📦 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

📌 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~

🚧 街道无障碍设施检测数据集介绍

📌 数据集概览

本项目是专注于城市街道无障碍设施识别的计算机视觉数据集，共包含约 4,968 张图像，主要用于训练深度学习模型在真实街景中自动检测和定位各类影响行人通行的障碍物与设施。

• 图像数量：8531 张
• 类别数：94 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

数据集涵盖广泛的街道元素和无障碍相关对象，包括但不限于：

类别	英文名称	描述
井盖	Manhole	各种形状和材质的路面井盖
路缘石	Curb (acera)	包括直角、弧形、矩形等多种路缘类型
障碍物	Barrier	临时或永久性阻挡通行的物体
长椅	Bench	街道公共座椅
自行车	Bike	停放或行驶中的自行车
树木	Tree (arbol)	包括树干、树枝等部分
垃圾桶	Bin	街道垃圾桶
人行横道	Crosswalk	黄色或白色条纹的人行道标记

数据集覆盖了城市环境中常见的多种无障碍设施与障碍物，能够显著提升模型在智慧城市管理、无障碍出行导航等场景下的检测精度。

🎯 应用场景

该数据集非常适用于以下场景与研究方向：

• 智慧城市管理
  自动识别街道上的障碍物和设施，辅助市政部门进行高效维护和规划。

• 无障碍出行导航
  为视障人士或轮椅使用者提供实时路径规划，避开危险或不适宜通行的区域。

• 自动驾驶与机器人导航
  提升自动驾驶车辆或服务机器人对复杂城市环境的理解和避障能力。

• 公共安全监控
  监测街道上违规停放的车辆、非法设置的障碍物等安全隐患。

• 城市规划与评估
  支持城市无障碍环境建设的评估工作，量化设施覆盖率和使用状况。

• 移动应用开发
  集成到手机App中，为用户提供“无障碍友好路线”推荐功能。

🖼 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城市街景下的图像：

• 多角度拍摄：俯视、平视、斜视等多种视角
• 不同光照条件：白天、黄昏、夜间、阴影区域
• 多样化的道路环境：人行道、车行道、交叉路口、小区内部道路
• 复杂背景干扰：行人、车辆、广告牌、植被等
• 标注精细度高：支持细粒度分类（如不同形状的路缘石、井盖）

场景覆盖城市核心区、住宅区、商业街等多种区域，数据多样性丰富，特别适合训练鲁棒性强的城市环境理解模型。

使用建议

1. 数据预处理优化

   • 对低光照图像进行增强处理，提升可见度
   • 统一图像尺寸（推荐640x640或1024x1024）以适应不同模型输入
   • 应用数据增强策略：旋转、缩放、色彩抖动、模糊模拟等

2. 模型训练策略

   • 使用在COCO或Cityscapes上预训练的权重进行迁移学习
   • 考虑采用多尺度训练提升小目标检测能力
   • 针对高密度目标场景（如繁忙街道）可引入注意力机制

3. 实际部署考虑

   • 边缘设备优化：针对移动终端或车载设备进行模型压缩（如剪枝、量化）
   • 实时推理需求：选择轻量级架构（如YOLOv8n、NanoDet）保证帧率
   • 多语言支持：标签包含西班牙语词汇，需注意国际化适配

4. 应用场景适配

   • 导航系统集成：与地图API结合，动态更新无障碍路径
   • 政府监管平台：用于自动化巡查和问题上报系统
   • 公众参与工具：鼓励市民上传图片并自动识别问题点位

5. 性能监控与改进

   • 建立按区域、时间段、天气条件的性能基准测试
   • 收集误检/漏检样本进行针对性强化训练
   • 定期更新模型以应对新出现的设施类型或城市改造

🌟 数据集特色

• 高类别覆盖：多达94个细粒度类别，满足精细化城市管理需求
• 真实场景采集：所有图像来自真实城市街道，非合成或仿真
• 多语言标签支持：包含英文与西班牙语双语标签，便于国际应用
• 技术兼容性好：支持主流深度学习框架及部署平台
• 持续更新潜力：可根据特定城市需求扩展新的类别或区域

📈 商业价值

该数据集在以下商业领域具有重要价值：

• 智能交通解决方案提供商：提升自动驾驶系统的环境感知能力
• 城市数字化服务商：构建智慧城管、无障碍城市评估平台
• 移动互联网公司：开发面向残障人士的出行导航App
• 硬件制造商：集成到智能摄像头、扫地机器人等设备中

🔗 技术标签

计算机视觉 目标检测 无障碍设施 智慧城市 街道分析 YOLO 自动驾驶 边缘计算 城市治理 多语言标签

---

注意: 本数据集适用于研究、教育和商业用途。在实际应用中，请确保符合当地城市管理法规，并尊重个人隐私权。建议在部署前进行充分的实地验证与用户反馈收集。

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