📦 已发布目标检测数据集合集（持续更新）

数据集名称	图像数量	应用方向	博客链接
🔌 电网巡检检测数据集	1600 张	电力设备目标检测	点击查看
🔥 火焰 / 烟雾 / 人检测数据集	10000张	安防监控，多目标检测	点击查看
🚗 高质量车牌识别数据集	10,000 张	交通监控 / 车牌识别	点击查看
🌿 农田杂草航拍检测数据集	1,200 张	农业智能巡检	点击查看
🐑 航拍绵羊检测数据集	1,700 张	畜牧监控 / 航拍检测	点击查看
🌡️ 热成像人体检测数据集	15,000 张	热成像下的行人检测	点击查看
🦺 安全背心检测数据集	3,897 张	工地安全 / PPE识别	点击查看
🚀 火箭检测数据集介绍	12,000 张	智慧医疗 / 养老护理	点击查看
⚡ 绝缘子故障检测数据集	2,100张	无人机巡检/智能运维	点击查看
🚦交通标志检测数据集	1866张	智能驾驶系统/地图数据更新	点击查看
🚧 道路交通标志检测数据集	2,000张	智能地图与导航/交通监控与执法	点击查看
😷 口罩检测数据集	1,600张	疫情防控管理/智能门禁系统	点击查看
🦌 野生动物检测数据集	5,138张	野生动物保护监测/智能狩猎相机系统	点击查看
🍎 水果识别数据集	2,611张	图片智能零售/智慧农业	点击查看
🚁 无人机目标检测数据集	14,751张	无人机检测/航拍图像	点击查看
🚬 吸烟行为检测数据集	2,108张	公共场所禁烟监控/健康行为研究	点击查看
🛣️ 道路坑洞检测数据集	8,300张	智能道路巡检系统/车载安全监测设备	点击查看
🛠️ 井盖识别数据集	2,700 张	道路巡检 智能城市	点击查看
🧯 消防器材检测数据集	9,600 张	智慧安防系统 自动审核系统	点击查看
📱 手机通话检测数据集	3,100张	智能监控系统 驾驶安全监控	点击查看
🚜 建筑工地车辆检测数据集	28,000 张	施工现场安全监控 智能工地管理系统	点击查看
🏊 游泳人员检测数据集	4,500 张	游泳池安全监控 海滩救生系统	点击查看
🌿 植物病害检测数据集	6,200 张	智能农业监测系统 家庭园艺助手	点击查看
🐦 鸟类计算机视觉数据集	6,200 张	鸟类保护监测 生态环境评估	点击查看
🚁 无人机计算机视觉数据集	7,000 张	空域安全监管 无人机反制系统	点击查看
🛡️ Aerial_Tank_Images 坦克目标检测数据集	2,200 张	军事目标识别与侦查 卫星遥感目标识别	点击查看
♻️ 塑料可回收物检测数据集	10,000 张	智能垃圾分类系统 环保回收自动化	点击查看
🏢 建筑物实例分割数据集	9,700 张	城市规划与发展 智慧城市管理	点击查看
😊 人脸情绪检测数据集	9,400 张	智能客服系统 在线教育平台	点击查看
🔍 红外人员车辆检测数据集	53,000 张	智能安防监控系统 边境安全防控	点击查看
🚗 停车空间检测数据集	3,100 张	实时车位导航系统 智能停车收费管理	点击查看
♻ 垃圾分类检测数据集	15,000 张	智能垃圾分类 回收站与环保设施自动化	点击查看
✂️ 石头剪刀布手势识别数据集	3,100 张	智能游戏系统 人机交互界面	点击查看
🍌 腐烂香蕉检测数据集	4,267张	食品质量检测 智能农产品分拣系统	点击查看
🎰 扑克牌数字检测数据集	6,240 张	智能扑克游戏系统 赌场监控与安全	点击查看
🚗 车牌识别数据集	12,658张	智能交通管理系统 停车场自动化管理	点击查看
🏗️ 建筑设备检测数据集	6,247张	智能工地管理 施工安全监控	点击查看
🦺 个人防护装备检测数据集	7,892 张	工业安全监控 建筑工地安全管理	点击查看
⚓ 船舶检测数据集	7,542张	海洋交通监管 港口智能化管理	点击查看
🚁 空中救援任务数据集	6,742张	自然灾害应急救援 海上搜救任务	点击查看
✈️ 固定翼无人机检测数据集	8,247张	空域安全监管 机场反无人机系统	点击查看
😷 口罩检测数据集	8,432张	公共场所监控系统 企业复工防疫管理	点击查看
🚁 无人机检测数据集	6,847张	机场空域安全管理 重要设施防护监控	点击查看
✂️ 剪刀石头布手势识别数据集	2,376张	智能游戏开发 儿童教育娱乐	点击查看
🦺 安全背心识别数据集	4,892张	建筑工地安全监管 工业园区智能巡检	点击查看
🥤 饮料容器材质检测数据集	6,342张	智能垃圾分拣系统 生产线质量检测	点击查看
🚚 物流运输场景数据集	7,854张	智能仓储管理系统 物流车队智能调度	点击查看
🌡️ 热成像数据集	9,127张	夜间安防监控 工业设备检测	点击查看
🚗 车辆损伤识别数据集	6,742 张	保险理赔自动化 智能汽车维修评估	点击查看
🃏 扑克牌牌面识别数据集	8,432 张	智能扑克游戏系统 线上扑克直播辅助	点击查看
🔴 围棋棋子检测数据集	8,247 张	智能围棋对弈系统 围棋教学平台	点击查看
🚀 火箭检测数据集	6,425 张	航天发射监测 军事情报分析	点击查看
⚡ 摔跤跌倒检测数据集	9,354 张	体育安全监测系统 智能运动防护设备	点击查看
🚗 PKLot停车位检测数据集	12,416 张	计算机视觉 停车位检测	点击查看
🚗 车辆分类数据集	28,045 张	车辆识别 交通工具	点击查看
🚦 道路标识检测数据集	2,893 张	道路标识识别 自动驾驶	点击查看
📦 集装箱侧面分类数据集	2,408 张	集装箱识别 港口物流	点击查看
🚦 交通与道路标识检测数据集	10,000张	交通标志识别 自动驾驶	点击查看
🎯 COCO数据集	123,272张	目标检测 COCO	点击查看
👥 人群检测数据集	7,300张	人流统计 行人检测	点击查看
🔢 MNIST手写数字识别数据集	70,000张	图像分类 手写识别	点击查看
🐦 鸟类物种识别数据集	9,880张	鸟类识别 生态保护	点击查看
🩺 皮肤癌检测数据集	9,900张	皮肤癌检测 医学影像	点击查看
🚗 汽车颜色分类数据集	2,004张	汽车识别 颜色检测	点击查看
⚔️ 暴力与非暴力行为识别数据集	10,000张	行为识别 暴力检测	点击查看
🌿 植物病害检测数据集	5,500张	农业AI 植物病害识别	点击查看
🧠 脑肿瘤检测数据集	9,900张	医学影像 脑肿瘤识别	点击查看
🏀 篮球场景目标检测数据集	4,100张	体育AI 篮球分析	点击查看
⚽ 足球场景目标检测数据集	6,700张	体育AI 足球分析	点击查看
🗑️ 垃圾分类检测数据集	10,464张	垃圾分类 环保科技	点击查看
🚁 无人机检测数据集	9,495张	无人机识别 低空安全	点击查看
😊 人类面部情绪识别数据集	9,400张	情绪识别 人脸识别	点击查看
🔥 烟雾与火灾检测数据集	536张	火灾检测 烟雾识别	点击查看
🔥 火灾检测计算机视觉数据集	10,967张	火灾检测 火灾预警	点击查看
🌐 网站截图计算机视觉数据集	1,286张	网页分析 UI自动化	点击查看
🛣️ 车道线实例分割数据集	1,610张	车道线检测 自动驾驶	点击查看
🛣️ 道路实例分割数据集	1,114张	实例分割 道路检测	点击查看
🚗 汽车损伤检测数据集	4500张	汽车损伤识别 保险定损	点击查看
🏗️ 建筑物实例分割数据集	9,700张	遥感图像 建筑物提取	点击查看
🥚 CVR EGG 实例分割数据集	1,438张	禽蛋检测 农业AI	点击查看
🚪 房间检测计算机视觉数据集	1,272张	实例分割 建筑图纸识别	点击查看
💅 美甲实例分割数据集	3,626张	美甲识别 虚拟试妆	点击查看
🚗 汽车损伤严重程度分割数据集	2,485张	汽车损伤检测 保险定损	点击查看
🪵 木材缺陷检测数据集	10,000张	木材缺陷检测 工业质检	点击查看
🧑‍🦯 人体姿态与行为实例分割数据集	4,567张	人体姿态识别 行为分析	点击查看
📦 条形码检测数据集	9,988张	条形码识别 零售自动化	点击查看
🚗 道路车辆检测数据集	4,058张	自动驾驶 车辆识别	点击查看
🎮 麻将计算机视觉模型数据集	212张	麻将识别 游戏AI	点击查看
🛡️ 个人防护装备检测数据集	12,879张	安全生产 工业AI	点击查看
🅰️ OCR字符检测数据集	12,879张	OCR字符检测 车牌识别	点击查看
🔫 武器检测数据集	9,672 张	武器识别 公共安全	点击查看
🔥 火灾检测数据集	8,939 张	火灾识别 消防安全	点击查看
🧱 墙体检测计算机视觉数据集	6,646 张	墙体识别 建筑图纸解析	点击查看
🩸 肝病细胞检测数据集	105 张	细胞识别 数字病理	点击查看
🚗 CCTV车辆与摩托车检测数据集	1,023 张	车辆识别 摩托车检测	点击查看
🍅 番茄叶片病害检测数据集	4,132 张	植物病害识别 智慧农业	点击查看
🔥 火灾与烟雾检测数据集	8,875 张	火灾识别 烟雾检测	点击查看
🎮 CSGO 游戏目标检测数据集	2,427张	游戏AI CSGO	点击查看
🚬 吸烟行为检测数据集	3,895张	吸烟行为识别 公共健康	点击查看
🔪 刀具检测数据集	9,219张	刀具识别 枪械检测	点击查看
🐾 动物目标检测数据集	1,000张	动物识别 智能农场	点击查看
🃏 扑克牌检测数据集	1,300张	扑克牌识别 游戏AI	点击查看
🚨 跌倒检测数据集	4,600张	跌倒检测 行为识别	点击查看
🛡️ 军用车辆检测数据集	3,143张	军用车辆识别 战场感知	点击查看
🔧 电缆损伤检测数据集	1,318张	电缆损伤识别 工业质检	点击查看
👤 人物检测数据集	1,687张	人物识别 安防监控	点击查看
🛡️ 军事目标检测数据集	6,149张	军事识别 无人机侦察	点击查看
🚀 火箭检测计算机视觉数据集	12,303张	火箭识别 航天监控	点击查看
🏗️ 建筑工地PPE检测数据集	8,845张	PPE识别 工地安全	点击查看
👤 人物检测计算机视觉数据集	2,545张	人物检测 安防监控	点击查看
📱 驾驶员行为检测数据集	8,867张	人物检测 安防监控	点击查看
🌙 红外行人与车辆检测数据集	53,483张	红外成像 行人检测	点击查看
🏐 排球动作检测数据集	13,925张	排球动作识别 体育分析	点击查看
🗑️ 水域垃圾检测数据集	2,273张	水域垃圾识别 环保监测	点击查看
🚗 达卡城市交通目标检测数据集	1,502张	城市交通 达卡数据集	点击查看
⚙️ 金属结构腐蚀检测数据集	1,249张	工业缺陷检测 腐蚀识别	点击查看
🚦 交通标志检测数据集	4,113张	交通标志识别 自动驾驶	点击查看
🅿️ 停车位状态检测数据集	3,123张	智能停车 车位识别	点击查看
⛳ 高尔夫球与球杆检测数据集	6,082张	高尔夫分析 运动科学	点击查看
🖥️ UI元素检测数据集	5,428张	UI自动化 无障碍访问	点击查看
✋ 手势识别数据集	2,122张	手势识别 人机交互	点击查看
🛒 杂货商品检测数据集	83,699张	商品识别 智能零售	点击查看
📷 野外相机动物检测数据集	1,311张	野外相机 野生动物识别	点击查看
🚜 工程机械检测数据集	2,655张	工程机械识别 智慧工地	点击查看
⚽ 足球检测数据集	1,237张	足球识别 体育分析	点击查看
🏀 篮球运动目标检测数据集	3,666张	篮球识别 体育分析	点击查看
🚧 障碍物检测数据集	9,183张	障碍物识别 自动驾驶	点击查看
⚠️ 安全锥检测数据集	1,703张	安全锥识别 自动驾驶	点击查看
♟ 国际象棋棋子检测数据集	3,946张	棋子识别 国际象棋	点击查看
👤 人体检测数据集	7,785张	人体识别 行人检测	点击查看
🩻 X光手部骨骼检测数据集	3,839张	医学影像 X光识别	点击查看
🛒 R2P2 食品杂货检测数据集	2,745张	食品识别 智能零售	点击查看
🛋️ 室内家具检测数据集	8,055张	室内设计 智能家居	点击查看
🏗️ 建筑工程车辆检测数据集	7,615张	智慧工地 施工安全	点击查看
🎥 航拍军事目标检测数据集	10,000张	军事识别 无人机侦察	点击查看
🔥 火灾检测数据集	86,617张	火灾识别 烟雾检测	点击查看
💥 暴力与武器检测数据集	5,953张	暴力行为识别 武器检测	点击查看
🐾 牛津宠物数据集	3,680张	宠物识别 细粒度分类	点击查看
🛒 超市货架空位检测数据集	1,444张	货架空位检测 缺货识别	点击查看
🚧 街道无障碍设施检测数据集	4,968张	无障碍设施 智慧城市	点击查看
🎾 网球检测数据集	2,244张	网球识别 体育分析	点击查看
🚁 无人机检测数据集	7,248张	无人机识别 空域安全	点击查看
🤖 机器人视觉垃圾分类数据集	7,984张	垃圾分类 智能机器人	点击查看
🐕 斯坦福犬类数据集	9,984张	犬种识别 细粒度分类	点击查看

📌 每篇文章附带模型指标、训练思路与推理部署建议，欢迎点赞收藏支持~

🍎 水果检测数据集介绍

📌 数据集概览

本项目是专注于常见水果目标检测的计算机视觉数据集，共包含约 1,007 张图像，主要用于训练深度学习模型在日常场景下精准定位和识别多种水果的类别与位置。

• 图像数量：1,007 张
• 类别数：6 类
• 适用任务：目标检测（Object Detection）
• 适配模型：YOLOv5、YOLOv8、Faster R-CNN、SSD 等主流框架

包含类别

类别	英文名称	描述
苹果	Apple	各类红、青、黄苹果
香蕉	Banana	成串或单根的黄色香蕉
芒果	Mango	黄色或绿色的热带水果
橙子	Orange	带叶或不带叶的橙色柑橘
菠萝	Pineapple	带冠芽的热带水果
西瓜	Watermelon	整个或切开的西瓜

数据集覆盖日常生活中最常食用的六种水果，能够显著提升模型在智能零售、食品管理、教育应用等场景中的检测准确性。

🎯 应用场景

该数据集非常适用于以下场景与研究方向：

• 智能零售与自动结算
  在无人超市或自助收银台，自动识别顾客选购的水果种类和数量，实现快速结算。

• 农产品分拣与质检
  在农业加工厂，自动分拣不同种类的水果，并检测其成熟度和损伤情况。

• 营养与健康管理APP
  开发手机应用，通过拍照识别用户摄入的水果种类，辅助记录每日营养摄入。

• 儿童教育与互动游戏
  用于开发识图卡片、AR游戏或教学软件，帮助儿童学习水果名称和特征。

• 餐饮与外卖平台
  自动识别菜单图片中的水果配料，优化菜品推荐和库存管理。

• 家庭智能冰箱
  集成到智能冰箱摄像头中，自动识别内部存储的水果，提醒保质期和补充建议。

🖼 数据样本展示

以下展示部分数据集内的样本图片（均带有目标检测框）：

数据集包含多种真实生活场景下的图像：

• 多种摆放方式：单独放置、成堆摆放、装在篮子或盘子里
• 不同背景环境：纯白背景、木质桌面、布料、厨房台面等
• 复杂光照条件：自然光、室内灯光、阴影、反光等多种拍摄环境
• 不同成熟度与状态：新鲜、略有瑕疵、切开、去皮等不同形态
• 遮挡与重叠：多个水果相互遮挡或堆叠在一起的复杂场景

场景涵盖从专业摄影到日常随手拍的广泛环境，数据多样性优秀，特别适合训练鲁棒性强的水果检测模型。

使用建议

1. 数据预处理优化

   • 考虑图像尺寸标准化（推荐640x640或832x832）
   • 应用适合食品场景的数据增强：随机旋转、裁剪、色彩抖动、模拟污渍
   • 对于小目标（如小颗水果），可考虑使用Mosaic数据增强或专用的小目标检测模块

2. 模型训练策略

   • 利用预训练权重进行迁移学习，特别是在COCO数据集上预训练的模型
   • 考虑多尺度训练以应对不同大小和距离的水果检测
   • 可结合颜色直方图或纹理分析，提升对相似水果（如芒果与橙子）的区分能力

3. 实际部署考虑

   • 边缘设备优化：针对手机、智能秤、冰箱摄像头等嵌入式设备进行模型轻量化
   • 实时处理能力：优化推理速度以支持视频流或快速拍照后的即时分析
   • 高精度要求：在关键场景（如商业结算）中，可增加后处理过滤误报

4. 应用场景适配

   • 移动端部署：支持智能手机和平板电脑的现场识别与拍照上传
   • 云端批处理：支持大规模商品图片库的批量分类与标签化
   • API集成：提供RESTful API接口，方便与电商平台、健康APP对接

5. 性能监控与改进

   • 建立不同水果类型和环境条件下的性能基准测试
   • 收集困难样本（颜色相近、形状相似、严重遮挡等）进行模型强化
   • 定期更新模型以适应新的水果品种和包装样式

🌟 数据集特色

• 高质量标注：每张图片均包含精确的边界框和水果类别标签
• 场景真实性：均为真实拍摄的生活照，非合成或摆拍图
• 类别实用性强：覆盖市场中最主流的消费水果，应用价值高
• 技术兼容性：支持主流深度学习框架和部署平台
• 易于上手：数据量适中，适合初学者入门和快速原型开发

📈 商业价值

该数据集在以下商业领域具有重要价值：

• 零售科技公司：开发智能货架和自动结算系统
• 农业科技企业：构建农产品自动化分拣和质检解决方案
• 健康科技公司：为营养管理APP提供核心视觉识别能力
• 教育科技公司：开发儿童认知和互动学习产品

🔗 技术标签

计算机视觉 目标检测 水果识别 智能零售 YOLO 食品科技 营养管理 边缘计算 移动应用 农业自动化

---

注意: 本数据集适用于研究、教育和商业用途。使用时请遵守相关食品安全和数据隐私规范。建议在实际应用中结合专业的营养学或农业知识进行结果验证。

YOLOv8 训练实战

本教程介绍如何使用 YOLOv8 对目标进行识别与检测。涵盖环境配置、数据准备、训练模型、模型推理和部署等全过程。

---

📦 1. 环境配置

建议使用 Python 3.8+，并确保支持 CUDA 的 GPU 环境。

# 创建并激活虚拟环境（可选）
python -m venv yolov8_env
source yolov8_env/bin/activate  # Windows 用户使用 yolov8_env\Scripts\activate

安装 YOLOv8 官方库 ultralytics

pip install ultralytics

📁 2. 数据准备

2.1 数据标注格式（YOLO）

每张图像对应一个 .txt 文件，每行代表一个目标，格式如下：

<class_id> <x_center> <y_center> <width> <height>

所有值为相对比例（0~1）。

类别编号从 0 开始。

2.2 文件结构示例

datasets/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

2.3 创建 data.yaml 配置文件

path: ./datasets
train: images/train
val: images/val

nc: 11
names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]

🚀 3. 模型训练

YOLOv8 提供多种模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根据设备性能选择。

yolo detect train \
  model=yolov8s.pt \
  data=./data.yaml \
  imgsz=640 \
  epochs=50 \
  batch=16 \
  project=weed_detection \
  name=yolov8s_crop_weed

参数	类型	默认值	说明
model	字符串	-	指定基础模型架构文件或预训练权重文件路径（.pt/.yaml）
data	字符串	-	数据集配置文件路径（YAML 格式），包含训练/验证路径和类别定义
imgsz	整数	640	输入图像的尺寸（像素），推荐正方形尺寸（如 640x640）
epochs	整数	100	训练总轮次，50 表示整个数据集会被迭代 50 次
batch	整数	16	每个批次的样本数量，值越大需要越多显存
project	字符串	-	项目根目录名称，所有输出文件（权重/日志等）将保存在此目录下
name	字符串	-	实验名称，用于在项目目录下创建子文件夹存放本次训练结果

关键参数补充说明：

1. model=yolov8s.pt

   • 使用预训练的 YOLOv8 small 版本（平衡速度与精度）
   • 可用选项：yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)

2. data=./data.yaml

   # 典型 data.yaml 结构示例
   path: ../datasets/weeds
   train: images/train
   val: images/val
   names:
     0: Bent_Insulator
     1: Broken_Insulator_Cap
     2: ...
     3: ...
   

📈 4. 模型验证与测试

4.1 验证模型性能

yolo detect val \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  data=./data.yaml

参数	类型	必需	说明
model	字符串	是	要验证的模型权重路径（通常为训练生成的 best.pt 或 last.pt）
data	字符串	是	与训练时相同的 YAML 配置文件路径，需包含验证集路径和类别定义

关键参数详解

1. model=runs/detect/yolov8s_crop_weed/weights/best.pt

   • 使用训练过程中在验证集表现最好的模型权重（best.pt）
   • 替代选项：last.pt（最终epoch的权重）
   • 路径结构说明：

     runs/detect/
     └── [训练任务名称]/
         └── weights/
             ├── best.pt   # 验证指标最优的模型
             └── last.pt   # 最后一个epoch的模型
     

2. data=./data.yaml

   • 必须与训练时使用的配置文件一致
   • 确保验证集路径正确：

     val: images/val  # 验证集图片路径
     names:
       0: crop
       1: weed
     

常用可选参数

参数	示例值	作用
batch	16	验证时的批次大小
imgsz	640	输入图像尺寸（需与训练一致）
conf	0.25	置信度阈值（0-1）
iou	0.7	NMS的IoU阈值
device	0/cpu	选择计算设备
save_json	True	保存结果为JSON文件

典型输出指标

Class     Images  Instances      P      R      mAP50  mAP50-95
all        100       752      0.891  0.867    0.904    0.672
crop       100       412      0.912  0.901    0.927    0.701
weed       100       340      0.870  0.833    0.881    0.643

4.2 推理测试图像

yolo detect predict \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  source=./datasets/images/val \
  save=True

🧠 5. 自定义推理脚本（Python）

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('runs/detect/yolov8s_crop_weed/weights/best.pt')

# 推理图像
results = model('test.jpg')

# 可视化并保存结果
results[0].show()
results[0].save(filename='result.jpg')

🛠 6. 部署建议

✅ 本地运行：通过 Python 脚本直接推理。

🌐 Web API：可用 Flask/FastAPI 搭建检测接口。

📦 边缘部署：YOLOv8 支持导出为 ONNX，便于在 Jetson、RKNN 等平台上部署。

导出示例：

yolo export model=best.pt format=onnx

📌 总结流程

阶段	内容
✅ 环境配置	安装 ultralytics, PyTorch 等依赖
✅ 数据准备	标注图片、组织数据集结构、配置 YAML
✅ 模型训练	使用命令行开始训练 YOLOv8 模型
✅ 验证评估	检查模型准确率、mAP 等性能指标
✅ 推理测试	运行模型检测实际图像目标
✅ 高级部署	导出模型，部署到 Web 或边缘设备