红外目标检测数据集核心信息解析类别与指标lasses(4)类别4 bicycle 自行车 car 汽车 dog 狗 person 人 Metrics 指标 mAP5050%交并比下的平均精度均值99.4%Precision 精确率98.7%Recall 召回率98.5%数据集核心信息速览表信息类别具体内容数据集类别红外图像目标检测类数据集聚焦四大核心检测对象自行车bicycle、汽车car、狗dog、行人person数量包含 1038 张红外图像配套 1 个专用数据集及 1 个训练完成的目标检测模型数据集格式种类以图像文件格式为主支持拖放及设备浏览上传配套提供 BibTeX 引用格式文件最重要的应用价值为红外场景下的目标检测研究提供基础数据支撑可用于论文实验、模型训练与验证助力提升夜间 / 低光环境下目标识别精度数据集类别聚焦红外场景核心检测对象该数据集专门针对红外图像场景设计核心类别围绕四类常见目标展开。无论是交通场景中的自行车与汽车还是日常环境里的狗与行人都精准覆盖了红外技术常需识别的关键对象为特定场景下的检测任务提供针对性数据。数据集数量兼顾规模与实用性的配置图像数量达 1038 张既能满足基础模型训练对数据量的需求又避免了大规模数据带来的处理负担。同时配套 1 个数据集和 1 个模型形成 “数据 模型” 的基础组合省去了从零构建数据集和训练初始模型的步骤实用性较强。红外目标检测数据集 训练代码YOLOv5/8/11 通用一、数据集配置文件infrared.yamlpath:./infrared_datasettrain:images/trainval:images/valtest:images/testnc:4names:0:bicycle1:car2:dog3:person二、环境依赖安装pipinstallultralytics opencv-python numpy三、Python 训练代码YOLOv8 / YOLOv11fromultralyticsimportYOLOdeftrain_infrared_detection():# 加载预训练权重可切换 yolov8n.pt / yolov11n.ptmodelYOLO(yolov8n.pt)# 训练参数配置train_resultsmodel.train(datainfrared.yaml,# 数据集配置文件epochs100,# 训练轮数batch8,# 批次大小显存不足改为 4imgsz640,# 输入图像尺寸device0,# GPU训练无GPU填写 devicecpupatience15,# 早停防止过拟合pretrainedTrue,# 启用预训练权重saveTrue# 自动保存权重)print(训练完成最优模型路径runs/detect/train/weights/best.pt)if__name____main__:train_infrared_detection()四、命令行训练方式# YOLOv8 训练yolo detect trainmodelyolov8n.ptdatainfrared.yamlepochs100batch8imgsz640device0# YOLOv11 训练yolo detect trainmodelyolov11n.ptdatainfrared.yamlepochs100batch8imgsz640device0五、推理测试代码图片/视频/摄像头fromultralyticsimportYOLOimportcv2# 加载训练好的模型modelYOLO(runs/detect/train/weights/best.pt)# 单张红外图片检测defdetect_image(img_path):imgcv2.imread(img_path)resultsmodel(img,conf0.25)out_imgresults[0].plot()cv2.imwrite(infrared_result.jpg,out_img)cv2.imshow(Infrared Detection,out_img)cv2.waitKey(0)cv2.destroyAllWindows()# 视频/摄像头实时检测defdetect_video(video_source0):capcv2.VideoCapture(video_source)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame,conf0.25)frameresults[0].plot()cv2.imshow(Real-time Infrared Detection,frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()# 调用示例# detect_image(test_infrared.jpg)# detect_video(test_video.mp4)六、补充说明数据集共1038 张红外图像建议按8:1:1划分为训练集、验证集、测试集标签为标准 YOLO TXT 格式全系列 YOLO 模型可直接使用该数据集原始模型指标优秀mAP5099.4%微调后可快速落地夜间、低光红外检测场景。
