无人机航拍露天停车场车位识别数据集车位占用检测智能停车AI训练集停车场智能巡检数据集空闲车位识别低空视觉车位状态检测样本库无人机车位监测数据集智慧停车管理目标检测深度学习模型数据城市停车供需矛盾持续加剧露天停车场普遍存在车位统计难、引导效率低、人工成本高、违规停车难监管等痛点。传统地感、摄像头方案部署复杂、扩展性差而无人机巡检具备全域覆盖、灵活机动、成本低等优势。但航拍视角下车位密集、目标偏小、阴影与遮挡干扰强通用数据集难以适配真实场景。本文按 GitHub 开源项目规范完整开放无人机停车场车位专用检测数据集配套 YOLO 训练、推理、统计全流程工程代码开箱即用快速落地智能停车管理系统。 项目总览项目领域计算机视觉目标检测智慧停车无人机低空巡检核心任务无人机航拍视角下车辆检测 空闲车位识别数据规模913 张高清航拍图像单数据集完整结构标注类别car车辆、free空闲车位2大类精准标注配套资源数据集文件 训练完成的检测模型开箱即用格式支持图像 JPG/PNG 标注 YOLO TXT / VOC XML适配算法YOLOv5/v7/v8/v10/v11 全系列轻量到高精度全覆盖应用场景车位实时统计、空闲车位引导、违规停车监测、停车场运营优化 数据集核心信息信息项详情任务类型计算机视觉 · 目标检测标注类别car车辆、free空闲车位数据总量913 张无人机露天停车场航拍图像数据格式图像文件 模型配置文件支持直接上传测试场景特点高空俯视、车位密集、阴影遮挡、多光照环境配套资源完整数据集文件 预训练模型降低开发成本✨ 核心优势场景高度聚焦专为露天停车场设计无无关类别干扰模型收敛更快标注极简实用仅车辆/空闲车位两类精准匹配停车管理核心需求工程化就绪自带数据集与预训练模型无需从零训练快速上线航拍视角适配高空俯视样本贴合无人机真实巡检航线与高度规模适中高效913 张样本兼顾训练效果与算力成本泛化能力稳定 标准目录结构drone-parking-det/ ├── images/ # 停车场航拍图像 │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO格式标注文件 │ ├── train/ │ └── val/ ├── scripts/ # 工具脚本 │ ├── split_dataset.py # 数据集划分 │ ├── voc2yolo.py # 标注格式转换 │ └── vis_label.py # 标注可视化校验 ├── data.yaml # YOLO数据集配置 ├── train.py # 模型训练脚本 ├── predict.py # 车位状态推理脚本 ├── count_parking.py # 车位统计脚本 ├── README.md # 项目说明文档 └── model.pt # 预训练权重文件 深度学习实战代码1. data.yaml# 场景注释无人机露天停车场·车位占用/空闲检测配置# 车位密集、小目标多建议 imgsz640降低conf减少漏检path:./drone-parking-dettrain:images/trainval:images/valtest:images/testnc:2# 车辆、空闲车位2个类别names:[car,free]# 标注名称映射# 车位检测调参经验# 1. imgsz640 提升小车位与远距离目标召回# 2. 开启hsv增强适应阴影、逆光、地面反光# 3. conf0.25iou0.45平衡精度与召回率2. train.pyfromultralyticsimportYOLO# 场景注释无人机停车场训练·密集车位阴影遮挡优化if__name____main__:# 轻量模型适合机载端/边缘设备部署modelYOLO(yolov8s.pt)model.train(datadata.yaml,epochs100,# 样本量适中100轮保证收敛imgsz640,# 航拍高分辨率输入batch16,device0,patience10,# 早停防过拟合lr00.01,lrf0.01,momentum0.937,weight_decay0.0005,warmup_epochs3,cos_lrTrue,augmentTrue,# 开启数据增强hsv_h0.015,hsv_s0.7,hsv_v0.4,# 亮度增强适配阴影close_mosaic10,nameparking_slot_det)3. predict.pyfromultralyticsimportYOLOimportcv2# 场景注释无人机巡检推理·输出车辆/空闲车位检测结果defparking_predict():# 加载训练好的车位检测模型modelYOLO(./runs/detect/parking_slot_det/weights/best.pt)# 单张航拍图推理img_pathdrone_parking.jpgresultsmodel.predict(sourceimg_path,conf0.25,iou0.45,agnostic_nmsTrue# 类别无关NMS抑制密集框误检)# 保存可视化结果res_imgresults[0].plot()cv2.imwrite(parking_result.jpg,res_img)# 视频/实时流推理巡检常用# model.predict(sourcedrone_flight.mp4, saveTrue, streamTrue)if__name____main__:parking_predict()4. count_parking.py车位自动统计fromultralyticsimportYOLO# 场景注释停车场核心功能·自动统计总车位、已占、空闲数量defcount_parking_status():modelYOLO(model.pt)img_pathdrone_parking.jpgresultsmodel.predict(sourceimg_path)car_count0free_count0forresultinresults:forboxinresult.boxes:cls_idint(box.cls)ifcls_id0:car_count1elifcls_id1:free_count1print(f 已占用车位{car_count})print(f️ 空闲车位{free_count})print(f 总车位{car_countfree_count})if__name____main__:count_parking_status()5. voc2yolo.pyimportosimportxml.etree.ElementTreeasETfrompathlibimportPath# 场景注释VOC转YOLO适配停车场车位标注保证小目标框归一化准确defvoc_to_yolo(voc_dir,yolo_dir,class_names):os.makedirs(yolo_dir,exist_okTrue)forxml_fileinPath(voc_dir).glob(*.xml):treeET.parse(xml_file)roottree.getroot()img_wint(root.find(size/width).text)img_hint(root.find(size/height).text)txt_pathos.path.join(yolo_dir,f{xml_file.stem}.txt)withopen(txt_path,w)asf:forobjinroot.findall(object):cls_nameobj.find(name).textifcls_namenotinclass_names:continuecls_idclass_names.index(cls_name)bndboxobj.find(bndbox)xminfloat(bndbox.find(xmin).text)yminfloat(bndbox.find(ymin).text)xmaxfloat(bndbox.find(xmax).text)ymaxfloat(bndbox.find(ymax).text)# YOLO归一化坐标cx(xminxmax)/2/img_w cy(yminymax)/2/img_h w(xmax-xmin)/img_w h(ymax-ymin)/img_h f.write(f{cls_id}{cx:.6f}{cy:.6f}{w:.6f}{h:.6f}\n)if__name____main__:classes[car,free]voc_to_yolo(./labels/voc,./labels/yolo,classes) 落地应用方向智能停车引导实时统计空闲车位生成车位分布图快速引导车主停车停车场运营管理自动统计车位周转率、使用率优化运营策略违规停车监测识别压线、跨位、非停车区停车辅助执法取证全域巡检监控无人机定期巡航覆盖大型露天/园区停车场无监控死角智慧城市交通接入城市停车平台实现区域车位资源统筹调度 标签#无人机停车场数据集 #车位识别 #空闲车位检测 #智能停车 #无人机巡检 #目标检测 #YOLO车位检测 #低空视觉 #智慧停车 #计算机视觉 #深度学习数据集 #车位占用监测 #露天停车场AI
无人机航拍露天停车场车位识别数据集｜车位占用检测｜智能停车AI训练集 停车场智能巡检数据集｜空闲车位识别｜低空视觉车位状态检测样本库 无人机车位监测数据集｜智慧停车管理｜目标检测深度学习模型数据
无人机航拍露天停车场车位识别数据集车位占用检测智能停车AI训练集停车场智能巡检数据集空闲车位识别低空视觉车位状态检测样本库无人机车位监测数据集智慧停车管理目标检测深度学习模型数据城市停车供需矛盾持续加剧露天停车场普遍存在车位统计难、引导效率低、人工成本高、违规停车难监管等痛点。传统地感、摄像头方案部署复杂、扩展性差而无人机巡检具备全域覆盖、灵活机动、成本低等优势。但航拍视角下车位密集、目标偏小、阴影与遮挡干扰强通用数据集难以适配真实场景。本文按 GitHub 开源项目规范完整开放无人机停车场车位专用检测数据集配套 YOLO 训练、推理、统计全流程工程代码开箱即用快速落地智能停车管理系统。 项目总览项目领域计算机视觉目标检测智慧停车无人机低空巡检核心任务无人机航拍视角下车辆检测 空闲车位识别数据规模913 张高清航拍图像单数据集完整结构标注类别car车辆、free空闲车位2大类精准标注配套资源数据集文件 训练完成的检测模型开箱即用格式支持图像 JPG/PNG 标注 YOLO TXT / VOC XML适配算法YOLOv5/v7/v8/v10/v11 全系列轻量到高精度全覆盖应用场景车位实时统计、空闲车位引导、违规停车监测、停车场运营优化 数据集核心信息信息项详情任务类型计算机视觉 · 目标检测标注类别car车辆、free空闲车位数据总量913 张无人机露天停车场航拍图像数据格式图像文件 模型配置文件支持直接上传测试场景特点高空俯视、车位密集、阴影遮挡、多光照环境配套资源完整数据集文件 预训练模型降低开发成本✨ 核心优势场景高度聚焦专为露天停车场设计无无关类别干扰模型收敛更快标注极简实用仅车辆/空闲车位两类精准匹配停车管理核心需求工程化就绪自带数据集与预训练模型无需从零训练快速上线航拍视角适配高空俯视样本贴合无人机真实巡检航线与高度规模适中高效913 张样本兼顾训练效果与算力成本泛化能力稳定 标准目录结构drone-parking-det/ ├── images/ # 停车场航拍图像 │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO格式标注文件 │ ├── train/ │ └── val/ ├── scripts/ # 工具脚本 │ ├── split_dataset.py # 数据集划分 │ ├── voc2yolo.py # 标注格式转换 │ └── vis_label.py # 标注可视化校验 ├── data.yaml # YOLO数据集配置 ├── train.py # 模型训练脚本 ├── predict.py # 车位状态推理脚本 ├── count_parking.py # 车位统计脚本 ├── README.md # 项目说明文档 └── model.pt # 预训练权重文件 深度学习实战代码1. data.yaml# 场景注释无人机露天停车场·车位占用/空闲检测配置# 车位密集、小目标多建议 imgsz640降低conf减少漏检path:./drone-parking-dettrain:images/trainval:images/valtest:images/testnc:2# 车辆、空闲车位2个类别names:[car,free]# 标注名称映射# 车位检测调参经验# 1. imgsz640 提升小车位与远距离目标召回# 2. 开启hsv增强适应阴影、逆光、地面反光# 3. conf0.25iou0.45平衡精度与召回率2. train.pyfromultralyticsimportYOLO# 场景注释无人机停车场训练·密集车位阴影遮挡优化if__name____main__:# 轻量模型适合机载端/边缘设备部署modelYOLO(yolov8s.pt)model.train(datadata.yaml,epochs100,# 样本量适中100轮保证收敛imgsz640,# 航拍高分辨率输入batch16,device0,patience10,# 早停防过拟合lr00.01,lrf0.01,momentum0.937,weight_decay0.0005,warmup_epochs3,cos_lrTrue,augmentTrue,# 开启数据增强hsv_h0.015,hsv_s0.7,hsv_v0.4,# 亮度增强适配阴影close_mosaic10,nameparking_slot_det)3. predict.pyfromultralyticsimportYOLOimportcv2# 场景注释无人机巡检推理·输出车辆/空闲车位检测结果defparking_predict():# 加载训练好的车位检测模型modelYOLO(./runs/detect/parking_slot_det/weights/best.pt)# 单张航拍图推理img_pathdrone_parking.jpgresultsmodel.predict(sourceimg_path,conf0.25,iou0.45,agnostic_nmsTrue# 类别无关NMS抑制密集框误检)# 保存可视化结果res_imgresults[0].plot()cv2.imwrite(parking_result.jpg,res_img)# 视频/实时流推理巡检常用# model.predict(sourcedrone_flight.mp4, saveTrue, streamTrue)if__name____main__:parking_predict()4. count_parking.py车位自动统计fromultralyticsimportYOLO# 场景注释停车场核心功能·自动统计总车位、已占、空闲数量defcount_parking_status():modelYOLO(model.pt)img_pathdrone_parking.jpgresultsmodel.predict(sourceimg_path)car_count0free_count0forresultinresults:forboxinresult.boxes:cls_idint(box.cls)ifcls_id0:car_count1elifcls_id1:free_count1print(f 已占用车位{car_count})print(f️ 空闲车位{free_count})print(f 总车位{car_countfree_count})if__name____main__:count_parking_status()5. voc2yolo.pyimportosimportxml.etree.ElementTreeasETfrompathlibimportPath# 场景注释VOC转YOLO适配停车场车位标注保证小目标框归一化准确defvoc_to_yolo(voc_dir,yolo_dir,class_names):os.makedirs(yolo_dir,exist_okTrue)forxml_fileinPath(voc_dir).glob(*.xml):treeET.parse(xml_file)roottree.getroot()img_wint(root.find(size/width).text)img_hint(root.find(size/height).text)txt_pathos.path.join(yolo_dir,f{xml_file.stem}.txt)withopen(txt_path,w)asf:forobjinroot.findall(object):cls_nameobj.find(name).textifcls_namenotinclass_names:continuecls_idclass_names.index(cls_name)bndboxobj.find(bndbox)xminfloat(bndbox.find(xmin).text)yminfloat(bndbox.find(ymin).text)xmaxfloat(bndbox.find(xmax).text)ymaxfloat(bndbox.find(ymax).text)# YOLO归一化坐标cx(xminxmax)/2/img_w cy(yminymax)/2/img_h w(xmax-xmin)/img_w h(ymax-ymin)/img_h f.write(f{cls_id}{cx:.6f}{cy:.6f}{w:.6f}{h:.6f}\n)if__name____main__:classes[car,free]voc_to_yolo(./labels/voc,./labels/yolo,classes) 落地应用方向智能停车引导实时统计空闲车位生成车位分布图快速引导车主停车停车场运营管理自动统计车位周转率、使用率优化运营策略违规停车监测识别压线、跨位、非停车区停车辅助执法取证全域巡检监控无人机定期巡航覆盖大型露天/园区停车场无监控死角智慧城市交通接入城市停车平台实现区域车位资源统筹调度 标签#无人机停车场数据集 #车位识别 #空闲车位检测 #智能停车 #无人机巡检 #目标检测 #YOLO车位检测 #低空视觉 #智慧停车 #计算机视觉 #深度学习数据集 #车位占用监测 #露天停车场AI
