5类实时交通自建目标检测数据集 该数据集包括car，light，moto，person，signs等5个类别 总计图片1498张，训练集998张图像，验证集和测试集分别是250张图片 数据集已经划分为训练集/验证集/测试集 数据集支持YOLO格式/VOC格式/COCO格式 数据集在yolov8s上mAP50是0.763，P是0.791 数据集未经任何图像预处理等操作，皆是原始图片 可直接使用，可直接使用，可直接使用

最近搞到一个挺有意思的交通场景目标检测数据集，实测发现直接丢进YOLOv8就能用，对刚入门的小白特别友好。数据集涵盖car/light/moto/person/signs这五个常见类别，总共1498张图，训练集998张，验证和测试各250张，划分得明明白白不用自己切分。

数据集快速上手

支持YOLO/VOC/COCO三种格式（业界良心），这里用YOLO格式做个演示。先看目录结构：

dataset/
├── train/
│   ├── images/
│   └── labels/
├── val/
│   ├── images/
│   └── labels/
└── test/
    ├── images/
    └── labels/

加载数据集只需要两行代码：

from ultralytics import YOLO

model = YOLO('yolov8s.yaml')  # 加载官方预配置
model.train(data='dataset.yaml', epochs=100, imgsz=640)

这里的dataset.yaml长这样：

path: ./dataset
train: train/images
val: val/images
test: test/images

names:
  0: car
  1: light
  2: moto
  3: person
  4: signs

实测性能分析

原始数据不搞任何预处理，直接训练后的指标：

mAP50: 0.763 | Precision: 0.791

这个成绩在实时场景下已经够用。有意思的是交通灯（light）和标志牌（signs）的识别准确率最高，可能因为它们的形态特征比较固定。摩托（moto）的检测偶尔会和自行车混淆，可以针对性加一些难例样本。

效果可视化代码

训练完用这段代码看检测效果：

import cv2
from ultralytics import YOLO

model = YOLO('best.pt')
results = model.predict('test.jpg', save=True)

# 自定义画框颜色（默认红蓝绿太土了）
for result in results:
    boxes = result.boxes
    for box in boxes:
        x1, y1, x2, y2 = box.xyxy[0]
        cls = int(box.cls)
        label = model.names[cls]
        color = (0, 255, 0) if label == 'person' else (255, 0, 0)  # 行人用绿色框
        cv2.rectangle(img, (x1, y1), (x2, y2), color, 2)

!

5类实时交通自建目标检测数据集 该数据集包括car，light，moto，person，signs等5个类别 总计图片1498张，训练集998张图像，验证集和测试集分别是250张图片 数据集已经划分为训练集/验证集/测试集 数据集支持YOLO格式/VOC格式/COCO格式 数据集在yolov8s上mAP50是0.763，P是0.791 数据集未经任何图像预处理等操作，皆是原始图片 可直接使用，可直接使用，可直接使用

（假装这里有效果图）

避坑指南

1. 原始图像分辨率不统一，建议训练时开启rect=True（矩形训练模式）
2. 摩托车标注可能存在部分遮挡情况，建议开启马赛克增强
3. 验证集指标波动较大时，尝试冻结backbone训练5个epoch再解冻

这个数据集最大的优势就是开箱即用，适合快速验证算法原型。想要冲击更高精度的话，建议自己加些雨天/雾天的数据增强。完整数据集已打包放在某云盘（链接打码防爬），解压后直接开撸就完事了。