【数据集】【YOLO】【目标检测】共享单车数据集，共享单车识别数据集 3596 张，YOLO自行车识别算法实战训推教程。

王哈哈^_^2025-11-05 21:41

一、数据集介绍

【数据集】共享单车识别数据集 3596 张，目标检测，包含YOLO/VOC格式标注。

数据集中包含1种分类 ：names: ['bike']，代表共享单车。

数据集来自国内网站、视频抽帧；

可用于无人机共享单车识别，监控共享单车检测等。

检测场景为人行道、商场、园区、非机动车道等场景 ，可用于单车违规停放高效治理​、用户停车行为引导​、城市非机动车道交通决策支撑 ​等。

文章底部或主页私信获取数据集~

1、数据概述

共享单车识别的重要性

共享单车是城市绿色出行的关键载体，但其无序停放问题已成为城市管理难题 ------ 车辆挤占人行道、盲道甚至机动车道，不仅阻碍通行、破坏市容，还可能堵塞消防通道、引发剐蹭事故。传统管理依赖人工巡检，存在明显局限：单名巡检员日均覆盖范围有限，难以兼顾商圈、地铁站等高频停放区域；违规停放发现滞后，常需市民投诉后才处置，导致问题反复；且人工统计车辆分布数据耗时，难以为调度提供及时支撑。​

YOLO 算法凭借 "实时精准识别 + 全天候监测" 破解上述痛点：其一，依托城市道路监控或无人机航拍，可实现高帧率实时检测，快速定位画面中共享单车的位置与状态，无需人工逐街排查；其二，能精准区分 "合规停放" 与 "违规占道"，即使车辆密集堆叠、被遮挡也能有效识别；其三，检测结果可实时同步至管理平台，打破人工巡检的时空限制，为共享单车管理从 "被动清理" 转向 "主动监管" 提供技术支撑，是城市交通精细化治理的重要工具。

基于YOLO的共享单车识别算法

  1. 违规停放高效治理：YOLO 实时监测禁停区（如公交站台、消防通道、盲道旁）的共享单车，一旦发现违规立即推送预警（含具体位置、车辆数量）至城管或运营企业，工作人员可精准到场清理，避免盲目巡查。相比人工，能大幅缩短违规处置周期，减少车辆占道对交通的影响。​

  2. 运营调度优化：通过 YOLO 统计各区域共享单车数量，运营企业可实时掌握 "淤积点"（如写字楼下班时段车辆过剩）与 "短缺点"（如早高峰地铁口车辆不足），据此调配运维车辆转运，平衡区域供需。无需人工现场计数，既降低运维成本，又减少 "车找不到人、人找不到车" 的用户痛点。​

  3. 用户停车行为引导：将 YOLO 技术嵌入共享单车 APP，用户关锁前，手机摄像头可通过 YOLO 识别停车区域是否合规。若检测到车辆停在禁停区，APP 立即弹窗提示并指引附近合规停车点，帮助培养规范停车习惯，从源头减少违规行为。​

  4. 城市交通决策支撑：长期积累的 YOLO 检测数据，可形成共享单车停放热力图，反映不同时段、区域的出行需求（如周末商圈用车量大、工作日通勤路线用车集中）。城市交管部门可据此优化非机动车道规划、增设合规停车泊位，甚至调整公交站点位置，提升整体交通运行效率。​

该数据集含有 3596 张图片，包含Pascal VOC XML 格式和YOLO TXT 格式，用于训练和测试人行道、商场、园区、非机动车道等场景进行共享单车识别。

图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

2、数据集文件结构

share-bike/

------test/

------------Annotations/

------------images/

------------labels/

------train/

------------Annotations/

------------images/

------------labels/

------valid/

------------Annotations/

------------images/

------------labels/

------data.yaml

  • 该数据集已划分训练集样本，分别是：test 目录（测试集）、train 目录（训练集）、valid目录（验证集）；
  • Annotations文件夹为Pascal VOC格式的XML文件 ；
  • images文件夹为jpg格式的数据样本；
  • labels文件夹是YOLO格式的TXT文件；
  • data.yaml是数据集配置文件，包含共享单车识别的目标分类和加载路径。

​​​​

​​​​​​​

Annotations目录下的xml文件 内容如下 ：

XML 复制代码 
<?xml version="1.0" encoding="utf-8"?>
	<annotation>
		<folder>annotations</folder>
		<filename>13061515_jpg.rf.491170790186beca23904900852aee99.jpg</filename>
		<size>
			<width>416</width>
			<height>416</height>
			<depth>3</depth>
		</size>
		<object>
			<name>bike</name>
			<pose>Unspecified</pose>
			<truncated>0</truncated>
			<difficult>0</difficult>
			<bndbox>
				<xmin>22</xmin>
				<ymin>122</ymin>
				<xmax>417</xmax>
				<ymax>336</ymax>
			</bndbox>
		</object>
	</annotation>

labels目录下的txt文件内容如下：

bash 复制代码 
0 0.4591346153846154 0.4338942307692308 0.514423076923077 0.4879807692307693

3、数据集适用范围

  • 目标检测 场景，无人机 检测，监控识别
  • yolo训练模型或其他模型
  • 人行道、商场、园区、非机动车道等场景
  • 可用于单车违规停放高效治理​、用户停车行为引导​、城市非机动车道交通决策支撑 ​等。

4、数据集标注结果

​​​​​ ​​​​​​​ ​

​ ​​​​​​​ ​

4.1、数据集内容

  1. 多角度场景：无人机视角数据样本，监控视角数据样本；
  2. 标注内容：names: ['bike'] ，总计1个分类；
  3. 图片总量：3596张图片数据；
  4. 标注类型：含有Pascal VOC XML 格式和yol o TXT格式；

5、训练过程

5.1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

​​​​​​

在ultralytics-main 项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels， 其中，将pascal VOC格式的XML文件 手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

------Annotations/ //存放xml文件

------images/ //存放jpg图像

------imageSets/

------labels/

整体项目结构如下所示：

​​​

5.2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

python 复制代码 
import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

5.3、数据集格式化处理

在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

  • 这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。

  • 它打开XML文件，解析树结构，提取图像的宽度和高度。

  • 然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。

  • 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。

  • 最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

python 复制代码 
import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['bike'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text),
             float(xmlbox.find('xmax').text),
             float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

5.4、修改数据集配置文件

在ultralytics-main目录下创建一个data.yaml文件

python 复制代码 
train: data/train.txt
val: data/val.txt
test: data/test.txt

nc: 1
names: ['bike']

5.5、执行命令

执行train.py

python 复制代码 
model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

bash 复制代码 
yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

5.6、模型预测

你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。

代码如下：

python 复制代码 
import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径

# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path) 

# Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)

# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLOv8 inference on the frame
        # results = model(frame)
        results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)

        results[0].names[0] = "道路积水"
        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Write the annotated frame to the output file
        out.write(annotated_frame)

        # Display the annotated frame (optional)
        cv2.imshow("YOLOv8 Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()

也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：

python 复制代码 
yolo predict model="best.pt" source='demo.jpg'

6、获取数据集

文章底部或主页私信获取数据集~

二、YOLO共享单车检测系统

1、功能介绍

1. 模型管理

支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。

2. 图片检测

  • 支持上传本地图片文件，自动完成格式校验。

  • 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。

  • 检测结果可下载保存。

3. 视频检测与实时流

  • 支持上传本地视频文件，自动完成格式校验。

  • 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。

  • 支持摄像头实时检测（如有接入摄像头）。

4. 置信度阈值调节

  • 前端可实时调整检测置信度阈值，动态影响检测结果。

  • 阈值调整后，后端推理自动应用新阈值，无需重启。

5. 日志与状态反馈

  • 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。

  • 检测异常、错误信息及时反馈，便于排查。

  • 一键清空日志，笔面长期占用内存。

2、创建环境并安装依赖：

bash 复制代码 
conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt

3、启动项目

bash 复制代码 
python app.py

**打开浏览器访问：**http://localhost:5000

4、效果展示

4.1、推理效果

4.2、日志文本框

4.3、摄像头检测

以红绿灯检测为例：

5、前端核心页面代码

html 复制代码 
<!doctype html>
<html lang="zh-CN">

<head>
    <meta charset="utf-8">
    <meta name="viewport" content="width=device-width,initial-scale=1">
    <title>视觉检测系统 - Web UI</title>
    <link rel="stylesheet" href="/static/style.css">
    <link rel="icon" href="/favicon.ico">
</head>

<body>
    <div class="container main-flex">
        <!-- 左侧内容区 -->
        <div class="left-content">
            <header>
                <h1>YOLO共享单车检测系统</h1>
                <div id="currentModelDisplay" class="modelDisplay" title="当前模型">当前模型：未上传模型</div>
            </header>
            <main>
                <div class="videoPanel">
                    <div class="pane">
                        <h3>原图 / 视频</h3>
                        <div class="preview" id="srcPreview">预览区</div>
                    </div>
                    <div class="pane">
                        <h3>检测结果</h3>
                        <div class="preview" id="detPreview">检测结果</div>
                    </div>
                </div>
                <section class="logArea">
                    <div class="logHeader">
                        <h3>日志</h3>
                    </div>
                    <div class="logInner">
                        <div id="logs" class="logs"></div>
                    </div>
                </section>
            </main>
        </div>
        <!-- 右侧按钮栏 -->
        <aside class="right-bar">
            <!-- 1. 模型上传/加载区 -->
            <section class="model-section">
                <button id="uploadModelBtn" class="ghost">上传模型
                    <input id="modelFileInput" type="file" accept=".pt" title="选择 .pt 模型文件">
                </button>
                <button id="loadModel">加载模型</button>
            </section>

            <!-- 2. 检测方式选择区 -->
            <section class="detect-mode-section">
                <div class="detect-mode-title">请选择检测方式</div>
                <div class="detect-mode-radio-group">
                    <label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label>
                    <label><input type="radio" name="detectMode" value="camera"> 摄像头</label>
                </div>
                <div id="detectModeUpload" class="detect-mode-panel">
                    <div class="uploaded-file-name">
                        <span id="uploadedFileName" class="placeholder">未选择文件</span>
                    </div>
                    <div style="height: 22px;"></div>
                    <button id="uploadBtn">上传文件
                        <input id="fileInput" type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频">
                    </button>
                </div>
                <div id="detectModeCamera" class="detect-mode-panel" style="display:none;">
                    <button id="cameraDetectBtn" class="ghost">开启摄像头</button>
                    <div id="cameraPreview" class="camera-preview">
                        <video id="localCameraVideo" autoplay muted playsinline></video>
                        <div class="camera-controls">
                            <button id="stopCameraBtn" class="ghost">关闭摄像头</button>
                        </div>
                    </div>
                </div>
                <div class="confWrap">
                    <label class="conf">置信度
                        <input id="confRange" type="range" min="0.01" max="0.99" step="0.01" value="0.5">
                        <input id="confValue" type="number" min="0.01" max="0.99" step="0.01" value="0.5">
                    </label>
                </div>
            </section>

            <!-- 3. 操作按钮区 -->
            <section class="action-btn-section">
                <button id="startBtn" disabled class="start">开始检测</button>
                <button id="stopBtn" disabled class="stop">停止</button>
                <button id="clearLogs" class="ghost">清空日志</button>
            </section>
        </aside>
    </div>
    <script src="/static/app.js"></script>
</body>

</html>

6、代码获取

文章底部名片或私信获取系统源码和数据集~

更多数据集请查看

以上内容均为原创。

相关推荐
仙人掌_lz2 小时前
Multi-Agent的编排模式总结/ Parlant和LangGraph差异对比
人工智能·ai·llm·原型模式·rag·智能体
背包客研究2 小时前
如何在机器学习中使用特征提取对表格数据进行处理
人工智能·机器学习
门框研究员2 小时前
AI基础设施的临界点：算力、资本与政策的三重博弈
人工智能
罗西的思考3 小时前
【Agent】 ACE（Agentic Context Engineering）源码阅读笔记 ---（2）--- 训练
人工智能
CodeWizard～3 小时前
AtCoder Beginner Contest 430赛后补题
c++·算法·图论
AKAMAI3 小时前
AI推理硬件选型指南：CPU 与 GPU 的抉择
人工智能·云原生·云计算
wechat_Neal3 小时前
智能网联汽车 HD map架构解析
人工智能·程序人生·敏捷开发
大大dxy大大3 小时前
机器学习-KNN算法示例
人工智能·算法·机器学习
浮生了大白3 小时前
AI 赋能科研实践：从选题到发表的技术重构之路
人工智能·重构
热门推荐
01GitHub 镜像站点02综合整理：pdf预览显示：你尝试预览的文件可能对你的计算机有害。如果你信任此文件以及其来源，请打开此文件以看其内容，如何解决以正常预览文件03UV安装并设置国内源04npm使用国内淘宝镜像的方法05Linux下V2Ray安装配置指南06BongoCat - 跨平台键盘猫动画工具07《大数据技术原理与应用》实验报告三 熟悉HBase常用操作08安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）09NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南10GitLab 零基础入门指南：从安装到项目管理全流程