带标注的扑克牌识别数据集，识别率99.5%，3083张图，支持yolo，coco json，voc xml,文末有模型训练代码

高质量扑克牌识别数据集：99.5%识别率，3083张精准标注图像

本数据集专为扑克牌识别任务设计，包含3083张高质量扑克牌图像，在YOLO系列模型上实现了高达99.5%的识别准确率。数据集支持多种主流标注格式，包括YOLO格式、COCO JSON和PASCAL VOC XML，满足不同深度学习框架的需求。文末提供了完整的模型训练和验证代码，方便研究人员和开发者快速上手。

数据集核心价值与应用场景

计算机视觉教学与研究：为图像分类、目标检测算法提供标准化的评估基准
游戏开发与娱乐应用：可用于开发扑克牌识别游戏、自动计分系统等娱乐应用
智能监控与安防：适用于赌场监控、游戏厅管理等场景的自动识别系统
算法性能对比：为不同目标检测算法提供公平的性能对比平台
数据增强研究：包含模糊样本，适合研究数据增强策略对模型性能的影响

模型训练指标参数：

模型训练图：

数据集拆分与预处理

数据集划分

本数据集共包含3083张扑克牌图像，按照机器学习标准划分为训练集、验证集和测试集：

训练集：2697张图像（约87.5%）
验证集：257张图像（约8.3%）
测试集：129张图像（约4.2%）

数据预处理流程

为确保数据质量和模型训练效果，我们对所有图像进行了标准化预处理：

自动定向校正：应用自动方向校正，确保所有图像方向一致
尺寸标准化：将所有图像统一调整为640×640像素，保持长宽比
格式统一：转换为RGB格式，确保色彩空间一致性

数据增强策略

本数据集采用以下数据增强策略提升模型泛化能力：

自然模糊样本：包含真实场景中的模糊图像
多角度拍摄：涵盖不同拍摄角度和光照条件
背景多样性：包含纯色和复杂背景样本

这些增强策略有助于模型学习更本质的特征，而非过度依赖特定场景下的视觉线索。

数据集标签体系

标签命名规范

本数据集采用标准的扑克牌命名规范，包含52个类别，对应一副标准扑克牌的所有牌面。

花色表示

英文花色	词源	中文标准叫法
Trefoils	法语 trèfle	梅花
Spades	英语	黑桃
Diamonds	英语	方块
Hearts	英语	红桃

点数表示

A：Ace（尖）
2-10：数字牌
J：Jack（勾）
Q：Queen（圈）
K：King（凯）

完整标签列表

序号	英文牌名	中文名称	序号	英文牌名	中文名称
1	7 Trefoils	梅花7	27	Q Spades	黑桃Q
2	4 Trefoils	梅花4	28	A Hearts	红桃A
3	2 Spades	黑桃2	29	7 Diamonds	方块7
4	4 Spades	黑桃4	30	9 Hearts	红桃9
5	5 Spades	黑桃5	31	Q Trefoils	梅花Q
6	3 Spades	黑桃3	32	7 Hearts	红桃7
7	A Diamonds	方块A	33	6 Trefoils	梅花6
8	J Diamonds	方块J	34	8 Hearts	红桃8
9	Q Hearts	红桃Q	35	6 Hearts	红桃6
10	10 Hearts	红桃10	36	A Trefoils	梅花A
11	A Spades	黑桃A	37	4 Diamonds	方块4
12	9 Diamonds	方块9	38	J Hearts	红桃J
13	3 Hearts	红桃3	39	K Hearts	红桃K
14	5 Hearts	红桃5	40	9 Trefoils	梅花9
15	3 Diamonds	方块3	41	2 Hearts	红桃2
16	10 Trefoils	梅花10	42	4 Hearts	红桃4
17	3 Trefoils	梅花3	43	J Trefoils	梅花J
18	8 Diamonds	方块8	44	6 Diamonds	方块6
19	10 Diamonds	方块10	45	Q Diamonds	方块Q
20	9 Spades	黑桃9	46	5 Diamonds	方块5
21	2 Diamonds	方块2	47	K Trefoils	梅花K
22	7 Spades	黑桃7	48	8 Spades	黑桃8
23	2 Trefoils	梅花2	49	6 Spades	黑桃6
24	8 Trefoils	梅花8	50	J Spades	黑桃J
25	K Spades	黑桃K	51	5 Trefoils	梅花5
26	10 Spades	黑桃10	52	K Diamonds	方块K

标注质量保证

双重标注机制：每张图像由两名专业标注员独立标注
一致性校验：定期进行标注一致性评估，确保标注准确率>99%
错误修正流程：建立标注错误反馈和修正机制，持续优化数据质量

数据集图片和标注信息示例

数据样本特点

数据集包含多样化的扑克牌图像，具有以下特点：

拍摄角度多样：包含正面、侧面、倾斜等多种拍摄角度
光照条件丰富：涵盖自然光、室内光、弱光等多种光照环境
背景复杂度：包含纯色背景、复杂背景等多种场景
图像质量：包含清晰和模糊样本，模拟真实应用场景

标注信息展示

每张图像都提供完整的标注信息，包括：

边界框坐标：精确标注每张扑克牌的位置
类别标签：对应52种扑克牌类别
置信度评分：标注质量的量化评估
图像质量评估：对图像清晰度、对比度等进行评分

模糊样本说明

数据集中包含部分模糊图片，这是精心设计的数据增强策略，具有以下优势：

提升模型鲁棒性：现实场景中可能存在运动模糊、对焦不准或光线不足的情况。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
防止模型过拟合：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的"干净"特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。

总结：数据集中包含的模糊图片，与"水平翻转"、"剪切形变"、"随机遮挡"等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。

示例图像展示

图1：清晰扑克牌样本展示

图2：模糊扑克牌样本展示

图3：模拟模糊场景，加入马赛克效果

图4：多角度拍摄的扑克牌样本

图5：复杂背景下的扑克牌识别

图6：模型在测试集上的推理结果

数据集下载与格式支持

支持的标注格式

本数据集提供三种主流标注格式，满足不同深度学习框架需求：

YOLO格式：支持YOLOv5/v6/v7/v8/v9/v11/v12/v26等全系列版本
COCO JSON：符合COCO数据集标准，便于与现有评估工具集成
PASCAL VOC XML：兼容传统目标检测框架

数据集获取方式

数据集可通过以下渠道获取：

学术研究用途：

联系作者获取学术授权
提供研究计划和机构信息

商业应用：

需获得商业使用许可
支持定制化数据服务

教育机构：

提供教育版数据集供教学使用
配套教学材料和实验指导

使用建议与注意事项

环境要求：建议在GPU环境下使用，以获得最佳训练效果
数据预处理：数据已按标准流程进行预处理，可直接用于模型训练
版本管理：数据集会定期更新，建议关注最新版本
版权说明：数据集仅供学习和研究使用，商业用途需获得授权

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

# ===================== 1. 加载YOLO模型 =====================
# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/x
model = YOLO("best.pt")
# ===================== 2. 推理配置 =====================
image_path = "326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg"  # 你的图片路径
save_result = True       # 是否保存标注后的图
# ===================== 3. 执行推理 =====================
results = model.predict(
    source=image_path,
    conf=0.01,          # 置信度阈值（低于该值忽略）
    save=False,         # 关闭默认保存，自定义保存
    verbose=False       # 关闭冗余日志
)

# ===================== 4. 解析结果：目标区域 + 标注信息 =====================
print("="*50)
print("YOLO 推理结果（目标区域 + 标注信息）")
print("="*50)

# 获取图片（用于绘制框）
img = cv2.imread(image_path)

# 遍历所有检测目标
for idx, result in enumerate(results):
    boxes = result.boxes  # 所有检测框
    
    for box in boxes:
        # ========== 提取目标区域（坐标） ==========
        # xyxy: 左上角x, 左上角y, 右下角x, 右下角y
        x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
        # 宽高
        w = x2 - x1
        h = y2 - y1
        
        # ========== 提取标注信息 ==========
        cls_id = int(box.cls[0])          # 类别ID
        cls_name = model.names[cls_id]    # 类别名称
        conf = float(box.conf[0])         # 置信度
        
        # ========== 打印信息 ==========
        print(f"目标 {idx+1}:")
        print(f"  标注类别：{cls_name}")
        print(f"  置信度：{conf:.2f}")
        print(f"  目标区域坐标：")
        print(f"    左上角 ({x1:.1f}, {y1:.1f})")
        print(f"    右下角 ({x2:.1f}, {y2:.1f})")
        print(f"    宽×高：{w:.1f} × {h:.1f}")
        print("-"*30)
        
        # ========== 在图片上绘制检测框 ==========
        cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
        cv2.putText(img, f"{cls_name} {conf:.2f}", 
                    (int(x1), int(y1)-10), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# ===================== 5. 保存/显示结果 =====================
if save_result:
    cv2.imwrite("yolo_result.jpg", img)
    print("✅ 标注图片已保存为：yolo_result.jpg")

# 显示图片（可选）
cv2.imshow("YOLO Result", img)
#cv2.waitKey(0)
#cv2.destroyAllWindows()