非机动车头盔佩戴检测数据集 电动车头盔佩戴检测数据集 智慧交通管理 自动识别未戴头盔、违规载人、无牌电动车等违法行为 城市安防监控 在重点路口部署 AI 摄像头，实时预警高风险行为 交管执法辅助

非机动车车牌数据集（可识别车牌区域）、

电动车、头盔、车牌、骑行人员数据集
已标注标签为电动车，头盔，未戴头盔，车牌及骑行人
可用于训练yolo模型
已划分训练集验证集
有多人和单人，类别齐全，角度多样化，清晰度高
数据集数量足够用于yolo训练 亲测有效
注：训练后可以识别电动车 头盔（戴头盔 未带头盔） 车牌区域（只能提取出车牌的区域 不能直接识别车牌号码） 骑行人员 乘坐人员

1

1

以下是非机动车场景多目标检测数据集：

📊 非机动车场景多目标检测数据集概览表

🗂️ 类别定义与说明表

✅共 6 个类别，覆盖非机动车交通监管核心要素
✅“头盔”与“未戴头盔”分开标注，便于安全合规判断
✅车牌仅作区域检测，输出 bounding box，不包含 OCR 功能

📁 推荐目录结构（标准 YOLO 格式）

non_motor_vehicle_dataset/ ├── images/ │ ├── train/ # 训练图像 │ └── val/ # 验证图像 ├── labels/ │ ├── train/ # 训练标签（.txt） │ └── val/ # 验证标签（.txt） └── data.yaml # YOLO 配置文件

📄 示例data.yaml配置文件

# non_motor_vehicle_dataset/data.yamltrain:./images/trainval:./images/valnc:6names:['electric_bike','helmet','no_helmet','license_plate','rider','passenger']

🌐 典型应用场景

以下是针对非机动车场景多目标检测数据集（含电动车、头盔、车牌区域、骑行人员等 6 类）的完整 YOLOv8 训练代码，特别优化了车牌区域定位精度，包含数据配置、训练脚本、增强策略、评估与推理示例，可直接运行。

✅ 一、环境准备

# 安装依赖（Python ≥ 3.8）pipinstallultralytics opencv-python numpy matplotlib tqdm# 可选：升级 PyTorch（GPU 用户）pipinstalltorch torchvision --index-url https://download.pytorch.org/whl/cu118

✅ 二、数据集目录结构（YOLO 格式）

确保你的数据组织如下：

non_motor_vehicle_dataset/ ├── images/ │ ├── train/ # 训练图像（JPG/PNG） │ └── val/ # 验证图像 ├── labels/ │ ├── train/ # 对应 .txt 标签 │ └── val/ └── data.yaml # 配置文件

✅ 三、data.yaml配置文件

# non_motor_vehicle_dataset/data.yamltrain:./images/trainval:./images/valnc:6names:['electric_bike','helmet','no_helmet','license_plate','rider','passenger']

⚠️ 路径使用相对路径，与训练脚本同级。

✅ 四、YOLOv8 完整训练脚本（重点优化车牌定位）

保存为train_non_motor_vehicle.py：

# train_non_motor_vehicle.pyfromultralyticsimportYOLOimporttorchimportos# 检查数据路径dataset_path="non_motor_vehicle_dataset"ifnotos.path.exists(dataset_path):raiseFileNotFoundError(f"数据集路径{dataset_path}不存在！")device='cuda'iftorch.cuda.is_available()else'cpu'print(f"🚀 使用设备:{device}")# 加载模型（推荐 yolov8s，平衡精度与速度；若追求车牌精度可用 yolov8m）model=YOLO('yolov8s.pt')# 开始训练 —— 特别优化小目标（车牌）检测results=model.train(data=os.path.join(dataset_path,'data.yaml'),epochs=150,# 建议 120~200 轮（小目标收敛慢）imgsz=1280,# ✅ 关键！提升小目标（车牌）分辨率batch=16,# 1280 输入下显存占用高，RTX 3060 建议 batch=16name='non_motor_yolov8s_1280',# 实验名称device=device,# 🔍 针对车牌（小目标）的数据增强策略hsv_h=0.015,hsv_s=0.7,hsv_v=0.5,degrees=10.0,# 小角度旋转（模拟视角变化）translate=0.2,# 更大平移（让车牌出现在不同位置）scale=0.8,# 缩放范围更大mosaic=1.0,# ✅ 强烈启用！将小车牌拼接到新背景mixup=0.1,# 辅助提升泛化flipud=0.0,# 不上下翻转fliplr=0.5,# 左右翻转（合理）# 训练策略patience=30,# 早停：30 轮无提升save_period=10,workers=8,cache=False# 若内存充足可设 True)print("✅ 训练完成！")print(f"最佳模型: runs/detect/non_motor_yolov8s_1280/weights/best.pt")

✅ 五、关键优化点说明（提升车牌定位精度）

💡实测建议：

• 若 GPU 显存不足，可先用imgsz=640训练，再用best.pt作为预训练权重，在imgsz=1280下微调（fine-tune）。

✅ 六、模型评估

# 在验证集上评估yolo detect val\model=runs/detect/non_motor_yolov8s_1280/weights/best.pt\data=non_motor_vehicle_dataset/data.yaml

关注license_plate类别的 AP@0.5，高质量数据集通常可达90%+。

✅ 七、推理示例（提取车牌区域）

# infer_license_plate.pyfromultralyticsimportYOLOimportcv2 model=YOLO('runs/detect/non_motor_yolov8s_1280/weights/best.pt')# 推理图像results=model.predict(source='test_ebike.jpg',conf=0.4,# 车牌可适当降低置信度（如 0.3~0.4）iou=0.45,# NMS IoU，避免重叠框save=True)# 提取车牌区域并保存forrinresults:boxes=r.boxes img=r.orig_img# 原始图像 (H, W, C)fori,boxinenumerate(boxes):cls=int(box.cls[0])ifmodel.names[cls]=='license_plate':xyxy=box.xyxy[0].cpu().numpy().astype(int)x1,y1,x2,y2=xyxy plate_crop=img[y1:y2,x1:x2]cv2.imwrite(f'plate_{i}.jpg',plate_crop)print(f"✅ 车牌区域已保存: plate_{i}.jpg")

✅ 八、后续 OCR 集成建议（完整车牌识别系统）

1. 车牌区域检测→ 本模型输出
2. 字符识别→ 接入 OCR 模型：
   • 开源方案：EasyOCR、PaddleOCR、MMOCR
   • 示例：

     importeasyocr reader=easyocr.Reader(['en'])# 中文可加 'ch_sim'result=reader.readtext('plate_0.jpg')print("识别结果:",result)

📌 注意：非机动车车牌格式与机动车不同（如“京·A12345”），需确保 OCR 模型支持相应字符集。

✅ 九、部署建议