停车位识别数据集图片数量12416张YOLO，xml和txt标签都有； 2类类别：space-empty，space-occupied；

YOLO停车位识别图片数量12416张，xml和txt标签都有； 2类类别：space-empty，space-occupied；

用于yolo，Python，目标检测，机器学习，人工智能，深度学习，停车场空位检测，停车场空位识别，智慧停车场

包含从监控摄像头帧中提取的 12,416 张停车场图像。有晴天、阴天和雨天的图像，并且停车位被标记为已占用或空置

停车位识别数据集介绍

数据集名称

YOLO停车位识别数据集 (YOLO Parking Space Detection Dataset)

数据集概述

本数据集是一个专门用于训练和评估停车位识别模型的数据集，特别适用于基于YOLO（You Only Look Once）系列的目标检测任务。数据集包含12,416张高分辨率的停车场图像，这些图像从监控摄像头帧中提取，并且涵盖了不同天气条件下的场景（晴天、阴天和雨天）。每张图像都标注了停车位的状态，分为"空闲"（space-empty）和"已占用"（space-occupied）两类。数据集提供了XML和TXT两种格式的标注文件，方便用户根据需要选择。

数据集特点

大规模：包含12,416张高分辨率图像，适合深度学习模型的训练。
多样化天气条件：图像涵盖晴天、阴天和雨天等多种天气条件，提高了模型的鲁棒性。
详细标注：每张图像都有详细的标注信息，包括停车位的位置和状态（空闲或已占用）。
多种标注格式：提供XML和TXT两种标注格式，便于不同工具和框架的使用。
适用广泛：适用于目标检测、机器学习、人工智能、深度学习等领域的研究和应用，特别是停车场空位检测和智慧停车场系统。

数据集结构

parking_space_detection_dataset/
├── images/                           # 图像文件
│   ├── 00001.jpg                     # 示例图像
│   ├── 00002.jpg
│   └── ...
├── labels_xml/                       # XML标注文件
│   ├── 00001.xml                     # 示例标注
│   ├── 00002.xml
│   └── ...
├── labels_txt/                       # TXT标注文件
│   ├── 00001.txt                     # 示例标注
│   ├── 00002.txt
│   └── ...
├── data.yaml                         # 类别描述文件
└── README.md                         # 数据集说明

数据集内容

images/
- 功能：存放图像文件。
- 内容：
  - 12,416张高分辨率的停车场图像，涵盖不同天气条件下的场景。
labels_xml/
- 功能：存放XML格式的标注文件。
- 内容：
  - 每张图像对应的XML标注文件，包含停车位的位置和状态信息。
labels_txt/
- 功能：存放TXT格式的标注文件。
- 内容：
  - 每张图像对应的TXT标注文件，适用于YOLO系列模型的训练。

data.yaml

功能：定义数据集的类别和其他相关信息。

内容：

train: ./images/train
val: ./images/val
nc: 2
names: ['space-empty', 'space-occupied']

README.md
- 功能：数据集的详细说明文档。
- 内容：
  - 数据集的来源和用途。
  - 数据集的结构和内容。
  - 如何使用数据集进行模型训练和评估。
  - 其他注意事项和建议。

使用说明

环境准备
- 安装依赖库：
```
pip install -r requirements.txt
```
- 确保安装了YOLOv8所需的库，例如ultralytics。
数据集路径设置
- 将数据集解压到项目目录下，确保路径正确。

转换标注格式（可选）

如果需要将XML标注转换为YOLO格式的TXT标注，可以使用以下脚本：

import os
import xml.etree.ElementTree as ET
from PIL import Image

def convert_xml_to_yolo(xml_path, image_path, output_path):
    tree = ET.parse(xml_path)
    root = tree.getroot()
    image = Image.open(image_path)
    width, height = image.size

    with open(output_path, 'w') as f:
        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_center = (xmin + xmax) / 2.0 / width
            y_center = (ymin + ymax) / 2.0 / height
            w = (xmax - xmin) / width
            h = (ymax - ymin) / height

            if name == 'space-empty':
                class_id = 0
            elif name == 'space-occupied':
                class_id = 1
            else:
                continue

            f.write(f"{class_id} {x_center} {y_center} {w} {h}\n")

# 批量转换
for filename in os.listdir('labels_xml'):
    if filename.endswith('.xml'):
        xml_path = os.path.join('labels_xml', filename)
        image_path = os.path.join('images', filename.replace('.xml', '.jpg'))
        output_path = os.path.join('labels_txt', filename.replace('.xml', '.txt'))
        convert_xml_to_yolo(xml_path, image_path, output_path)

划分数据集

可以使用train_test_split函数来划分训练集和验证集：

import os
import random
from sklearn.model_selection import train_test_split

images = [f for f in os.listdir('images') if f.endswith('.jpg')]
train_images, val_images = train_test_split(images, test_size=0.2, random_state=42)

with open('train.txt', 'w') as f:
    for img in train_images:
        f.write(f'./images/{img}\n')

with open('val.txt', 'w') as f:
    for img in val_images:
        f.write(f'./images/{img}\n')

训练模型
- 使用YOLOv8或其他目标检测模型进行训练。以下是一个示例命令：
```
python train.py --data data.yaml --weights yolov8n.pt --epochs 100 --img 640 --batch 16
```

验证模型

使用验证集进行模型验证：

复制代码

Bash

深色版本

python val.py --data data.yaml --weights runs/train/exp/weights/best.pt --img 640 --batch 16

推理模型

使用训练好的模型进行推理：