YOLOv11城市道路救护车与车辆目标检测数据集-1789张-Vehicle-detection-1

YOLOv11城市道路救护车与车辆目标检测数据集

📊 数据集基本信息

• 目标类别： [‘Ambulance’, ‘Bicycle’, ‘Bus’, ‘Car’, ‘Motorcycle’, ‘Truck’]
• 中文类别：[‘救护车’, ‘自行车’, ‘巴士’, ‘汽车’, ‘摩托车’, ‘卡车’]
• 训练集：1244 张
• 验证集：361 张
• 测试集：184 张
• 总计：1789 张

📄 data.yaml 配置信息

该数据集提供了data.yaml文件，内容如下：

train:../train/imagesval:../valid/imagestest:../test/imagesnc:6names:['Ambulance','Bicycle','Bus','Car','Motorcycle','Truck']

🖼️ 标注可视化

📝 数据集分析

YOLOv11城市道路救护车与车辆目标检测数据集

该数据集专注于城市道路场景中救护车、汽车、巴士及卡车等核心交通目标的精准检测，通过大量真实街景图像构建而成。数据集包含1789张标注图像，其中训练集1244张、验证集361张、测试集184张，各阶段数据分布合理，能够有效支持模型训练与性能评估。所有标注均采用严格的标准框定义，确保了目标位置和类别的精准识别，为相关领域的研究与应用提供了高质量的数据基础。

从数据分布来看，该数据集涵盖了白天与夜间、城市主干道与居民区等多种典型道路场景，各类别样本数量均衡，充分考虑了不同光照条件、天气状况及拍摄角度的影响，保证了模型在复杂环境下的鲁棒性。训练集、验证集与测试集的比例分配科学合理，能够全面反映实际应用场景中的多样性特征。

在标注质量方面，该数据集表现出极高的专业水准。所有目标均采用精确的矩形框标注，且标注者严格遵循统一的分类标准，避免了人为误差。救护车、汽车、巴士等关键目标的标注边界清晰，类别标签准确无误，为深度学习模型的高效训练提供了可靠保障。同时，标注过程严格执行规范流程，确保了数据的一致性和可复用性。

该数据集可广泛应用于智能交通系统、道路安全监控、应急救援调度等领域。其精准的目标检测能力有助于提升城市交通管理效率，辅助实现救护车优先通行、车辆违章监测等功能，对推动智慧城市建设具有重要价值。特别是在紧急医疗救援场景中，该数据集能够为快速定位救护车提供可靠的技术支持，助力提升应急响应速度。

YOLOv11训练步骤

一、环境安装

pipinstallultralytics# 依赖要求：Python≥3.8，PyTorch≥1.8。安装完成后可通过 `yolo checks` 验证环境。

二、数据集准备（YOLO格式）

1. 目录结构

数据集必须严格按以下结构组织：

dataset/ ├── train/ │ ├── images/ # 训练图片（jpg/png） │ └── labels/ # YOLO格式标注（txt） ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件

2. YOLO标注格式

每个*.txt文件对应一张图片，每行格式为：

class_id center_x center_y width height

所有数值均为相对于图片宽高的归一化值（0~1）。

3. data.yaml 配置文件

# data.yamlpath:../dataset# 数据集根目录（相对或绝对路径）train:train/images# 训练集图片路径val:val/images# 验证集图片路径test:test/images# 测试集图片路径（可选）# 类别信息nc:2# 类别数量names:['class1','class2']# 类别名称列表

三、模型选择

YOLO11 提供 5 种尺度，官方命名规则为yolo11{n/s/m/l/x}.pt：

四、模型训练

方式1：Python API（推荐）

创建train.py：

fromultralyticsimportYOLOdefmain():# 加载预训练模型（推荐：基于COCO预训练权重微调）model=YOLO("yolo11m.pt")# 训练参数train_params={'data':'data.yaml',# 数据集配置文件'epochs':100,# 训练轮次'imgsz':640,# 输入图像尺寸'batch':16,# 批次大小（根据显存调整）'device':'0',# GPU设备号，'cpu'表示CPU训练'workers':8,# 数据加载线程数'optimizer':'SGD',# 优化器：SGD/Adam/AdamW'lr0':0.01,# 初始学习率'patience':50,# 早停耐心值'save':True,# 保存模型'project':'runs/train',# 项目保存路径'name':'exp',# 实验名称'single_cls':False,# 单类别检测设为True'close_mosaic':10,# 最后N轮关闭马赛克增强}# 开始训练results=model.train(**train_params)# 输出最佳模型路径print(f"Best model saved at:{results.best}")if__name__=='__main__':main()

三种模型加载方式对比：

# 方式A：从YAML构建全新模型（从头训练，适合网络结构改进）model=YOLO("yolo11m.yaml")# 方式B：加载预训练权重（最常用，推荐）model=YOLO("yolo11m.pt")# 方式C：构建新模型并迁移预训练权重（改进网络后使用）model=YOLO("yolo11m.yaml").load("yolo11m.pt")

方式2：命令行 CLI

# 基础训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100imgsz=640batch=16device=0# 多GPU训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100device=0,1# 从YAML+预训练权重训练yolo detect traindata=data.yamlmodel=yolo11m.yamlpretrained=yolo11m.ptepochs=100

五、关键训练参数说明

六、模型验证

创建val.py：

fromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重model=YOLO('runs/train/exp/weights/best.pt')# 验证metrics=model.val(data='data.yaml',split='val',# 验证集：'val' 或 'test'imgsz=640,batch=16,iou=0.6,# NMS IoU阈值device='0',save_json=False,# 是否保存COCO格式JSON)# 输出关键指标print(f"mAP50-95:{metrics.box.map}")# mAP@0.5:0.95print(f"mAP50:{metrics.box.map50}")# mAP@0.5print(f"mAP75:{metrics.box.map75}")# mAP@0.75if__name__=='__main__':main()

CLI 方式：

yolo detect valmodel=runs/train/exp/weights/best.ptdata=data.yaml

七、模型推理/预测

创建predict.py：

fromultralyticsimportYOLOimportcv2defmain():model=YOLO('runs/train/exp/weights/best.pt')# 单张图片推理results=model.predict(source='test_images/',# 图片路径、文件夹、URL或摄像头索引（0）imgsz=640,conf=0.25,# 置信度阈值iou=0.45,# NMS IoU阈值device='0',save=True,# 保存结果图show=False,# 是否弹窗显示)# 遍历结果forresultinresults:boxes=result.boxes# 检测框masks=result.masks# 分割掩码（如使用分割模型）probs=result.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2=box.xyxy[0].tolist()conf=box.conf[0].item()cls=int(box.cls[0].item())print(f"Class:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}]")if__name__=='__main__':main()

CLI 方式：

yolo detect predictmodel=runs/train/exp/weights/best.ptsource=test_images/save=True## 数据集下载> 小郭AI日志