YOLOv11城市道路自行车目标检测数据集-552张-bicycle-1_5

YOLOv11城市道路自行车目标检测数据集

📊 数据集基本信息

目标类别： $'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'motorbike', 'person', 'pottedplant', 'sofa', 'train', 'tvmonitor'$
中文类别： $'自行车', '鸟', '其他', '其他', '其他', '汽车', '其他', '其他', '其他', '其他', '其他', '其他', '人', '盆栽植物', '其他', '其他', '其他'$
训练集：387 张
验证集：110 张
测试集：55 张
总计：552 张

📄 data.yaml 配置信息

该数据集提供了data.yaml文件，内容如下：

yaml 复制代码

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 17
names: ['bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'motorbike', 'person', 'pottedplant', 'sofa', 'train', 'tvmonitor']

🖼️ 标注可视化

📝 数据集分析

该数据集聚焦于城市道路环境中自行车的精准识别，涵盖多种骑行场景与复杂背景条件，充分体现了在实际交通监控、智能出行系统中的应用价值。图像覆盖了不同光照、天气及建筑环境下的自行车形态，为构建高鲁棒性检测模型提供了坚实基础。

该数据集在训练、验证与测试集之间实现了合理分布，训练集包含387张图像，验证集110张，测试集55张，总量达552张，结构均衡，能够有效支持模型训练过程中的参数优化与性能评估，确保模型泛化能力的充分验证。

标注工作严格遵循规范，所有目标均以清晰边界框标注，关键对象如自行车、人、汽车和盆栽植物等均实现高精度定位，标注一致性良好，无明显遗漏或误标现象，体现出高质量的数据处理流程与专业水准。

该数据集可广泛应用于城市交通管理、共享单车调度、行人安全预警系统以及智慧社区安防等领域，尤其适用于需要实时识别骑行行为与道路动态的智能监控场景，具备良好的行业落地潜力与技术推广前景。

识别骑行行为与道路动态的智能监控场景，具备良好的行业落地潜力与技术推广前景。

数据集下载

复制代码

参考：小郭AI日志
https://mp.weixin.qq.com/s/7H8uEjxlIYnWA4uOdGyHpA?payreadticket=HHYehCnhWslEeKolx_w__Pz9JF1fIYcQux0KLxGFu2R7CxAeyBjULVDDtsYzxUNkfqXvyUc