Aerial Person Detection 航拍行人车辆检测数据集 - 无人机航拍 | 多类别目标检测 | 行人检测 | 车辆检测 | YOLO格式 | 智慧城市 | 交通监控 | 计算机视觉 数据集9006期数据三要素速览类别本数据集涵盖城市低空场景中的常见交通参与者共12 个类别轿车car卡车truck巴士bus货车van自行车bicycle摩托车motor三轮车tricycle带篷三轮车awning-tricycle行人people / pedestrian其他others忽略区域ignored regions数量数据集包含7000 张无人机航拍图像覆盖城市道路、广场、园区等多种场景为多目标检测提供充足数据支撑。应用价值智慧城市交通监管同时检测行人与各类车辆助力路口安全评估无人驾驶感知为地面自动驾驶提供空中上帝视角的辅助训练数据公共区域安防实时监测广场、公园等场所的人车混行情况低速物流场景识别三轮车等非标准车型优化末端配送管理核心信息一览项目说明类别数12 类含轿车、行人、自行车、三轮车等图像数量7000 张标注格式YOLOtxt 文件归一化边界框场景特点城市低空航拍涵盖人车混行、密集小目标等复杂场景为什么选择这个数据集类别全面丰富覆盖机动车、非机动车、行人三大类且包含三轮车等特色类别适应中国城市交通特点。密集场景挑战航拍视角下人车密集目标尺度差异大有助于训练高鲁棒性模型。忽略区域设计标注中包含ignored regions可有效处理标注模糊或难以区分的区域提升训练质量。实战价值突出12 类细粒度标签可直接用于智慧交通、安防监控等真实业务系统。快速上手代码示例# 查看数据集类别映射class_names[car,truck,bus,bicycle,people,pedestrian,van,motor,tricycle,awning-tricycle,ignored regions,others]# 统计各类别标注数量importosfromcollectionsimportCounter label_dirdataset/labels/traincls_counterCounter()forfnameinos.listdir(label_dir):withopen(os.path.join(label_dir,fname),r)asf:forlineinf:cls_idint(line.split()[0])cls_counter[cls_id]1foridx,nameinenumerate(class_names):print(f{name}:{cls_counter.get(idx,0)}个目标)知识普及航拍图像中行人通常仅占几十个像素属于极小目标。训练时建议开启多尺度训练multi-scale training并适当降低置信度阈值同时可引入特征金字塔网络FPN增强小目标特征表达有效提升行人召回率。文章标签无人机航拍 | 多类别目标检测 | 行人检测 | 车辆检测 | YOLO格式 | 智慧城市 | 交通监控 | 计算机视觉