动踏板车：标注了电动踏板车及其使用者。
• 其他车辆：标注了除上述类别之外的其他车辆。

使用场景

• 安防监控：在夜间或低光照条件下，利用热成像技术进行目标检测。
• 消防救援：在火灾现场，利用热成像技术快速定位人员和重要设施。
• 夜间巡逻：在夜间巡逻中，利用热成像技术识别潜在威胁。
• 交通监控：在交通监控中，利用热成像技术进行车辆和行人的检测。

技术指标

• 数据量：总计26,442帧，包含多种图像类型。
• 标注目标数量：520,000个标注目标，确保数据的丰富性和多样性。
• 标注格式：支持多种标注格式（如JSON、VOC、YOLO），方便导入不同的检测框架。

注意事项

• 数据隐私：在使用过程中，请确保遵守相关法律法规，保护个人隐私。
• 数据预处理：在使用前，建议进行一定的数据预处理，如图像归一化等。

获取方式

• 下载链接：请访问项目主页获取数据集下载链接。
• 许可证：请仔细阅读数据集的使用许可协议。

关键代码示例

数据加载

importosimportcv2fromultralyticsimportYOLOimportnumpyasnp# 数据集路径DATASET_PATH='path/to/dataset'VISIBLE_IMAGES_DIR=os.path.join(DATASET_PATH,'visible_images')THERMAL_IMAGES_DIR=os.path.join(DATASET_PATH,'thermal_images')MATCHED_FRAMES_DIR=os.path.join(DATASET_PATH,'matched_frames')LABELS_DIR=os.path.join(DATASET_PATH,'labels')# 加载数据集defload_dataset():visible_images=[]thermal_images=[]matched_frames=[]labels=[]forimg_fileinos.listdir(VISIBLE_IMAGES_DIR):ifimg_file.endswith('.jpg'):visible_img_path=os.path.join(VISIBLE_IMAGES_DIR,img_file)thermal_img_path=os.path.join(THERMAL_IMAGES_DIR,img_file)matched_frame_path=os.path.join(MATCHED_FRAMES_DIR,img_file)label_path=os.path.join(LABELS_DIR,img_file.replace('.jpg','.txt'))visible_image=cv2.imread(visible_img_path)thermal_image=cv2.imread(thermal_img_path)matched_frame=cv2.imread(matched_frame_path)withopen(label_path,'r')asf:label=f.read().strip()visible_images.append(visible_image)thermal_images.append(thermal_image)matched_frames.append(matched_frame)labels.append(label)returnvisible_images,thermal_images,matched_frames,labels visible_images,thermal_images,matched_frames,labels=load_dataset()

模型训练

# 初始化YOLOv8模型model=YOLO('yolov8n.pt')# 定义训练参数EPOCHS=100BATCH_SIZE=16# 训练模型results=model.train(data='thermal_detection.yaml',epochs=EPOCHS,batch=BATCH_SIZE)

模型检测

# 加载训练好的模型model=YOLO('best.pt')# 检测图像defdetect_targets(image):results=model.predict(image)forresultinresults:boxes=result.boxesforboxinboxes:x1,y1,x2,y2=box.xyxy[0]conf=box.conf class_id=box.cls# 显示结果cv2.rectangle(image,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(image,f'Class:{class_id}, Conf:{conf:.2f}',(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)returnimage# 测试图像test_image=cv2.imread('path/to/test_image.jpg')result_image=detect_targets(test_image)cv2.imshow('Detected Targets',result_image)cv2.waitKey(0)cv2.destroyAllWindows()

配置文件thermal_detection.yaml

train:path/to/train/imagesval:path/to/val/imagesnc:14# Number of classesnames:['person','bicycle','car','motorcycle','bus','train','truck','light','fire_hydrant','traffic_sign','dog','skateboard','baby_carriage','electric_scooter','other_vehicle']# Training parametersbatch_size:16epochs:100img_size:[640,640]# Image size

使用指南

• 数据准备：确保数据集路径正确，并且数据集已准备好。
• 模型训练：运行训练脚本，等待训练完成。
• 模型检测：使用训练好的模型进行检测，并查看检测结果。