落水检测数据集

落水检测数据集 1000张落水溺水检测带标注 voc yolo

项目背景：

落水事件可能导致严重的溺水事故，尤其是在游泳池、海滩、湖泊等水域附近。为了及时发现落水者并迅速采取救援措施，开发一套能够自动检测落水事件的系统变得尤为重要。本数据集旨在为落水溺水检测提供高质量的标注数据，支持自动化检测系统的开发与应用。

数据集概述：

名称：落水检测数据集
规模：共计1000张图像
类别：单一类别，"0"表示落水者（Drowning Person）
标注格式：支持VOC和YOLO格式的标注文件，可以直接用于模型训练

数据集特点：

针对性强：专注于落水溺水事件的检测，确保数据集的针对性和实用性。
高质量标注：每张图像都已详细标注，确保数据的准确性和可靠性。
适用范围广：支持多种标注格式（VOC、YOLO），方便科研人员和开发者直接使用。
标准格式：采用广泛使用的标注文件格式，方便导入不同的检测框架。

数据集内容：

落水者（Drowning Person）：标注了水域中的落水者。

数据集用途：

落水检测：可用于训练和评估深度学习模型，特别是在落水溺水检测方面。
救援辅助：帮助实现水域内的落水检测，减少人工巡查的工作量。
科研与教育：为落水溺水检测领域的研究和教学提供丰富的数据支持。

使用场景：

实时监控：在水域监控系统中，利用该数据集训练的模型可以实时检测落水事件。
紧急响应：在紧急响应和救援行动中，利用该数据集可以提高检测的准确性和速度。
生产管理：在水域管理和安全服务工作中，利用该数据集可以提高工作效率和管理水平。

技术指标：

数据量：共计1000张图像，专注于落水溺水检测。
数据划分：数据集是否进行了训练集、验证集和测试集的划分，需根据数据集实际内容确定。
标注格式：支持VOC和YOLO格式的标注文件，方便导入不同的检测框架。
标注精度：所有图像均已详细标注，确保数据的准确性和可靠性。

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：

以下是关键代码的示例，包括数据加载、模型训练、检测和结果展示。

数据加载（以VOC格式为例）

1import os
2import cv2
3import xml.etree.ElementTree as ET
4import numpy as np
5
6# 数据集路径
7DATASET_PATH = 'path/to/dataset'
8IMAGES_DIR = os.path.join(DATASET_PATH, 'JPEGImages')
9ANNOTATIONS_DIR = os.path.join(DATASET_PATH, 'Annotations')
10
11# 加载数据集
12def load_dataset(directory):
13    images = []
14    annotations = []
15
16    for img_file in os.listdir(IMAGES_DIR):
17        if img_file.endswith('.jpg') or img_file.endswith('.png'):
18            img_path = os.path.join(IMAGES_DIR, img_file)
19            annotation_path = os.path.join(ANNOTATIONS_DIR, img_file.replace('.jpg', '.xml').replace('.png', '.xml'))
20            
21            image = cv2.imread(img_path)
22            tree = ET.parse(annotation_path)
23            root = tree.getroot()
24            
25            objects = []
26            for obj in root.findall('object'):
27                name = obj.find('name').text
28                bbox = obj.find('bndbox')
29                xmin = int(bbox.find('xmin').text)
30                ymin = int(bbox.find('ymin').text)
31                xmax = int(bbox.find('xmax').text)
32                ymax = int(bbox.find('ymax').text)
33                objects.append((name, [xmin, ymin, xmax, ymax]))
34            
35            images.append(image)
36            annotations.append(objects)
37
38    return images, annotations
39
40train_images, train_annotations = load_dataset(os.path.join(DATASET_PATH, 'train'))
41val_images, val_annotations = load_dataset(os.path.join(DATASET_PATH, 'val'))
42test_images, test_annotations = load_dataset(os.path.join(DATASET_PATH, 'test'))

模型训练：

1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 转换VOC格式到YOLO格式
5def convert_voc_to_yolo(annotations, image_shape=(640, 640), class_names=['Drowning Person']):
6    yolo_annotations = []
7    class_map = {name: i for i, name in enumerate(class_names)}
8    
9    for ann in annotations:
10        converted = []
11        for name, obj in ann:
12            class_id = class_map[name]
13            x_center = (obj[0] + obj[2]) / 2 / image_shape[1]
14            y_center = (obj[1] + obj[3]) / 2 / image_shape[0]
15            width = (obj[2] - obj[0]) / image_shape[1]
16            height = (obj[3] - obj[1]) / image_shape[0]
17            converted.append([class_id, x_center, y_center, width, height])
18        yolo_annotations.append(converted)
19    return yolo_annotations
20
21# 定义训练参数
22EPOCHS = 100
23BATCH_SIZE = 16
24
25# 转换并训练模型
26train_yolo_annots = convert_voc_to_yolo(train_annotations)
27val_yolo_annots = convert_voc_to_yolo(val_annotations)
28
29results = model.train(data='drowning_detection.yaml', epochs=EPOCHS, batch=BATCH_SIZE)

模型检测：

1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_drowning_person(image):
6    results = model.predict(image)
7    for result in results:
8        boxes = result.boxes
9        for box in boxes:
10            x1, y1, x2, y2 = box.xyxy[0]
11            conf = box.conf
12            class_id = box.cls
13            
14            # 显示结果
15            cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16            class_name = 'Drowning Person'
17            cv2.putText(image, f'{class_name}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
18    
19    return image
20
21# 测试图像
22test_image = cv2.imread('path/to/test_image.jpg')
23result_image = detect_drowning_person(test_image)
24cv2.imshow('Detected Drowning Person', result_image)
25cv2.waitKey(0)
26cv2.destroyAllWindows()

配置文件 `drowning_detection.yaml`：

1train: path/to/train/images
2val: path/to/val/images
3test: path/to/test/images
4
5nc: 1  # Number of classes
6names: ['Drowning Person']  # Class names
7
8# Training parameters
9batch_size: 16
10epochs: 100
11img_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。

结语：

本数据集提供了一个高质量的落水检测数据集，支持自动化落水检测、救援辅助等多个应用场景。通过利用该数据集训练的模型，可以提高落水溺水检测的效率和准确性。