数据集简介本研究构建了一个涵盖4类违章停车行为的目标检测数据集共2,120张图像、2,380个标注框按7:2:1划分为训练集、验证集和测试集采用YOLO标注格式。数据集概述本数据集面向高速公路违章停车场景旨在为基于深度学习的违章停车自动检测提供训练与评估数据。数据集共包含2,120张图像、2,380个标注框涵盖应急车道违停、行车道违停、匝道违停和隧道违停4类常见违章停车行为。数据集按约7:2:1的比例划分为训练集1,484张/1,657框、验证集424张/487框和测试集212张/236框标注格式采用YOLO格式。各类别分布中匝道违停810框和应急车道违停780框为主要类别隧道违停430框为中等类别行车道违停360框样本相对较少。所有图像均经过人工标注与审核确保标注质量。数据集的类别设置贴合实际高速公路交通管理需求能够较好地覆盖常见违章停车场景为模型的训练与泛化提供了可靠的数据基础。数据集来源本研究所使用的数据集为自主构建图像数据来源于真实高速公路监控场景的视频录像及网络公开视频经逐帧提取与筛选后获得2,120张有效图像。所有图像均由人工进行标注采用YOLO格式的边界框标注方式定义了应急车道违停、行车道违停、匝道违停及隧道违停共4类违章停车行为目标共计标注2,380个实例。标注过程中严格遵循统一的标注规范以确保标注质量的一致性与准确性。类别定义标注规范标注采用 YOLO 格式每个目标一行字段为 class x_center y_center width height 坐标均为相对归一化0~1。图1 标注规范图数据规模与划分总图像数2120总标注框数2380图2 数据集在训练、验证和测试集上的分布数据集按照约 70:20:10 的比例划分为训练集、验证集和测试集表1 数据集划分及用途说明质量控制标注采用双阶段质量控制流程首先进行规范化标注与自检 确保目标框贴合实例外接矩形且类别一致随后进行抽样复核 针对漏标、错标与框位置偏差进行纠正。对争议样本进行二次确认 以提高跨标注者一致性与总体标注可靠性。数据格式与使用数据集采用标准 YOLO 格式组织通过 data.yaml 配置文件即可快速集成到训练流程中。目录结构数据集采用标准 YOLO 格式组织图像和标注文件分别存放在 images/ 和 labels/ 目录下并按训练集、验证集、测试集划分。使用方式在训练脚本中指定 data.yaml 即可加载数据性能评测基于 YOLO11 模型在本数据集上进行训练和评测使用mAP0.5与mAP0.5:0.95等标准指标对模型检测效果进行评估。评测结果如下训练过程综合指标曲线图图3 训练与验证指标随Epoch变化趋势图精确率-召回率PR曲线图图4 目标检测PR曲线Precision-RecallF1分数-置信度阈值曲线图图5 不同置信度阈值下的F1曲线归一化混淆矩阵图分类误判分析图6 归一化混淆矩阵person / leaflet应用案例案例1基于深度学习的高速公路违章停车检测系统的设计与实现图7 应用案例基于深度学习的高速公路违章停车检测系统的设计与实现免责声明与引用数据仅用于科研与教学用途。若用于商业场景请自行核验数据许可。 如需引用请在论文或报告中注明数据集名称与版本号。作者信息作者Bob (张家梁)项目编号Datasets-8数据大小1.1G原创声明本项目为原创作品