​
带标注的红外热成像人，无人机，车辆，动物识别数据集，识别率91.9%，17800张图，支持yolo，coco json，voc xml格式,文末有模型训练代码

模型训练指标参数：

模型训练图：

数据集拆分

总图数：17800 张图数
训练集

17350 张图

验证集

244 张图

测试集

206 张图

预处理

自动方向校正：已执行
尺寸调整：适配至 640×640 分辨率（自动填充黑边）
自动对比度调整：采用自适应均衡化算法

增强

单个训练样本生成输出数量：10 个
翻转：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°
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 ultralytics
from ultralytics import YOLO
import cv2
 
# 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
for result in results:
    # 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()