j交通违法行为检测数据集 训练无人机智能交通监控、城市安防、自动驾驶辅助等场景。深度学习YOLOV11模型如何训练交通违规检测数据集 识别检测电动车头盔佩戴 行人闯红灯 横穿马路车辆闯红灯检测数据集

无人机智能交通监控、城市安防、自动驾驶辅助等场景。深度学习YOLOV11模型如何训练交通违规检测数据集 识别检测电动车头盔佩戴 行人闯红灯 横穿马路车辆闯红灯检测数据集

文章目录

• 📊 数据集总体统计
• 🏷️ 类别定义与说明
• 🔢 数据集划分情况
• ✅ YOLO 训练配置文件示例（`data.yaml`）
• 💡 使用建议
• 🚦 交通违规检测数据集 + YOLOv11 训练方案
  • 📊 数据集概览
    • 🔍 类别含义详解
  • 🗂️ 推荐目录结构
  • 🛠️ YOLO 配置文件：`traffic.yaml`
  • 🚀 YOLOv11 完整训练代码：`train.py`
  • 🧪 推理示例代码：`inference.py`
  • 🎯 应用场景建议
  • ⚠️ 注意事项与优化建议

交通违规检测数据集

Yolo算法进行车辆、行人的交通违规检测任务，txt格式

7类，分别为：[‘Crossing_Violation’, ‘Crosswalk_Violation’, ‘Helmet_Violation’, ‘Normal’, ‘Passenger_Violation’, ‘Pedestrian_Violation’, ‘Trafficlight_Violation’]

训练集：4742张
验证集：390张

📊 数据集总体统计

—

🏷️ 类别定义与说明

—

🔢 数据集划分情况

⚠️ 注意：测试集未提供，建议从训练集中划分出独立测试集（如 5%）用于最终评估。

✅ YOLO 训练配置文件示例（data.yaml）

# data.yamltrain: ./dataset/images/train val: ./dataset/images/val # 类别数量nc:7# 类别名称（按索引顺序）names:['Crossing_Violation','Crosswalk_Violation','Helmet_Violation','Normal','Passenger_Violation','Pedestrian_Violation','Trafficlight_Violation']

💡 使用建议

• 应用场景：智能交通监控、城市安防、自动驾驶辅助系统。

🚦 交通违规检测数据集 + YOLOv11 训练方案

✅ 支持：车辆 & 行人 违规行为识别
✅ 标签格式：txt（YOLO 格式）
✅ 类别数：7
✅ 可直接用于 YOLO 系列模型训练
✅ 提供完整 Python 训练脚本

📊 数据集概览

🔍 类别含义详解

⚠️ 注意：该数据集可能是以“图像级分类+目标定位”形式标注，也可能为“逐目标检测框+类别”，请确认是否每个对象都有独立边界框。以下按标准目标检测任务设计。

🗂️ 推荐目录结构

traffic_violation_dataset/ ├── images/ │ ├── train/ # 4742 张 │ └── val/ # 390 张 ├── labels/ │ ├── train/ # 对应的 .txt 标签文件 │ └── val/ ├── traffic.yaml # YOLO 配置文件 └── train.py # 训练主程序

🛠️ YOLO 配置文件：traffic.yaml

# traffic.yamltrain: ./traffic_violation_dataset/images/train val: ./traffic_violation_dataset/images/val nc:7names:['Crossing_Violation','Crosswalk_Violation','Helmet_Violation','Normal','Passenger_Violation','Pedestrian_Violation','Trafficlight_Violation']

✅ 将此文件保存在项目根目录下。

🚀 YOLOv11 完整训练代码：train.py

# train.pyfrom ultralytics import YOLO import os import time # ======================= 参数配置 ======================= MODEL_NAME ="yolov11s.pt"# 推荐使用 yolov11n/s/m；小显存选 n，精度高选 m/l CONFIG_FILE ="traffic.yaml"# 数据集配置路径 EPOCHS =100 BATCH_SIZE =16# 若显存不足可设为 8 或 4 IMG_SIZE =640# 输入尺寸（可调整为 1280 提升小目标检测能力） PROJECT_NAME ="traffic_violation_detection" EXPERIMENT_NAME ="exp_traffic_yolo11" DEVICE =0if os.environ.get("CUDA_AVAILABLE")else"cpu"# 自动选择 GPU/CPU# 检查配置文件是否存在ifnot os.path.exists(CONFIG_FILE):raise FileNotFoundError(f"[ERROR] 找不到配置文件: {CONFIG_FILE}")# ======================= 加载模型 =======================print("🚀 加载 YOLOv11 模型...") model = YOLO(MODEL_NAME)# 自动下载预训练权重# ======================= 开始训练 =======================print("🔥 开始训练交通违规检测模型...") start_time = time.time() results = model.train( data=CONFIG_FILE, epochs=EPOCHS, batch=BATCH_SIZE, imgsz=IMG_SIZE, device=DEVICE, project=PROJECT_NAME, name=EXPERIMENT_NAME, exist_ok=True, patience=30,# 早停机制：验证损失连续30轮不降则停止 save=True, save_period=10,# 每10轮保存一次检查点 cache=False,# 设置为 True 可加快加载速度（需足够内存） workers=4,# 优化器设置 optimizer='AdamW', lr0=0.001,# 初始学习率 lrf=0.01,# 最终学习率 = lr0 * lrf momentum=0.937, weight_decay=0.0005,# 数据增强策略（适合交通场景） hsv_h=0.015,# 色调扰动 hsv_s=0.7, hsv_v=0.4, degrees=10.0,# 轻微旋转模拟摄像头角度变化 translate=0.2, scale=0.5, shear=2.0, flipud=0.0,# 上下翻转不合理（天空/地面不对称） fliplr=0.5,# 左右翻转增强 mosaic=1.0,# Mosaic 增强提升小目标和遮挡鲁棒性 mixup=0.1,# MixUp 缓解过拟合 copy_paste=0.1,# 对 Helmet_Violation 等稀疏类有帮助)# ======================= 输出训练耗时 ======================= training_time =(time.time()- start_time)/60print(f"✅ 训练完成！总耗时: {training_time:.2f} 分钟")print(f"📍 模型保存路径: {results.save_dir}")# ======================= 验证模型性能 =======================print("🔍 开始验证...") metrics = model.val()print(f"[email protected]: {metrics.box.map50:.4f}")print(f"[email protected]:0.95: {metrics.box.map:.4f}")print(f"Precision: {metrics.box.p:.4f}")print(f"Recall: {metrics.box.r:.4f}")# 显示各类别 AP @0.5print("\n📊 各类别 [email protected]:")for i, cls_name inenumerate(model.names):print(f" {cls_name}: {metrics.box.maps[i]:.4f}")# ======================= 导出 ONNX 模型（便于部署） =======================print("📦 导出 ONNX 模型...") onnx_path = model.export(format="onnx", dynamic=True, simplify=True)print(f"ONNX 模型已保存至: {onnx_path}")

🧪 推理示例代码：inference.py

# inference.pyfrom ultralytics import YOLO import cv2 # 加载训练好的模型 model = YOLO("traffic_violation_detection/exp_traffic_yolo11/weights/best.pt")# 单张图片推理 image_path ="test.jpg" results = model(image_path, conf=0.4, iou=0.5, imgsz=640)# 可视化结果for r in results: im_array = r.plot()# 绘制检测框和标签 im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR) cv2.imshow("Traffic Violation Detection", im) cv2.waitKey(0) cv2.imwrite("result_detected.jpg", im)# 打印检测详情for r in results: boxes = r.boxes for box in boxes: cls_id =int(box.cls[0]) conf =float(box.conf[0]) class_name = model.names[cls_id]print(f"检测到违规行为: {class_name} (置信度: {conf:.2f})")

🎯 应用场景建议

⚠️ 注意事项与优化建议