深度学习目标检测算法如何训练车辆分类检测数据集 识别车辆的类别检测 识别道路中的卡车, 公共汽车, 运动型多用途车, 出租车, 小汽车

数据集描述：

项目	详情
数据集名称	车辆种类识别数据集
图像总数	4,194 张
训练集数量	3,355 张
验证集数量	419 张
测试集数量	420 张
划分比例	train : val : test = 8 : 1 : 1
类别数量	5 类
类别英文名	truck, bus, SUV, taxi, car
类别中文名	卡车, 公共汽车, 运动型多用途车, 出租车, 小汽车
标注格式	YOLO (.txt) 和 Pascal VOC (.xml) 双格式
数据增强	已进行数据增强（如旋转、缩放、色彩抖动等）
适用任务	车辆分类、目标检测、细粒度图像识别
适用模型	YOLOv5/v7/v8、Faster R-CNN、ResNet、EfficientNet 等
使用说明	可直接用于深度学习模型训练，无需额外预处理

1

1

gai数据集 支持目标检测任务（5类车辆识别），数据已划分并包含 YOLO 格式标签，可直接用于训练。

---

✅ 一、环境安装

# 安装 Ultralytics YOLOv8
pip install ultralytics

官方文档：https://docs.ultralytics.com

---

✅ 二、数据集目录结构

请确保您的数据集按如下结构组织：

vehicle_classification_dataset/
├── images/
│   ├── train/      # 3355 张
│   ├── val/        # 419 张
│   └── test/       # 420 张
├── labels/
│   ├── train/      # YOLO .txt 标签文件
│   ├── val/
│   └── test/
└── data.yaml       # 数据集配置文件

---

✅ 三、创建 data.yaml 文件

在 vehicle_classification_dataset/ 目录下创建 data.yaml：

# data.yaml

nc: 5
names: ['truck', 'bus', 'SUV', 'taxi', 'car']

train: ./vehicle_classification_dataset/images/train
val: ./vehicle_classification_dataset/images/val
test: ./vehicle_classification_dataset/images/test

---

✅ 四、完整训练代码（Python 脚本）

from ultralytics import YOLO

# 1. 加载预训练模型（推荐使用中等尺寸）
model = YOLO('yolov8m.pt')  # 可替换为 yolov8s.pt 或 yolov8l.pt

# 2. 开始训练
print("🚀 开始训练车辆种类识别模型...")

results = model.train(
    data='vehicle_classification_dataset/data.yaml',  # 数据集配置
    epochs=100,                                      # 训练轮数
    imgsz=640,                                       # 输入图像大小
    batch=16,                                        # 批次大小（根据GPU调整）
    device=0,                                        # 使用 GPU 0，CPU 使用 None
    workers=4,                                       # 数据加载线程数
    name='vehicle_cls_yolov8m',                      # 实验名称
    project='runs/train',                            # 结果保存路径
    exist_ok=False,                                  # 禁止覆盖同名实验
    optimizer='AdamW',                               # 优化器
    lr0=0.01,                                        # 初始学习率
    momentum=0.937,
    weight_decay=0.0005,
    patience=20,                                     # 早停耐心值
    amp=True,                                        # 混合精度训练
    close_mosaic=10,                                 # 最后10轮关闭 Mosaic
    
    # 数据增强（已增强，适度调整）
    hsv_h=0.015,
    hsv_s=0.7,
    hsv_v=0.4,
    degrees=10.0,
    translate=0.2,
    scale=0.5,
    flipud=0.0,
    fliplr=0.5,
    mosaic=1.0,
    mixup=0.1,
    copy_paste=0.3,
)

---

✅ 五、验证与测试

1. 验证模型性能

# 加载最佳模型
model = YOLO('runs/train/vehicle_cls_yolov8m/weights/best.pt')

# 在验证集上评估
metrics = model.val()
print(f"mAP@0.5: {metrics.box.map50:.3f}")
print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")
print(f"Precision: {metrics.box.precision:.3f}")
print(f"Recall: {metrics.box.recall:.3f}")

2. 在测试集上评估

# 使用 test 集评估最终性能
metrics_test = model.val(
    split='test',
    data='vehicle_classification_dataset/data.yaml',
    imgsz=640,
    batch=16,
)
print(f"🧪 测试集 mAP@0.5: {metrics_test.box.map50:.3f}")

---

✅ 六、推理示例

单图推理

results = model('test_car.jpg', conf=0.4)
results[0].show()
results[0].save(filename='result.jpg')

视频或摄像头检测

# 视频文件
model.predict(
    source='traffic.mp4',
    save=True,
    project='runs/detect',
    name='vehicle_video',
    conf=0.4,
    imgsz=640
)

# 摄像头实时检测
model.predict(source=0, show=True, conf=0.4)

---

✅ 七、模型导出（用于部署）

# 导出为 ONNX
model.export(format='onnx', dynamic=True, opset=13)

# 导出为 TensorRT（NVIDIA GPU）
model.export(format='engine', half=True)

# 导出为 TFLite（移动端）
model.export(format='tflite')

# 导出为 CoreML（iOS）
model.export(format='coreml')

---

✅ 八、训练结果输出

文件/目录	说明
runs/train/vehicle_cls_yolov8m/weights/best.pt	最佳模型权重
runs/train/vehicle_cls_yolov8m/weights/last.pt	最终模型权重
results.png	训练曲线（loss, mAP, precision, recall）
confusion_matrix.png	混淆矩阵（分析各类别误检情况）
labels/*.jpg	带标注的预测可视化图

---

车辆种类识别数据集，支持 5 类车辆（卡车、公共汽车、SUV、出租车、小汽车）的目标检测任务，适用于：

• 智能交通监控
• 城市道路车辆统计
• 自动驾驶感知系统
• 车辆行为分析
  。