带标注的升降杆识别数据集，识别率93.7%，3496张图，支持yolo，coco json，voc xml,文末有模型训练代码

可识别高速路收费站的升降杆是否抬起，或者是否存在升降杆等分类或者目标识别功能。

模型训练指标参数：

模型训练图：

数据集拆分

总图数：3496 张图数
训练集

3060 张图

验证集

291 张图

测试集

145 张图

预处理

自动定向：应用

调整大小：拉伸到640x640

增强

无

数据集标签：

'Toll-Barrier'

标签解释

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92863575

yolo v12:https://download.csdn.net/download/pbymw8iwm/92863586

yolo v11:https://download.csdn.net/download/pbymw8iwm/92863585

yolo v9:https://download.csdn.net/download/pbymw8iwm/92863580

yolo v8:https://download.csdn.net/download/pbymw8iwm/92863578

yolo v7:https://download.csdn.net/download/pbymw8iwm/92863579

coco json:https://download.csdn.net/download/pbymw8iwm/92863577

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92863576

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py

模型验证测试情况：

验证测试代码：

python 复制代码

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2
 
# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径
 
# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径
 
# 使用模型对图片进行预测
results = model(image_path)
 
# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()
 
    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)
 
    # 等待按键退出
    cv2.waitKey(0)
 
    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()

推理结果：

{

"predictions": [

{

"x": 264,

"y": 209,

"width": 128,

"height": 192,

"confidence": 0.554,

"class": "Toll-Barrier",

"class_id": 0,

"detection_id": "b1464741-8440-4d7f-b719-de2fa690d70f"

}

]

}