​
带标注的夜视拍摄的汽车，自行车，人分类识别数据集，识别率69.2%，10228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：10228 张图数
训练集

8862 张图

验证集

1365 张图

测试集

1 张图

预处理

自动定向：应用

调整大小：拉伸到416*416

增强

无

数据集标签：

[‘bicycle’, ‘car’, ‘person’]

标签解释

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92812885

yolo v12:https://download.csdn.net/download/pbymw8iwm/92812884

yolo v11:https://download.csdn.net/download/pbymw8iwm/92812882

yolo v9:https://download.csdn.net/download/pbymw8iwm/92812880

yolo v8:https://download.csdn.net/download/pbymw8iwm/92812879

yolo v7:https://download.csdn.net/download/pbymw8iwm/92812881

coco json:https://download.csdn.net/download/pbymw8iwm/92812883

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92812878

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()