摘要：本研究基于自建的6类违章停车数据集（2313张图像/6606个标注框），采用YOLOv11模型开发了一套支持图片、视频及实时摄像头检测的违章停车智能检测系统。
数据集简介
本研究构建了一个涵盖6类违章停车行为的目标检测数据集，共2313张图像、6606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
本数据集面向城市违章停车场景，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2313张图像、6606个标注框，涵盖人行道停车、禁停区停车、双排停车、斑马线停车、消防通道停车和公交站停车6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（1619张/4566框）、验证集（462张/1345框）和测试集（232张/695框），标注格式采用YOLO格式。各类别分布中，人行道停车（2385框）和禁停区停车（2349框）为主要类别，公交站停车（621框）和双排停车（567框）为中等类别，斑马线停车（342框）和消防通道停车（342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城市交通管理需求，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城市道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2313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，定义了人行道停车、禁停区停车、双排停车、斑马线停车、消防通道停车及公交站停车共6类违章停车行为目标，共计标注6606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：2313；总标注框数：6606
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mAP@0.5与mAP@0.5:0.95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-Recall）
F1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)
数据大小：1.9G
原创声明：本项目为原创作品
