智慧铁路极端天气目标检测 轨道异物入侵数据集 铁路场景低能见度环境感知 数据集第10722期

雾天轨道计算机视觉数据集项目概述本数据集面向雾天环境下的铁路场景目标检测任务构建旨在为低能见度条件下的智能感知算法开发提供高质量标注数据。数据覆盖铁路场景中关键目标类别结合去雾任务需求为模型在复杂天气下的目标识别与场景理解提供支撑。核心指标任务类型目标检测 图像去雾数据规模1341张图像目标类别14类应用场景铁路场景低能见度环境感知数据详情属性详情数据类别14个类别火车、车辆、摩托车、木材、动物、草地、石块、行人、危险物、桶、雾、有雾、铁轨、铁路数据规模1300张图像应用价值1. 支撑雾天铁路场景的目标检测与去雾算法开发2. 可用于智能铁路监控、轨道安全巡检、低能见度行车辅助等落地场景3. 为多任务去雾检测联合模型的训练与优化提供数据基础。训练推理流程YOLO1. 环境准备pipinstallultralytics2. 数据集结构YOLO格式rail_fog_dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/3. 配置文件rail_fog.yamlpath:./rail_fog_datasettrain:images/trainval:images/valnc:14names:[train,vehicle,motorcycle,wood,animal,grass,stone,person,hazard,barrel,fog,foggy,rail,railway]4. 训练代码fromultralyticsimportYOLO modelYOLO(yolov8s.pt)model.train(datarail_fog.yaml,epochs120,imgsz640,batch16,device0,ampTrue)5. 推理代码modelYOLO(runs/train/exp/weights/best.pt)resultsmodel(test.jpg,conf0.5,saveTrue)results[0].show()本数据集包含原始雾天图像与标注文件标注格式为标准YOLO格式可直接接入主流深度学习框架进行模型训练。数据覆盖多种雾浓度场景目标类别丰富为模型在复杂天气条件下的泛化性能提供保障。图像去雾 #目标检测 #铁路场景 #低能见度感知 #YOLO格式