【免费下载】YOLOv11室内安防场景行人目标检测数据集-406张-pedestrian-1_3_2
- 2026-09-22 11:07:08
【免费下载】YOLOv11室内安防场景行人目标检测数据集-406张-pedestrian-1_3_2
YOLOv11室内安防场景行人目标检测数据集
📊 数据集基本信息
- 目标类别
： [‘Pedestrian Female’, ‘Pedestrian Male’] - 中文类别
：[‘女性行人’, ‘男性行人’] - 训练集
：284 张 - 验证集
：82 张 - 测试集
：40 张 - 总计
：406 张
📄 data.yaml 配置信息
该数据集提供了data.yaml文件，内容如下：
train: ../train/imagesval: ../valid/imagestest: ../test/imagesnc: 2names: ['Pedestrian Female', 'Pedestrian Male']
🖼️ 标注可视化
📝 数据集分析
YOLOv11室内安防场景行人目标检测数据集
该数据集专注于室内安防场景下的行人目标检测，通过采集不同姿态、角度和着装的男性和女性行人的图像，为智能监控系统提供了高质量的训练素材。数据集涵盖了多种日常行为模式，能够有效提升模型在复杂环境下的识别准确率。
从数据分布来看，该数据集包含284张训练集图像、82张验证集图像和40张测试集图像，总计406张。训练集占比最大，确保了模型有足够的学习样本；验证集和测试集比例适中，能够客观评估模型的泛化能力和性能表现。整体分布合理，符合机器学习任务的标准要求。
该数据集的标注工作严谨细致，每个行人目标都被精确框选并分类标记为“男性行人”或“女性行人”。标注边界框与实际目标高度吻合，未发现明显偏差或遗漏，充分保证了数据的质量和可用性。
基于其高质量的数据和明确的标注，该数据集可广泛应用于室内安防监控、人流统计分析以及智能零售等领域，为实现精准的行人识别和行为分析提供可靠的技术支持。
YOLOv11训练步骤
一、环境安装
pip install ultralytics# 依赖要求：Python≥3.8，PyTorch≥1.8。安装完成后可通过 `yolo checks` 验证环境。
二、数据集准备（YOLO格式）
1. 目录结构
数据集必须严格按以下结构组织：
dataset/├── train/│ ├── images/ # 训练图片（jpg/png）│ └── labels/ # YOLO格式标注（txt）├── val/│ ├── images/│ └── labels/└── data.yaml # 数据集配置文件
2. YOLO标注格式
每个 *.txt 文件对应一张图片，每行格式为：
class_id center_x center_y width height所有数值均为相对于图片宽高的归一化值（0~1）。
3. data.yaml 配置文件
# data.yamlpath: ../dataset # 数据集根目录（相对或绝对路径）train: train/images # 训练集图片路径val: val/images # 验证集图片路径test: test/images # 测试集图片路径（可选）# 类别信息nc: 2 # 类别数量names: ['class1', 'class2'] # 类别名称列表
三、模型选择
YOLO11 提供 5 种尺度，官方命名规则为 yolo11{n/s/m/l/x}.pt：
yolo11n | ||
yolo11s | ||
yolo11m | ||
yolo11l | ||
yolo11x |
四、模型训练
方式1：Python API（推荐）
创建 train.py：
from ultralytics import YOLOdef main():# 加载预训练模型（推荐：基于COCO预训练权重微调）model = YOLO("yolo11m.pt")# 训练参数train_params = {'data': 'data.yaml', # 数据集配置文件'epochs': 100, # 训练轮次'imgsz': 640, # 输入图像尺寸'batch': 16, # 批次大小（根据显存调整）'device': '0', # GPU设备号，'cpu'表示CPU训练'workers': 8, # 数据加载线程数'optimizer': 'SGD', # 优化器：SGD/Adam/AdamW'lr0': 0.01, # 初始学习率'patience': 50, # 早停耐心值'save': True, # 保存模型'project': 'runs/train', # 项目保存路径'name': 'exp', # 实验名称'single_cls': False, # 单类别检测设为True'close_mosaic': 10, # 最后N轮关闭马赛克增强}# 开始训练results = model.train(**train_params)# 输出最佳模型路径print(f"Best model saved at: {results.best}")if __name__ == '__main__':main()
三种模型加载方式对比：
# 方式A：从YAML构建全新模型（从头训练，适合网络结构改进）model = YOLO("yolo11m.yaml")# 方式B：加载预训练权重（最常用，推荐）model = YOLO("yolo11m.pt")# 方式C：构建新模型并迁移预训练权重（改进网络后使用）model = YOLO("yolo11m.yaml").load("yolo11m.pt")
方式2：命令行 CLI
# 基础训练yolo detect train data=data.yaml model=yolo11m.pt epochs=100 imgsz=640 batch=16 device=0# 多GPU训练yolo detect train data=data.yaml model=yolo11m.pt epochs=100 device=0,1# 从YAML+预训练权重训练yolo detect train data=data.yaml model=yolo11m.yaml pretrained=yolo11m.pt epochs=100
五、关键训练参数说明
epochs | ||
imgsz | ||
batch | ||
device | 00,1（多GPU）、cpu、mps（Apple芯片） | |
workers | ||
optimizer | SGDAdam、AdamW | |
lr0lrf | ||
momentum | ||
weight_decay | ||
single_cls | TrueFalse | |
resume | True | |
amp | True |
六、模型验证
创建 val.py：
from ultralytics import YOLOdef main():# 加载训练好的最佳权重model = YOLO('runs/train/exp/weights/best.pt')# 验证metrics = model.val(data='data.yaml',split='val', # 验证集：'val' 或 'test'imgsz=640,batch=16,iou=0.6, # NMS IoU阈值device='0',save_json=False, # 是否保存COCO格式JSON)# 输出关键指标print(f"mAP50-95: {metrics.box.map}") # mAP@0.5:0.95print(f"mAP50: {metrics.box.map50}") # mAP@0.5print(f"mAP75: {metrics.box.map75}") # mAP@0.75if __name__ == '__main__':main()
CLI 方式：
yolo detect val model=runs/train/exp/weights/best.pt data=data.yaml七、模型推理/预测
创建 predict.py：
from ultralytics import YOLOimport cv2def main():model = YOLO('runs/train/exp/weights/best.pt')# 单张图片推理results = model.predict(source='test_images/', # 图片路径、文件夹、URL或摄像头索引（0）imgsz=640,conf=0.25, # 置信度阈值iou=0.45, # NMS IoU阈值device='0',save=True, # 保存结果图show=False, # 是否弹窗显示)# 遍历结果for result in results:boxes = result.boxes # 检测框masks = result.masks # 分割掩码（如使用分割模型）probs = result.probs # 分类概率# 获取坐标、置信度、类别for box in boxes:x1, y1, x2, y2 = box.xyxy[0].tolist()conf = box.conf[0].item()cls = int(box.cls[0].item())print(f"Class: {cls}, Conf: {conf:.2f}, Box: [{x1:.1f}, {y1:.1f}, {x2:.1f}, {y2:.1f}]")if __name__ == '__main__':main()
CLI 方式：
yolo detect predict model=runs/train/exp/weights/best.pt source=test_images/ save=True## 数据集下载> 小郭AI日志
数据集
YOLOv11室内安防场景行人目标检测数据集-406张-pedestrian-1_3_2.ziphttps://pan.baidu.com/s/1PKiGO-WifeVzDRLSDSb7gA提取码：ftee
`
CLI 方式：
yolo detect predict model=runs/train/exp/weights/best.pt source=test_images/ save=True## 数据集下载> 小郭AI日志
数据集
YOLOv11室内安防场景行人目标检测数据集-406张-pedestrian-1_3_2.ziphttps://pan.baidu.com/s/1PKiGO-WifeVzDRLSDSb7gA提取码：ftee
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
