摘要：本数据集是一个专门针对车辆品牌与类型识别的目标检测数据集，包含 7,029 张真实场景图像和 14,058 个精确标注框。数据集采用 YOLO 格式标注，涵盖 22 个主流汽车品牌和 6 个车型类别，旨在支持智能交通、车辆管理、停车场监控等场景中的车辆识别与分析。
数据集简介
一个包含7,029张图像、14,058个标注框的车辆品牌与类型检测数据集，涵盖22个主流汽车品牌和6个车型类别，采用YOLO格式标注。
数据集概述
本数据集是一个专门针对车辆品牌与类型识别的目标检测数据集，包含 7,029 张真实场景图像和 14,058 个精确标注框。数据集采用 YOLO 格式标注，涵盖 22 个主流汽车品牌和 6 个车型类别，旨在支持智能交通、车辆管理、停车场监控等场景中的车辆识别与分析。
数据来源于道路、停车场、街道等多样化场景的现场采集，覆盖不同光照条件、拍摄角度和背景复杂度，确保模型在真实部署环境中的鲁棒性与泛化能力。每张图像平均包含 2.0 个标注框，采用品牌和车型双标签标注方式。
该数据集适用于基于 YOLO 系列模型的目标检测任务，可为智能交通系统、停车场管理、车辆识别、交通监控等领域的计算机视觉应用提供高质量训练数据支持。推荐使用 mAP@0.5 和 mAP@0.5:0.95 等标准指标进行模型评估。
数据集来源
本数据集来源于真实道路和停车场景的现场采集图像，覆盖多种车辆品牌和车型的多样化出现形态。场景包含城市道路、高速公路、停车场、街道等多种环境，具有不同光照条件、拍摄角度、背景复杂度与遮挡程度，以增强模型对实际部署环境的泛化能力。
类别定义
标注规范
标注采用 YOLO 格式：每个目标一行，字段为 class x_center y_center width height， 坐标均为相对归一化（0~1）。
图1 标注规范图
数据规模与划分
- 总图像数：7029；总标注框数：14058
图2 数据集在训练、验证和测试集上的分布
数据集按照约 70:20:10 的比例划分为训练集、验证集和测试集：
表1 数据集划分及用途说明
质量控制
标注采用双阶段质量控制流程：首先进行规范化标注与自检， 确保目标框贴合实例外接矩形且类别一致；随后进行抽样复核， 针对漏标、错标与框位置偏差进行纠正。对争议样本进行二次确认， 以提高跨标注者一致性与总体标注可靠性。
数据格式与使用
数据集采用标准 YOLO 格式组织，通过 data.yaml 配置文件即可快速集成到训练流程中。
目录结构
数据集采用标准 YOLO 格式组织，图像和标注文件分别存放在 images/ 和 labels/ 目录下，并按训练集、验证集、测试集划分。
使用方式
在训练脚本中指定 data.yaml 即可加载数据：
示例展示
数据集包含多种典型场景的标注样本：
性能评测
基于 YOLOv11 模型在本数据集上进行训练和评测，使用mAP@0.5与mAP@0.5:0.95等标准指标对模型检测效果进行评估。评测结果如下：
训练过程综合指标曲线图
图3 训练与验证指标随Epoch变化趋势图
精确率-召回率（PR）曲线图
图4 目标检测PR曲线（Precision-Recall）
F1分数-置信度阈值曲线图
图5 不同置信度阈值下的F1曲线
归一化混淆矩阵图（分类误判分析）
图6 归一化混淆矩阵（person / leaflet）
应用案例
图7 应用案例：基于深度学习的车辆品牌与类型智能识别系统设计与实现
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。 如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-2
数据大小：13G
原创声明：本项目为原创作品
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)