睡岗检测是一项重要的安全监测任务，尤其是在需要高度警觉的工作环境中。该数据集旨在为研究人员和开发者提供一个高质量的、可用于训练和评估睡岗检测模型的数据集。
数据集特点
- 类型：睡岗检测图像数据集。
- 规模：包含3100张图像，涵盖了各种不同环境下的睡岗和趴睡场景。
- 标注：提供详细的标注信息，支持 VOC 和 YOLO 两种标注格式。
- 多样性：数据集包含了不同光线条件、不同角度、不同背景的睡岗图像。
- 增强：通过对原始图像进行多种增强处理（如旋转、翻转、色彩调整等），增加了数据集的多样性和鲁棒性。
数据集组成
- 训练集：用于训练模型，包含大多数图像。
- 验证集：用于模型调参和验证，包含一定比例的图像。
- 测试集：用于最终评估模型性能，包含一定比例的图像。
数据集目录结构
1sleep_detection_dataset/
2├── images/
3│ ├── train/
4│ ├── val/
5│ └── test/
6├── annotations_voc/
7│ ├── train/
8│ ├── val/
9│ └── test/
10├── annotations_yolo/
11│ ├── train/
12│ ├── val/
13│ └── test/
14└── dataset.yaml # YOLOv5 configuration file标注信息
示例
每张图像都附带一个 XML 文件（VOC 格式）和一个 TXT 文件（YOLO 格式），包含睡岗对象的位置信息。
示例标注文件
VOC 格式
1<annotation>
2 <folder>sleep_detection_dataset</folder>
3 <filename>000001.jpg</filename>
4 <object>
5 <name>Sleeping</name>
6 <pose>Unspecified</pose>
7 <truncated>0</truncated>
8 <difficult>0</difficult>
9 <bndbox>
10 <xmin>100</xmin>
11 <ymin>200</ymin>
12 <xmax>300</xmax>
13 <ymax>400</ymax>
14 </bndbox>
15 </object>
16</annotation>YOLO 格式
10 0.45 0.55 0.2 0.3 # 类别索引0表示Sleeping，后续数字表示中心点坐标和宽高相对于图像尺寸的比例使用指南
- 环境搭建：确保安装了YOLOv5或其他必要的软件包。
- 数据集准备：下载数据集并按照上述目录结构组织数据。
- 模型配置：设置YOLOv5或其他模型的训练参数。
- 模型训练：使用训练集对模型进行训练。
- 模型评估：使用验证集和测试集评估模型性能。
关键代码示例
1. 数据集准备
1import os
2import xml.etree.ElementTree as ET
3
4def parse_voc_annotation(xml_path):
5 tree = ET.parse(xml_path)
6 root = tree.getroot()
7 size = root.find('size')
8 width = int(size.find('width').text)
9 height = int(size.find('height').text)
10
11 objects = []
12 for obj in root.iter('object'):
13 difficult = obj.find('difficult').text
14 cls = obj.find('name').text
15 if cls not in ['Sleeping'] or int(difficult) == 1:
16 continue
17 xmlbox = obj.find('bndbox')
18 b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
19 objects.append([cls, b])
20 return objects, width, height
21
22def load_data(data_dir):
23 data = []
24 for split in ['train', 'val', 'test']:
25 images_dir = os.path.join(data_dir, 'images', split)
26 annotations_dir = os.path.join(data_dir, 'annotations_voc', split)
27 for img_name in os.listdir(images_dir):
28 img_path = os.path.join(images_dir, img_name)
29 ann_path = os.path.join(annotations_dir, img_name.replace('.jpg', '.xml'))
30 objects, width, height = parse_voc_annotation(ann_path)
31 data.append((img_path, objects, width, height))
32 return data
33
34data_dir = 'path/to/sleep_detection_dataset'
35data = load_data(data_dir)报告和文档
- 报告：报告应包括数据集背景、数据集组成、标注信息、使用指南等内容。
- 文档：文档应包括数据集的组织方式、标注信息、模型训练及评估的具体步骤等。
注意事项
- 确保数据集的质量，特别是标注信息的准确性。
- 在训练过程中，注意监控模型的学习曲线，确保模型没有过拟合。
- 考虑到睡岗检测的多样性和复杂性，建议使用较大的模型和较长的训练周期以获得更好的性能。