UAVDT 无人机车辆检测数据集 - 无人机航拍 | 车辆检测 | 目标检测 | YOLO格式 | 智能交通 | 城市管理 | 多类别数据集 | 计算机视觉

UAVDT 无人机车辆检测数据集 - 无人机航拍 | 车辆检测 | 目标检测 | YOLO格式 | 智能交通 | 城市管理 | 多类别数据集 | 计算机视觉 数据集9004期

---

数据三要素速览

类别

本数据集涵盖城市道路常见车辆类型，共 4 个类别：

• 轿车（car）
• 卡车（truck）
• 巴士（bus）
• 厢式货车（van）

数量

数据集包含 8600 张 无人机俯拍图像，涵盖不同高度、角度和交通密度场景，为模型提供丰富的训练样本。

应用价值

• 智能交通管理：实时统计路口车流构成，优化信号灯配时
• 城市物流规划：识别货车与厢式货车分布，辅助配送路径优化
• 公共安全监控：检测特定车型（如巴士）在重点区域的通行情况
• 自动驾驶高精地图：为地面车辆提供空中视角的辅助感知信息

---

核心信息一览

项目	说明
类别数	4 类（轿车 / 卡车 / 巴士 / 厢式货车）
图像数量	8600 张
标注格式	YOLO（txt 文件，归一化边界框）
场景特点	多高度、多角度、多光照条件下的城市交通航拍

---

为什么选择这个数据集？

1. 类别实用性强：四类车辆均为城市交通核心要素，覆盖绝大多数路面机动目标。
2. 航拍视角独特：相比地面数据集，俯视角度避免遮挡，更利于全局态势感知。
3. 规模适中：8600 张图像兼顾训练充分性与计算资源友好度。
4. 场景多样：包含密集车流与稀疏道路，提升模型在复杂环境下的鲁棒性。

---

快速上手代码示例

# 检查 YOLO 标签格式示例
import numpy as np

# 读取一个标签文件
label_path = "dataset/labels/train/000001.txt"
with open(label_path, 'r') as f:
    lines = f.readlines()

for line in lines:
    cls_id, x_c, y_c, w, h = map(float, line.strip().split())
    # 类别映射：0-car, 1-truck, 2-bus, 3-van
    print(f"类别: {int(cls_id)}, 中心: ({x_c:.2f}, {y_c:.2f}), 尺寸: ({w:.2f}, {h:.2f})")

💡 知识普及 ：航拍目标检测中，小目标（占图像面积 < 5%）是常见难点。建议训练时采用 多尺度训练 或 马赛克增强 提升小目标召回率。