📊 红外热成像目标检测数据集介绍

本数据集是一个专门用于红外热成像目标检测的高质量标注数据集，包含人、无人机、车辆、动物四类目标。数据集经过精心标注和预处理，适用于多种目标检测框架。

数据集核心信息

• 数据规模：17,800 张红外热成像图像
• 识别准确率：91.9%（基于YOLOv8基准测试）
• 支持格式：YOLO格式、COCO JSON、Pascal VOC XML
• 模型训练代码：文末提供完整的YOLO模型训练脚本

📈 模型训练指标参数

📊 模型训练过程可视化

📂 数据集拆分与预处理

数据集划分

• 总图数：17,800 张
• 训练集：17,350 张（约 97.5%）
• 验证集：244 张（约 1.4%）
• 测试集：206 张（约 1.1%）

预处理流程

1. 自动方向校正：已执行，确保图像方向正确
2. 尺寸调整：统一调整为 640×640 分辨率（自动填充黑边保持宽高比）
3. 自动对比度调整：采用自适应直方图均衡化算法增强图像质量

数据增强策略

每个训练样本生成 10 个增强版本，增强方法包括：

几何变换

• 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°）

颜色与纹理增强

• 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()