目标检测数据集第114期-基于yolo标注格式的机场周转地面目标检测数据集(含免费分享)

随着智慧机场建设的推进，基于计算机视觉的自动化目标检测成为提升地面运行效率的核心技术方向。这类技术需要高质量的标注数据集作为支撑，以学习不同地面目标在复杂场景下的视觉特征，从而实现实时识别与调度。本次介绍的机场周转地面目标检测数据集，正是为满足这一技术需求构建，旨在为算法研发提供贴近真实机场场景的训练样本。

该数据集覆盖了机场周转环节的典型环境：包含白天、黄昏、夜间等不同时段的光照变化，以及晴天、阴天等天气条件，模拟了机场地面作业的真实视觉挑战，能够帮助算法更好地应对现实中的干扰因素，提升检测的鲁棒性。

2、数据详情

2.1 整体规模

本数据集共包含1446 张图像文件，均为 JPG 格式，无 PNG 文件；配套的标注文件总数为1447 份，图像与标注文件比例接近 1:1，保证了数据与标注的高度匹配。所有标注文件采用 YOLO 格式的 TXT 文件，每个标注文件对应一张图像，记录了目标区域的边界框坐标与类别信息，类别包括 “Aerobridge”（廊桥）、“Airplane”（飞机）、“Baggage container”（行李集装箱）、“Belt loader”（行李传送带车）、“Belt loader roof”（传送带车顶棚）、“Fuel line”（加油管线）、“Fuel tanker”（加油车）、“Fuel tube”（加油软管）、“Tow tug”（拖车）、“Tractor”（牵引车）、“Window”（廊桥窗户）共 11 类。

2.2 子集划分

数据集按照算法训练与评估的需求，划分为三个子集：

• 训练集：包含 1012 张图像与 1012 份标注文件，总文件数为 2024，是模型训练的核心数据来源，为算法提供了大量基础样本以学习目标特征规律。
• 验证集：包含 288 张图像与 288 份标注文件，总文件数为 576，用于在训练过程中评估模型的泛化能力，帮助研发人员调整算法参数，避免过拟合。
• 测试集：包含 146 张图像与 146 份标注文件，总文件数为 292，用于在模型训练完成后评估最终性能，验证算法在未知样本上的识别精度。

2.3 存储结构

数据集采用清晰的目录分层结构，便于算法开发时的调用与管理：

• 根目录下仅包含 1 份统计文件，用于记录数据集的整体概况；
• train/images、valid/images、test/images目录分别存储训练集、验证集与测试集的图像文件；
• train/labels、valid/labels、test/labels目录对应存储训练集、验证集与测试集的 YOLO 格式标注文件。
这种结构符合主流的计算机视觉数据集规范，能够无缝对接 YOLO 系列等主流检测算法的训练框架，降低了算法开发的适配成本。

2.4 数据特征

从样本图像来看，数据集覆盖了多样化的机场地面场景：包含不同机型的飞机、各类地勤保障设备与廊桥设施，且图像中存在自然的光照变化、阴影干扰与设备遮挡，模拟了机场周转作业中的真实视觉条件。标注的 11 类目标涵盖了航班周转环节的核心元素，其中 “加油软管”“传送带车顶棚” 等细节目标的标注，为模型学习小目标与局部特征提供了准确的监督信息。