📦 已发布目标检测数据集合集（持续更新）

数据集名称	图像数量	应用方向	博客链接
🔌 电网巡检检测数据集	1600 张	电力设备目标检测	点击查看
🔥 火焰 / 烟雾 / 人检测数据集	10000张	安防监控，多目标检测	点击查看
🚗 高质量车牌识别数据集	10,000 张	交通监控 / 车牌识别	点击查看
🌿 农田杂草航拍检测数据集	1,200 张	农业智能巡检	点击查看
🐑 航拍绵羊检测数据集	1,700 张	畜牧监控 / 航拍检测	点击查看
🌡️ 热成像人体检测数据集	15,000 张	热成像下的行人检测	点击查看
🦺 安全背心检测数据集	3,897 张	工地安全 / PPE识别	点击查看
🚀 火箭检测数据集介绍	12,000 张	智慧医疗 / 养老护理	点击查看
⚡ 绝缘子故障检测数据集	2,100张	无人机巡检/智能运维	点击查看
🚦交通标志检测数据集	1866张	智能驾驶系统/地图数据更新	点击查看
🚧 道路交通标志检测数据集	2,000张	智能地图与导航/交通监控与执法	点击查看
😷 口罩检测数据集	1,600张	疫情防控管理/智能门禁系统	点击查看
🦌 野生动物检测数据集	5,138张	野生动物保护监测/智能狩猎相机系统	点击查看
🍎 水果识别数据集	2,611张	图片智能零售/智慧农业	点击查看
🚁 无人机目标检测数据集	14,751张	无人机检测/航拍图像	点击查看
🚬 吸烟行为检测数据集	2,108张	公共场所禁烟监控/健康行为研究	点击查看
🛣️ 道路坑洞检测数据集	8,300张	智能道路巡检系统/车载安全监测设备	点击查看
🛠️ 井盖识别数据集	2,700 张	道路巡检 智能城市	点击查看
🧯 消防器材检测数据集	9,600 张	智慧安防系统 自动审核系统	点击查看
📱 手机通话检测数据集	3,100张	智能监控系统 驾驶安全监控	点击查看
🚜 建筑工地车辆检测数据集	28,000 张	施工现场安全监控 智能工地管理系统	点击查看
🏊 游泳人员检测数据集	4,500 张	游泳池安全监控 海滩救生系统	点击查看
🌿 植物病害检测数据集	6,200 张	智能农业监测系统 家庭园艺助手	点击查看
🐦 鸟类计算机视觉数据集	6,200 张	鸟类保护监测 生态环境评估	点击查看
🚁 无人机计算机视觉数据集	7,000 张	空域安全监管 无人机反制系统	点击查看
🛡️ Aerial_Tank_Images 坦克目标检测数据集	2,200 张	军事目标识别与侦查 卫星遥感目标识别	点击查看
♻️ 塑料可回收物检测数据集	10,000 张	智能垃圾分类系统 环保回收自动化	点击查看
🏢 建筑物实例分割数据集	9,700 张	城市规划与发展 智慧城市管理	点击查看
😊 人脸情绪检测数据集	9,400 张	智能客服系统 在线教育平台	点击查看
🔍 红外人员车辆检测数据集	53,000 张	智能安防监控系统 边境安全防控	点击查看
🚗 停车空间检测数据集	3,100 张	实时车位导航系统 智能停车收费管理	点击查看
♻ 垃圾分类检测数据集	15,000 张	智能垃圾分类 回收站与环保设施自动化	点击查看
✂️ 石头剪刀布手势识别数据集	3,100 张	智能游戏系统 人机交互界面	点击查看

📌 每篇文章附带模型指标、训练思路与推理部署建议，欢迎点赞收藏支持~

🍌 腐烂香蕉检测数据集介绍

📌 数据集概览

本项目是专注于香蕉成熟度和腐烂程度检测的计算机视觉数据集，共包含约 4,267 张图像，主要用于训练深度学习模型在食品安全检测、农产品质量控制等场景下精准识别和分类不同新鲜程度的香蕉。

• 图像数量：4,267 张
• 类别数：5 类
• 适用任务：图像分类（Image Classification）、目标检测（Object Detection）
• 适配模型：YOLOv5、YOLOv8、ResNet、EfficientNet、MobileNet 等主流框架

包含类别

类别	英文名称	描述
青绿香蕉	Green	未成熟的青绿色香蕉
成熟香蕉	Ripe	黄色成熟可食用香蕉
过熟香蕉	Overripe	表面有斑点的过熟香蕉
腐烂香蕉	Rotten	明显腐烂变质的香蕉
严重腐烂	Severely_Rotten	严重腐烂发黑的香蕉

数据集覆盖香蕉从未成熟到严重腐烂的完整生命周期，能够显著提升模型在食品质量检测和农产品分拣中的准确性。

🎯 应用场景

该数据集非常适用于以下场景与研究方向：

• 食品质量检测
  自动识别和分拣不同成熟度的香蕉，提升食品安全和质量控制水平。

• 智能农产品分拣系统
  提升农产品加工厂的自动化分拣效率，减少人工成本和检测误差。

• 超市智能货架管理
  监测货架上香蕉的新鲜度，及时提醒更换过期产品，减少食物浪费。

• 农业采收指导
  支持农民判断香蕉的最佳采收时机，优化产量和品质。

• 食品供应链管理
  在运输和仓储环节监控香蕉品质变化，优化库存周转和配送策略。

• 消费者购买辅助
  开发移动应用帮助消费者识别香蕉新鲜程度，做出更好的购买决策。

🖼 数据样本展示

以下展示部分数据集内的样本图片（均带有质量标注）：

数据集包含多种真实场景下的香蕉图像：

• 单只香蕉特写：高分辨率的单个香蕉详细图像
• 香蕉束群组：一串香蕉中不同成熟程度的混合场景
• 多种拍摄角度：正面、侧面、斜角等不同视角
• 不同光照条件：自然光、人工光源、阴影环境等
• 复杂背景环境：超市货架、农田、厨房台面等真实场景

场景涵盖从农田到餐桌的完整食品链，数据多样性优秀，特别适合训练鲁棒性强的香蕉质量检测模型。

使用建议

1. 数据预处理优化

   • 针对不同光照条件进行色彩标准化和对比度调整
   • 考虑图像尺寸标准化（推荐224x224或416x416）
   • 应用适合食品检测的数据增强：旋转、翻转、亮度调整、高斯噪声

2. 模型训练策略

   • 利用ImageNet预训练权重进行迁移学习
   • 考虑多尺度训练以应对不同大小的香蕉检测
   • 针对相似类别（如成熟和过熟）可以采用细粒度分类技术

3. 实际部署考虑

   • 移动端优化：针对手机应用进行模型轻量化和加速
   • 实时处理能力：优化推理速度以支持流水线实时检测
   • 边缘设备部署：考虑工业相机和嵌入式设备的计算限制

4. 应用场景适配

   • 工业分拣线集成：与传送带系统和机械臂无缝配合
   • 移动应用开发：支持消费者端的香蕉新鲜度识别
   • 云端批处理：大规模农产品图像的批量质量评估

5. 性能监控与改进

   • 建立不同品种香蕉的性能基准测试
   • 收集边界样本（轻微腐烂、混合状态等）进行模型优化
   • 定期更新模型以适应不同地区的香蕉品种差异

🌟 数据集特色

• 专业标注质量：食品科学专家和农业技术人员参与标注
• 品种覆盖广泛：包含多个常见香蕉品种的数据
• 时间序列完整：记录香蕉从新鲜到腐烂的完整变化过程
• 技术兼容性强：支持TensorFlow、PyTorch等主流深度学习框架
• 标注格式多样：提供分类标签、边界框和像素级分割标注

📈 商业价值

该数据集在以下商业领域具有重要价值：

• 食品加工企业：提升产品质量控制和自动化分拣效率
• 零售连锁企业：减少食品浪费，优化库存管理
• 农业科技公司：开发智能农业解决方案和精准农业产品
• AI技术厂商：构建食品安全和质量检测的核心技术能力

🔗 技术标签

计算机视觉 图像分类 食品检测 质量控制 农产品分拣 深度学习 智能零售 食品安全 精准农业 边缘计算

---

注意: 本数据集适用于研究、教育和商业用途。使用时请确保符合食品安全相关法规要求，建议在实际应用中结合食品科学专业知识进行结果验证和系统集成。

YOLOv8 训练实战

本教程介绍如何使用 YOLOv8 对目标进行识别与检测。涵盖环境配置、数据准备、训练模型、模型推理和部署等全过程。

---

📦 1. 环境配置

建议使用 Python 3.8+，并确保支持 CUDA 的 GPU 环境。

# 创建并激活虚拟环境（可选）
python -m venv yolov8_env
source yolov8_env/bin/activate  # Windows 用户使用 yolov8_env\Scripts\activate

安装 YOLOv8 官方库 ultralytics

pip install ultralytics

📁 2. 数据准备

2.1 数据标注格式（YOLO）

每张图像对应一个 .txt 文件，每行代表一个目标，格式如下：

<class_id> <x_center> <y_center> <width> <height>

所有值为相对比例（0~1）。

类别编号从 0 开始。

2.2 文件结构示例

datasets/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

2.3 创建 data.yaml 配置文件

path: ./datasets
train: images/train
val: images/val

nc: 11
names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]

🚀 3. 模型训练

YOLOv8 提供多种模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根据设备性能选择。

yolo detect train \
  model=yolov8s.pt \
  data=./data.yaml \
  imgsz=640 \
  epochs=50 \
  batch=16 \
  project=weed_detection \
  name=yolov8s_crop_weed

参数	类型	默认值	说明
model	字符串	-	指定基础模型架构文件或预训练权重文件路径（.pt/.yaml）
data	字符串	-	数据集配置文件路径（YAML 格式），包含训练/验证路径和类别定义
imgsz	整数	640	输入图像的尺寸（像素），推荐正方形尺寸（如 640x640）
epochs	整数	100	训练总轮次，50 表示整个数据集会被迭代 50 次
batch	整数	16	每个批次的样本数量，值越大需要越多显存
project	字符串	-	项目根目录名称，所有输出文件（权重/日志等）将保存在此目录下
name	字符串	-	实验名称，用于在项目目录下创建子文件夹存放本次训练结果

关键参数补充说明：

1. model=yolov8s.pt

   • 使用预训练的 YOLOv8 small 版本（平衡速度与精度）
   • 可用选项：yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)

2. data=./data.yaml

   # 典型 data.yaml 结构示例
   path: ../datasets/weeds
   train: images/train
   val: images/val
   names:
     0: Bent_Insulator
     1: Broken_Insulator_Cap
     2: ...
     3: ...
   

📈 4. 模型验证与测试

4.1 验证模型性能

yolo detect val \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  data=./data.yaml

参数	类型	必需	说明
model	字符串	是	要验证的模型权重路径（通常为训练生成的 best.pt 或 last.pt）
data	字符串	是	与训练时相同的 YAML 配置文件路径，需包含验证集路径和类别定义

关键参数详解

1. model=runs/detect/yolov8s_crop_weed/weights/best.pt

   • 使用训练过程中在验证集表现最好的模型权重（best.pt）
   • 替代选项：last.pt（最终epoch的权重）
   • 路径结构说明：

     runs/detect/
     └── [训练任务名称]/
         └── weights/
             ├── best.pt   # 验证指标最优的模型
             └── last.pt   # 最后一个epoch的模型
     

2. data=./data.yaml

   • 必须与训练时使用的配置文件一致
   • 确保验证集路径正确：

     val: images/val  # 验证集图片路径
     names:
       0: crop
       1: weed
     

常用可选参数

参数	示例值	作用
batch	16	验证时的批次大小
imgsz	640	输入图像尺寸（需与训练一致）
conf	0.25	置信度阈值（0-1）
iou	0.7	NMS的IoU阈值
device	0/cpu	选择计算设备
save_json	True	保存结果为JSON文件

典型输出指标

Class     Images  Instances      P      R      mAP50  mAP50-95
all        100       752      0.891  0.867    0.904    0.672
crop       100       412      0.912  0.901    0.927    0.701
weed       100       340      0.870  0.833    0.881    0.643

4.2 推理测试图像

yolo detect predict \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  source=./datasets/images/val \
  save=True

🧠 5. 自定义推理脚本（Python）

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('runs/detect/yolov8s_crop_weed/weights/best.pt')

# 推理图像
results = model('test.jpg')

# 可视化并保存结果
results[0].show()
results[0].save(filename='result.jpg')

🛠 6. 部署建议

✅ 本地运行：通过 Python 脚本直接推理。

🌐 Web API：可用 Flask/FastAPI 搭建检测接口。

📦 边缘部署：YOLOv8 支持导出为 ONNX，便于在 Jetson、RKNN 等平台上部署。

导出示例：

yolo export model=best.pt format=onnx

📌 总结流程

阶段	内容
✅ 环境配置	安装 ultralytics, PyTorch 等依赖
✅ 数据准备	标注图片、组织数据集结构、配置 YAML
✅ 模型训练	使用命令行开始训练 YOLOv8 模型
✅ 验证评估	检查模型准确率、mAP 等性能指标
✅ 推理测试	运行模型检测实际图像目标
✅ 高级部署	导出模型，部署到 Web 或边缘设备