热成像目标检测数据集 V2 版本

在这里插入图片描述

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
    在这里插入图片描述
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
  • :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。
  • :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。
  • :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

import os
import cv2
from ultralytics import YOLO
import numpy as np

# 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
def load_dataset():
    visible_images = []
    thermal_images = []
    matched_frames = []
    labels = []

    for img_file in os.listdir(VISIBLE_IMAGES_DIR):
        if img_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)

            with open(label_path, 'r') as f:
                label = f.read().strip()

            visible_images.append(visible_image)
            thermal_images.append(thermal_image)
            matched_frames.append(matched_frame)
            labels.append(label)

    return visible_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 = 100
BATCH_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
def detect_targets(image):
    results = model.predict(image)
    for result in results:
        boxes = result.boxes
        for box in boxes:
            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)
    
    return image

# 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/images
val: path/to/val/images

nc: 14  # Number of classes
names: ['person', 'bicycle', 'car', 'motorcycle', 'bus', 'train', 'truck', 'light', 'fire_hydrant', 'traffic_sign', 'dog', 'skateboard', 'baby_carriage', 'electric_scooter', 'other_vehicle']

# Training parameters
batch_size: 16
epochs: 100
img_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。
Logo

助力广东及东莞地区开发者,代码托管、在线学习与竞赛、技术交流与分享、资源共享、职业发展,成为松山湖开发者首选的工作与学习平台

更多推荐