玩手机数据集 8201张玩手机的照片，有对应的xml和txt文件，可以用于yolo训练

玩手机数据集

8201张玩手机的照片，有对应的xml和txt文件，可以用于yolo训练

玩手机数据集（Phone Usage Detection Dataset）

数据集概述

该数据集专为检测人们使用手机的行为设计，旨在帮助研究人员和工程师开发高效的目标检测算法，以识别图像中的人们是否在使用手机。数据集包含8201张高清照片，并且每张照片都附有详细的标注信息，包括XML格式的Pascal VOC标注文件和YOLO格式的TXT标注文件。这些照片展示了不同场景下人们使用手机的情况，涵盖了不同的环境、光照条件和背景干扰。数据集可以直接用于基于YOLO的目标检测模型训练。

数据集特点

• 高质量图像：所有图像均为高分辨率，能够清晰地显示人物及其使用手机的动作。
• 详细标注：每张图像都附有精确的边界框以及类别标签（手机），便于训练目标检测模型。
• 标准化格式：图像采用JPG或PNG格式存储，标签则同时提供了Pascal VOC的XML格式和YOLO的TXT格式，方便与主流框架结合使用。
• 多样化场景：图像来自不同的地理位置和环境条件，增强了模型的泛化能力。
• 数据增强：虽然未明确提及，但通常可以通过数据增强技术进一步增加样本多样性。
• 自动发货：购买后可以自动获取数据集，方便快捷。

数据集构成

• 图像数量：8201张
• 图像格式：JPG或PNG
• 标签数量：对应每张图像各有一个XML和一个TXT标注文件
• 类别数：1类
• 类别名称 ：
  • phone：手机
• 数据集划分：未明确提供具体的训练集、验证集和测试集划分，用户可以根据需要自行划分。
• 配置文件 ：如果需要，可以创建data.yaml配置文件来描述数据集路径和类别信息。

数据集用途

• 手机使用检测：主要用于开发高效准确的目标检测算法，识别并定位图像中的人们是否在使用手机。
• 行为分析：帮助研究机构进行人类行为分析，了解人们在不同场景下的手机使用习惯。
• 安全监控：辅助交通管理部门和公共场所的安全监控系统，防止因使用手机而引发的安全隐患。
• 性能评估：作为基准数据集，可以用来比较不同算法或模型之间的性能差异。
• 研究与开发：支持学术界和工业界的研究人员探索新的计算机视觉技术和方法。
• 教育与培训：适合作为教材内容，帮助学生理解实际应用场景下的机器学习问题解决流程。

示例代码

以下是一个简单的Python脚本示例，用于加载数据集中的一对图像-标签对，并可视化其中的标注信息：

import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
import xml.etree.ElementTree as ET

# 数据集目录路径
data_dir = 'path/to/phone_usage_dataset'
image_dir = os.path.join(data_dir, 'images')
label_dir = os.path.join(data_dir, 'labels')

# 选取一张图像及其对应标签
image_files = os.listdir(image_dir)
image_file = image_files[0]  # 假设取第一张图
label_file_txt = os.path.splitext(image_file)[0] + '.txt'
label_file_xml = os.path.splitext(image_file)[0] + '.xml'

image_path = os.path.join(image_dir, image_file)
label_path_txt = os.path.join(label_dir, label_file_txt)
label_path_xml = os.path.join(label_dir, label_file_xml)

# 加载图像
image = cv2.imread(image_path, cv2.IMREAD_COLOR)
height, width, _ = image.shape

# 解析YOLO格式标签
def parse_yolo_label(label_path, image_width, image_height):
    bboxes = []
    with open(label_path, 'r') as f:
        lines = f.readlines()
        for line in lines:
            class_id, x_center, y_center, box_width, box_height = map(float, line.strip().split())
            x_min = int((x_center - box_width / 2) * image_width)
            y_min = int((y_center - box_height / 2) * image_height)
            box_width = int(box_width * image_width)
            box_height = int(box_height * image_height)
            bboxes.append((class_id, x_min, y_min, box_width, box_height))
    return bboxes

# 解析Pascal VOC格式标签
def parse_voc_label(label_path, image_width, image_height):
    bboxes = []
    tree = ET.parse(label_path)
    root = tree.getroot()
    for obj in root.findall('object'):
        name = obj.find('name').text
        bbox = obj.find('bndbox')
        xmin = int(bbox.find('xmin').text)
        ymin = int(bbox.find('ymin').text)
        xmax = int(bbox.find('xmax').text)
        ymax = int(bbox.find('ymax').text)
        x_min = xmin
        y_min = ymin
        box_width = xmax - xmin
        box_height = ymax - ymin
        bboxes.append((0, x_min, y_min, box_width, box_height))  # 假设只有一个类别
    return bboxes

# 解析标签
bboxes_yolo = parse_yolo_label(label_path_txt, width, height)
bboxes_voc = parse_voc_label(label_path_xml, width, height)

# 可视化标注
fig, ax = plt.subplots(figsize=(10, 10))
ax.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
colors = ['red']  # 仅有一类，所以只用一种颜色
names = ['phone']

for bbox in bboxes_yolo + bboxes_voc:
    class_id, x, y, w, h = bbox
    rect = Rectangle((x, y), w, h, linewidth=2, edgecolor=colors[int(class_id)], facecolor='none')
    ax.add_patch(rect)
    ax.text(x, y - 10, names[int(class_id)], color=colors[int(class_id)], fontsize=8)

plt.title('Phone Usage Detection')
plt.axis('off')
plt.show()

数据集结构示例

├── phone_usage_dataset
│   ├── images
│   │   ├── 00000.jpg
│   │   ├── 00001.jpg
│   │   └── ...
│   ├── labels
│   │   ├── 00000.txt
│   │   ├── 00001.txt
│   │   └── ...
│   │   ├── 00000.xml
│   │   ├── 00001.xml
│   │   └── ...
│   └── data.yaml  # 如果需要，可以创建这个文件来描述数据集路径和类别信息

数据集使用指南

1. 数据准备：确认数据集路径是否正确，并且图像和标签文件均存在指定的目录下。
2. 数据划分：根据需要将数据集划分为训练集、验证集和测试集。建议按照70%、15%、15%的比例进行划分。
3. 配置文件 ：如果使用YOLO框架，可以创建一个data.yaml配置文件来描述数据集路径和类别信息。
4. 模型训练：利用选定的深度学习框架开始训练目标检测模型。注意要合理设置超参数以优化训练效果。
5. 结果分析：完成训练后，对模型预测结果进行详细分析，必要时调整模型架构或训练策略以进一步提高准确性。