摘要：本研究采用的车辆品牌与类型检测数据集由研究团队自主构建，具备完整的数据采集、标注与整理流程，并具有明确的自主知识产权。数据集面向智能交通与智慧出行等应用场景，涵盖多类车辆品牌与车型类型目标，包括 Audi、BMW、Porsche、Mercedes、Volkswagen、Toyota、Tesla 等主流品牌，以及 Sedan、Coupe、Pickup、SUV、MPV、Truck 等车辆类型。样本来源于不同视角、不同距离及不同光照条件下的真实与模拟道路监控环境，具有较强的场景多样性与复杂性。
作者：Bob(原创数据集)
数据集概览
1.数据类型
本研究采用目标检测类型的车辆品牌与类型数据集，通过边界框对道路场景中的车辆目标进行定位与分类，实现对 Audi、BMW、Porsche、Mercedes、Volkswagen、Toyota、Tesla 等车辆品牌以及 Sedan、Coupe、Pickup、SUV、MPV、Truck 等车型类型的识别。数据标注格式符合 YOLO 目标检测标准，适用于基于 YOLO 系列模型的实时车辆品牌与类型检测与识别任务。
2.标注格式
本研究采用YOLO系列目标检测算法通用的标注格式对数据集进行标注。如图所示，YOLO标注文件以文本形式存储，每行对应一个目标实例，主要包含目标类别编号、边界框中心点的相对坐标以及边界框的相对宽度和高度。所有坐标信息均采用相对于原始图像尺寸的归一化表示，取值范围为0至1，从而减少不同分辨率图像对模型训练的影响，并提高模型在多尺度目标检测任务中的适应性。
图1 YOLO 图像目标检测标注格式示意图
3.数据增强
为提高车辆品牌与类型识别系统在复杂交通与监控场景下的泛化能力与鲁棒性，本文在原始车辆品牌/车型数据集基础上引入多种图像数据增强策略，对训练样本进行扩展与扰动处理。通过对样本实施多样化的增强操作，可有效缓解因车辆类别样本量差异、拍摄视角与光照条件不均、以及遮挡与运动模糊等因素导致的模型过拟合问题，从而提升系统在真实道路、停车场与摄像头监控环境中的检测稳定性与品牌/车型识别准确性。
图2 数据集图像增强方法示例
在实现过程中，本文面向车辆品牌与车型识别的成像特点，采用几何变换与图像质量扰动相结合的数据增强策略，以提升模型在多视角、多光照与复杂背景下的鲁棒性。几何变换包括水平/垂直及组合翻转，用于模拟摄像机角度与车辆行驶方向变化；质量扰动包括高斯模糊、随机噪声、雾化（低对比度）、颜色偏移与亮度调节，用于模拟雨雾、光照波动、运动模糊等真实监控干扰。
数据增强显著提升了样本多样性，使模型学习到更稳健的车辆结构与细粒度标志特征。实验结果表明，增强后模型在各品牌与车型类别上的整体识别性能提升，增强了系统在真实道路监控环境中的适应能力。
3.数据集划分
为保证模型在训练与测试阶段的客观性、稳定性与评估可靠性，本文对构建的车辆品牌与车型识别数据集进行了科学划分，将其分为训练集、验证集和测试集三部分。数据集按照 70% / 20% / 10% 的比例进行划分，其中训练集包含 2186 张图像，主要用于 YOLO11 模型参数学习与车辆外观特征表示能力的建立；验证集包含 624 张图像，用于模型超参数调优、训练过程监控以及中间性能评估；测试集包含 313 张图像，用于在完全未参与训练的条件下，对模型最终的车辆品牌与车型识别性能进行客观验证。该数据划分策略能够有效避免数据泄漏问题，并有助于系统性分析模型在复杂道路与监控场景下的泛化能力与实际应用表现。
图3 数据集在训练、验证和测试集上的分布
数据集来源
本系统采用自建、具有自主知识产权的车辆品牌与车型识别数据集。该数据集主要围绕道路交通与停车场等真实应用场景下的车辆外观特征进行构建，面向智能交通、车辆管理与辅助决策等任务需求，重点服务于车辆品牌识别与车型类型识别两类核心功能。数据集共涵盖 13 个典型类别，其中品牌类 7 类：奥迪（Audi）、宝马（BMW）、保时捷（Porsche）、奔驰（Mercedes）、大众（Volkswagen）、丰田（Toyota）、特斯拉（Tesla）；车型类 6 类：轿车（Sedan）、跑车（Coupe）、皮卡（Pickup）、SUV、MPV、卡车（Truck）。每一类别都包含了大量高质量的图像和视频样本，覆盖了不同品牌和车型，确保了数据的代表性和多样性，能较真实地反映现实应用环境中的行为变化特征。
图4 数据集图片
数据集类别
表1 数据类别
数据集用途
本数据集用于车辆品牌与类型检测与识别模型的训练与验证，包含 Audi、BMW、Porsche、Mercedes、Volkswagen、Toyota、Tesla 等主流车辆品牌，以及 Sedan、Coupe、Pickup、SUV、MPV、Truck 等多类典型车辆类型样本，采用 YOLO 目标检测格式进行标注。可应用于以下研究与开发方向：
（1）模型训练：支持基于 YOLOv11 等目标检测模型开展车辆品牌与类型检测与识别任务；
（2）性能评估：用于评估模型在车辆检测场景中的检测精度、稳定性与鲁棒性；
（3）系统开发：为智能交通监控、车辆属性识别与车辆信息检索系统的设计与实现提供数据支持。
数据集性能
（1）模型训练过程分析
图5 YOLOv11模型训练与验证损失函数变化曲线
从训练结果曲线可以看出，YOLO11 模型在训练与验证阶段的各项损失函数均稳定下降，Precision、Recall 以及 mAP@50 和 mAP@50–95 指标持续提升并逐步收敛，表明模型训练过程稳定，最终在车辆品牌与车型识别任务上取得了良好的检测性能与泛化能力。
（2）检测性能曲线分析
图6 Precision–Recall 曲线（PR 曲线）
从 Precision–Recall 曲线可以看出，模型在各车辆品牌与车型类别上均保持较高的精确率与召回率，整体 mAP@0.5 达到 0.982，表明基于 YOLO11 的车辆品牌与类型识别模型在多类别检测任务中具有优良的综合性能与稳定性。
（3）分类与识别效果分析
图7 混淆矩阵
从混淆矩阵可以看出，模型在各车辆品牌与车型类别上的预测结果主要集中在对角线区域，仅在少数外观相近类别之间存在轻微混淆，整体分类准确性较高，表明基于 YOLO11 的车辆品牌与类型识别模型具有良好的判别能力与稳定性。
（4）最终性能结果汇总
图8 YOLOv11 模型训练完成后的性能评估结果
实验结果表明，经过 150 个训练轮次后，YOLO11 模型在车辆品牌与车型识别任务上取得了优异性能，整体 mAP@0.5 达到 0.982、mAP@0.5–0.95 达到 0.882，各类别精确率与召回率均保持较高水平，验证了模型在复杂场景下的检测准确性与稳定性。
数据集须知
（1）数据来源：团队自采自标，仅用于科研与教学。
（2）数据结构：含训练/验证/测试集，覆盖多类车辆品牌与车型类型。
（3）文件格式：图像为 .jpg，标注为符合 YOLO 标准的 .txt。
（4）使用要求：禁止未经授权传播、共享及商业化使用。
（5）适用范围：适用于车辆品牌与类型检测及智能交通相关研究与开发。
