📊 红外热成像目标检测数据集介绍
本数据集是一个专门用于红外热成像目标检测的高质量标注数据集，包含人、无人机、车辆、动物四类目标。数据集经过精心标注和预处理，适用于多种目标检测框架。
数据集核心信息
- 数据规模：17,800 张红外热成像图像
- 识别准确率：91.9%（基于YOLOv8基准测试）
- 支持格式：YOLO格式、COCO JSON、Pascal VOC XML
- 模型训练代码：文末提供完整的YOLO模型训练脚本
📈 模型训练指标参数
📊 模型训练过程可视化
📂 数据集拆分与预处理
数据集划分
- 总图数：17,800 张
- 训练集：17,350 张（约 97.5%）
- 验证集：244 张（约 1.4%）
- 测试集：206 张（约 1.1%）
预处理流程
- 自动方向校正：已执行，确保图像方向正确
- 尺寸调整：统一调整为 640×640 分辨率（自动填充黑边保持宽高比）
- 自动对比度调整：采用自适应直方图均衡化算法增强图像质量
数据增强策略
每个训练样本生成 10 个增强版本，增强方法包括：
几何变换
- 水平翻转
- 90° 旋转（顺时针、逆时针、倒置）
- 随机旋转（角度范围：-15° 至 +15°）
- 剪切变换（水平 ±15°、垂直 ±15°）
颜色与纹理增强
- 灰度化：对 15% 的图像应用
- 色相调整：范围 -25° 至 +25°
- 饱和度调整：范围 -34% 至 +34%
- 亮度调整：范围 -25% 至 +25%
- 模糊处理：最大模糊半径 3.5 像素
- 噪声添加：最多对 1.96% 的像素添加噪点
数据集标签：
[‘Vehicle’, ‘Animal’, ‘Person’, ‘Drone’]
标签解释
Vehicle：车辆
Animal：动物
Person：人（行人）
Drone：无人机
数据集图片和标注信息示例：
数据集下载：
yolo26:
yolo v12:
yolo v11
yolo v9:
yolo v8:
yolo v7:
coco json:
pascal voc xml:
由于模型太大，请在主页和作者取得联系获取
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
模型下载：
模型验证测试情况：
验证测试代码：
#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 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forresultinresults:# 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()
