车辆种类分类识别数据集，可以识别7种汽车类型，已经按照7:2:1比 例划分数据集，训练集1488张、验证集507张,测试集31张， 共计2026张。

车

车辆种类分类识别数据集，可以识别7种汽车类型，已经按照7:2:1比 例划分数据集，训练集1488张、验证集507张,测试集31张， 共计2026张。 数据集分为一类客车(tinycar) ，=类客车(midcar) ，三类 客车(bigcar) , - -类货车(smalltruck) ，= _类货车(bigtru ck) ,油罐车(oil truck) 以及特殊车辆(specialcar) ，共计7 个种类。 nc:7. names: ['tinycar'midcar,'bigcar'smalltruck,'bigtruck,'oil truck',' specialcar']

车辆种类识别数据集

规模

• 图像数量：2026张
• 类别数量：7种
• 数据量：未提供具体数据量，但通常这类数据集可能达到数百MB到几GB。

类别

• 一类客车 (Tiny Car, tinycar)
• 二类客车 (Mid Car, midcar)
• 三类客车 (Big Car, bigcar)
• 一类货车 (Small Truck, smalltruck)
• 二类货车 (Big Truck, bigtruck)
• 油罐车 (Oil Truck, oiltruck)
• 特殊车辆 (Special Car, specialcar)

每类车辆的样本数量根据比例划分：

• 训练集：1488张
• 验证集：507张
• 测试集：31张

数据特点

• 高质量图像：所有图像均为高分辨率，提供了丰富的细节信息，有助于提高检测精度。
• 多样化车辆类型：涵盖了七种常见的车辆类型，确保模型能够适应多种类型的车辆。
• 详细标注：每张图像都附有详细的边界框标注（txt格式），标明了车辆的位置和大小。
• 预处理数据：数据集已经按照7:2:1的比例划分好训练集、验证集和测试集，可以直接用于训练。

应用场景

• 智能交通系统：在城市交通监控中自动识别不同类型的车辆，提高交通管理效率。
• 自动驾驶：帮助自动驾驶汽车更好地理解和分类道路上的各种车辆，提升驾驶安全性。
• 停车场管理：在停车场管理系统中自动识别车辆类型，便于分类管理和收费。
• 物流管理：在物流运输过程中，自动识别货车类型，优化货物装载和运输方案。
• 研究与教育：用于科研机构的研究以及相关院校的教学，帮助学生和研究人员更好地了解车辆识别技术。
• 安全监控：集成到视频监控系统中，自动识别特定类型的车辆，支持安全监控和预警。

数据集结构

假设数据集的文件结构如下：

vehicle_classification_dataset/
├── images/
│   ├── train/
│   │   ├── 0001.jpg
│   │   ├── 0002.jpg
│   │   └── ...
│   ├── val/
│   │   ├── 0001.jpg
│   │   ├── 0002.jpg
│   │   └── ...
│   └── test/
│       ├── 0001.jpg
│       ├── 0002.jpg
│       └── ...
├── labels_txt/
│   ├── train/
│   │   ├── 0001.txt
│   │   ├── 0002.txt
│   │   └── ...
│   ├── val/
│   │   ├── 0001.txt
│   │   ├── 0002.txt
│   │   └── ...
│   └── test/
│       ├── 0001.txt
│       ├── 0002.txt
│       └── ...
└── metadata.csv

metadata.csv 文件内容示例：

深色版本

image_id, category, split
train/0001.jpg, tinycar, train
train/0002.jpg, midcar, train
val/0001.jpg, bigcar, val
val/0002.jpg, smalltruck, val
test/0001.jpg, bigtruck, test
...

labels_txt/0001.txt 示例（YOLO格式）：

0 0.5 0.5 0.3 0.3  # 类别ID, 中心点x, 中心点y, 宽度, 高度

代码示例

下面是一个完整的Python脚本示例，展示如何加载数据集、使用预训练的YOLOv5模型进行车辆种类识别，并可视化检测结果。我们将使用PyTorch和YOLOv5的相关库。

1. 安装依赖库

首先，确保安装了必要的依赖库。可以在项目目录中的requirements.txt文件中列出这些依赖库，然后运行以下命令进行安装：

pip install -r requirements.txt

requirements.txt 文件内容示例：

torch==1.10.0
torchvision==0.11.1
opencv-python-headless==4.5.4.60
yolov5 @ git+https://github.com/ultralytics/yolov5.git

2. 加载数据集和预训练模型

import os
import cv2
import torch
import numpy as np
from yolov5.models.common import DetectMultiBackend
from yolov5.utils.general import (check_img_size, non_max_suppression, scale_coords)
from yolov5.utils.torch_utils import select_device
from yolov5.utils.plots import Annotator, colors

# 设置设备
device = select_device('')  # 使用默认设备（通常是GPU，如果没有则使用CPU）

# 加载预训练模型
model_path = 'path_to_your_model_directory/yolov5s_vehicle_detection.pt'
model = DetectMultiBackend(model_path, device=device, dnn=False, data=None, fp16=False)
imgsz = check_img_size(640, s=model.stride)  # 检查图像尺寸

# 设置模型为评估模式
model.eval()

# 加载图像
def load_image(image_path):
    img = cv2.imread(image_path)
    if img is None:
        print(f"Failed to load image: {image_path}")
        return None
    return img

# 进行推理
def detect_vehicles(img, model, imgsz, device):
    # 转换图像
    img = [letterbox(img, new_shape=imgsz, auto=True)[0]]
    img = np.stack(img, 0)
    img = img[..., ::-1].transpose((0, 3, 1, 2))  # BGR to RGB, BHWC to BCHW
    img = np.ascontiguousarray(img)

    # 将图像转换为Tensor
    img = torch.from_numpy(img).to(device)
    img = img.float()
    img /= 255.0  # 0 - 255 to 0.0 - 1.0
    if len(img.shape) == 3:
        img = img[None]  # 扩展批处理维度

    # 推理
    with torch.no_grad():
        pred = model(img, augment=False, visualize=False)[0]
        pred = non_max_suppression(pred, conf_thres=0.5, iou_thres=0.45, classes=None, agnostic=False, max_det=1000)

    # 处理预测结果
    for i, det in enumerate(pred):  # 每张图像的检测结果
        if len(det):
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], img.shape[2:]).round()
            annotator = Annotator(img[i].permute(1, 2, 0).cpu().numpy(), line_width=3, example=str('vehicle'))
            for *xyxy, conf, cls in reversed(det):
                label = f'{names[int(cls)]} {conf:.2f}'
                annotator.box_label(xyxy, label, color=colors(int(cls), True))
            return annotator.result()
    return img[0].permute(1, 2, 0).cpu().numpy()

# 字母框调整
def letterbox(img, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True, stride=32):
    shape = img.shape[:2]  # 当前形状 [height, width]
    if isinstance(new_shape, int):
        new_shape = (new_shape, new_shape)

    r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])
    if not scaleup:  # 只缩小，不放大
        r = min(r, 1.0)

    ratio = r, r  # 宽高比
    new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
    dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1]  # wh padding
    if auto:  # 最小矩形
        dw, dh = np.mod(dw, stride), np.mod(dh, stride)  # wh padding
    elif scaleFill:  # 拉伸
        dw, dh = 0.0, 0.0
        new_unpad = (new_shape[1], new_shape[0])
        ratio = new_shape[1] / shape[1], new_shape[0] / shape[0]  # 宽高比

    dw /= 2  # 分配到两边
    dh /= 2

    if shape[::-1] != new_unpad:  # 缩放
        img = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR)
    top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
    left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
    img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)  # 添加边框
    return img, ratio, (dw, dh)

# 主函数
def main(image_dir, model, imgsz, device):
    names = ['tinycar', 'midcar', 'bigcar', 'smalltruck', 'bigtruck', 'oiltruck', 'specialcar']
    
    for image_name in os.listdir(image_dir):
        if image_name.endswith('.jpg'):
            image_path = os.path.join(image_dir, image_name)
            img = load_image(image_path)
            if img is not None:
                result = detect_vehicles(img, model, imgsz, device)
                cv2.imshow('Vehicle Detection', result)
                cv2.setWindowTitle('Vehicle Detection', f'Image: {image_name}')
                if cv2.waitKey(0) & 0xFF == ord('q'):
                    break
    cv2.destroyAllWindows()

# 假设图像存储在'image'目录下
image_dir = 'path_to_your_image_directory'

# 运行主函数
main(image_dir, model, imgsz, device)

说明

• 路径设置 ：请根据实际的数据集路径调整path_to_your_image_directory和path_to_your_model_directory。
• 文件命名 ：假设图像文件名分别为.jpg。如果实际命名规则不同，请相应修改代码。
• 可视化：通过绘制边界框和标注置信度，可以直观地看到图像中的车辆位置和类型。

进一步的应用

• 训练深度学习模型：可以使用这个数据集来进一步训练或微调YOLOv5模型，以提高检测精度。
• 数据增强：为了增加数据集的多样性和鲁棒性，可以使用数据增强技术（如旋转、翻转、缩放等）生成更多的训练样本。
• 评估与优化：通过交叉验证和测试集评估模型性能，并不断优化模型参数，以提高检测准确率。

这个数据集对于车辆种类识别具有重要的实用价值，可以帮助相关部门及时发现和处理不同类型车辆，提升交通管理和安全水平。