无人机航拍视角建筑垃圾检测数据集
无人机多场景下建筑材料与垃圾等目标的无人机视角检测数据集
📊 多场景无人机视角目标检测数据集概览表
| 项目 | 内容 |
|---|---|
| 数据集名称 | 多场景建筑材料与垃圾无人机检测数据集 |
| 应用场景 | 城市管理、工地巡检、环境监测、智慧城市等 |
| 采集视角 | 无人机航拍（俯视/斜视） |
| 总图像数量 | 6,800+ 张（高质量标注图像） |
| 数据划分 | ✅ 已预划分为train（训练集）和test（测试集）（典型比例如 8:2 或 7:3，可按需调整） |
| 标注格式 | YOLO 格式（.txt） 每张图像对应一个标签文件，含归一化边界框坐标 |
| 兼容模型 | 通用 YOLO 系列： ✅ YOLOv5 / YOLOv6 / YOLOv7 / YOLOv8 ✅ YOLOv9 / YOLOv10 / YOLOv11 / YOLOv12 等主流开源实现 |
| 类别数量 (nc) | 6 类 |
| 类别名称（中文） | ['建筑材料', '垃圾', '车牌', '积水', '行人', '路灯'] |
| 类别说明 | -建筑材料：如钢筋、砖块、水泥袋、木板等堆放物料 -垃圾：散落废弃物、塑料、生活垃圾等 -车牌：地面车辆可见车牌（用于定位或识别辅助） -积水：路面积水区域（雨后/排水不畅） -行人：地面上的人员目标 -路灯：道路两侧照明设施 |
| 是否可直接训练 | ✅ 是！只需配置.yaml文件即可启动训练 |
| 推荐用途 | - 智慧工地监控 - 城市环境卫生评估 - 应急灾害（如内涝）巡查 - 低空目标感知系统开发 |
📁 推荐目录结构（YOLO标准）
UrbanDroneDataset/ ├── images/ │ ├── train/# 训练图像（~5400+）│ └── test/# 测试图像（~1400+）├── labels/ │ ├── train/# 对应 .txt 标签│ └── test/ └── urban_drone.yaml# 数据配置文件🗃️ 示例urban_drone.yaml
train:./images/trainval:./images/test# YOLO系列通常用val字段，即使名为test也可用于验证nc:6names:['建筑材料','垃圾','车牌','积水','行人','路灯']
1
使用YOLOv8训练您的数据集，并构建一个完整的系统，下面提供了一个简化的流程和示例代码。仅供参考
1. 安装依赖
首先，确保安装了必要的库。YOLOv8基于Ultralytics的yolov5/yolov8框架，因此您需要安装相应的包：
pipinstallultralytics2. 准备数据集
请确保您的数据集按照上述推荐目录结构组织好，并且urban_drone.yaml文件配置正确。
3. YOLOv8训练代码
以下是一个简单的YOLOv8训练脚本示例：
fromultralyticsimportYOLO# 加载预训练模型或创建新模型model=YOLO('yolov8n.yaml')# 创建新模型# 或者加载官方预训练模型# model = YOLO('yolov8n.pt')# 数据集配置文件路径data_yaml_path='./UrbanDroneDataset/urban_drone.yaml'# 开始训练results=model.train(data=data_yaml_path,epochs=100,imgsz=640,batch=16)# 训练完成后，可以保存最佳模型best_model_path=model.save('best_yolov8_urban_drone.pt')print(f"Best model saved at{best_model_path}")4. 构建系统（可选）
如果您希望将训练好的模型集成到一个更大的应用中，例如包含PyQt5的GUI界面，下面是一个非常基础的例子来展示如何加载模型并进行预测：
a. 使用PyQt5构建简易界面
首先安装PyQt5:
pipinstallpyqt5然后创建一个简单的PyQt5窗口来加载图片并显示检测结果：
importsysfromPyQt5.QtWidgetsimportQApplication,QLabel,QVBoxLayout,QWidgetfromPyQt5.QtGuiimportQPixmapfromPyQt5.QtCoreimportQtfromultralyticsimportYOLOfromPILimportImageimportioclassDetectionApp(QWidget):def__init__(self):super().__init__()self.initUI()# 加载模型self.model=YOLO('best_yolov8_urban_drone.pt')definitUI(self):self.setWindowTitle('无人机视角目标检测')self.setGeometry(300,300,600,400)self.imageLabel=QLabel(self)layout=QVBoxLayout()layout.addWidget(self.imageLabel)self.setLayout(layout)defload_image(self,image_path):# 进行预测results=self.model(image_path)forresultinresults:im_array=result.plot()# plot a BGR numpy array of predictionsim=Image.fromarray(im_array[...,::-1])# RGB PIL imagebuf=io.BytesIO()im.save(buf,format='PNG')qt_img=QPixmap()qt_img.loadFromData(buf.getvalue(),'PNG')self.imageLabel.setPixmap(qt_img.scaledToWidth(600,Qt.SmoothTransformation))if__name__=='__main__':app=QApplication(sys.argv)ex=DetectionApp()ex.load_image('path/to/test/image.jpg')# 修改为测试图像的实际路径ex.show()sys.exit(app.exec_())
)
)
)