一盲道分割数据集共1.7GB标注路人行走视角盲道位置以mask图形式标注。二盲道及周边障碍物检测数据集共7900张6.4Gvoc格式标注人汽车路障狗等part1盲道分割数据集共1.7GB标注路人行走视角下的盲道位置以mask图的形式标注。二part2盲道及周边障碍物检测数据集共7900余张图像6.4GBvoc格式标注stop_sign: 停止标志person: 人bicycle: 自行车bus: 公共汽车truck: 卡车car: 汽车motorbike: 摩托车reflective_cone: 反光锥ashcan: 垃圾箱warning_column: 警示柱spherical_roadblock: 球形路障pole: 杆子dog: 狗tricycle: 三轮车fire_hydrant: 消防栓大小1.7GB标注方式以mask图的形式标注行人视角下的盲道位置。应用场景用于训练分割模型识别盲道的位置。大小6.4GB图像数量约7900余张图像标注格式VOC格式标注类别stop_sign: 停止标志person: 人bicycle: 自行车bus: 公共汽车truck: 卡车car: 汽车motorbike: 摩托车reflective_cone: 反光锥ashcan: 垃圾箱warning_column: 警示柱spherical_roadblock: 球形路障pole: 杆子dog: 狗tricycle: 三轮车fire_hydrant: 消防栓应用场景用于训练检测模型识别盲道周围的潜在障碍物。以下仅供参考 盲道分割及周边障碍物检测数据集 —— 结构化交付文档一、数据集总览表数据集名称数据量文件大小标注格式应用场景视角/场景盲道分割数据集未明确张数约数千张1.7 GBYOLO-Seg, Mask PNG盲人导航辅助、自动驾驶路径规划、城市设施巡检路人行走视角第一人称/低角度周边障碍物检测数据集7,900张图像6.4 GBVOC (XML), YOLO (TXT)障碍物预警、避障系统、无障碍环境评估盲道及其周边区域合计规模近万张高质量图像总容量超8.1 GB覆盖分割与检测两大核心任务。二、盲道分割数据集详情表属性详细描述任务类型语义/实例分割Pixel-level Segmentation目标对象盲道Tactile Paving / Blind Path标注形式①YOLO-Seg格式.txt文件含类别ID 归一化多边形坐标②Mask图格式单通道PNG二值图或彩色索引图白色/红色表示盲道区域拍摄视角路人行走视角模拟视障人士或使用拐杖/导盲犬时的视野典型场景城市人行道、地铁站口、斑马线旁、坡道连接处、转弯路口等标注精度像素级精确勾勒盲道边界支持计算面积、长度、连续性等指标适用模型YOLOv8-Seg, Mask R-CNN, DeepLabV3, UNet 等分割网络三、周边障碍物检测数据集详情表属性详细描述任务类型目标检测Object Detection目标对象盲道及周边可能出现的障碍物如共享单车、垃圾桶、施工围挡、车辆、行人、宠物、杂物等标注形式①VOC格式.xml文件含物体类别、边界框坐标xmin,ymin,xmax,ymax②YOLO格式.txt文件含类别ID 归一化中心点坐标与宽高图像数量7,900张拍摄视角同盲道数据集保持视角一致性便于多任务联合训练典型障碍物类别示例bicycle,trash_can,construction_barrier,car,pedestrian,dog,box,cone等具体类别需查看标签文件适用模型YOLOv8, Faster R-CNN, SSD, RetinaNet 等检测网络四、数据格式对比表格式类型文件扩展名内容结构优势适用框架YOLO (检测).txtclass_id x_center y_center width height(归一化)简洁高效适合实时检测模型Ultralytics YOLO, DarknetYOLO-Seg (分割).txtclass_id x1 y1 x2 y2 ... xn yn(多边形点序列)支持复杂形状分割YOLOv8-Seg, YOLOv5-SegVOC (检测).xmlXML结构含objectname.../namebndbox.../bndbox/object标准化兼容性强易读Detectron2, MMDetection, TensorFlow OD APIMask PNG (分割).png单通道或索引色图像像素值代表类别或前景/背景直观可视化可直接用于损失函数计算所有分割框架五、推荐使用场景与组合方案应用需求推荐数据组合建议模型架构输出成果盲人导航APP盲道分割 障碍物检测YOLOv8-Seg YOLOv8-Detect (多头输出)实时路径规划 障碍物语音提醒自动驾驶低速车盲道分割 障碍物检测Mask R-CNN 或 YOLOv8-Seg/Detect 联合训练车道保持 动态避障决策城市无障碍评估系统盲道分割连续性分析 障碍物检测密度统计分割模型 检测模型 后处理算法生成“盲道畅通度报告”与“障碍热点地图”科研论文实验单独使用任一数据集或融合训练对比不同分割/检测模型性能发表CVPR/ICRA/ECCV等顶会论文六、数据预处理与训练建议1. 数据划分建议datasets/ ├── blind_path_seg/ │ ├── images/train/ │ ├── images/val/ │ ├── labels/train/# YOLO-seg .txt│ └── masks/train/# PNG masks├── obstacle_detect/ │ ├── images/train/ │ ├── images/val/ │ ├── annotations_voc/# VOC .xml│ └── labels_yolo/# YOLO .txt2. 配置文件示例 (data.yaml)# 盲道分割train:../datasets/blind_path_seg/images/trainval:../datasets/blind_path_seg/images/valnc:1names:[blind_path]# 障碍物检测train:../datasets/obstacle_detect/images/trainval:../datasets/obstacle_detect/images/valnc:8# 假设8类障碍物names:[bicycle,trash_can,barrier,car,pedestrian,dog,box,cone]3. 训练命令示例# 训练盲道分割模型yolo segment traindatablind_path.yamlmodelyolov8s-seg.ptepochs100imgsz640# 训练障碍物检测模型yolo detect traindataobstacle.yamlmodelyolov8s.ptepochs100imgsz640七、数据价值与社会意义维度说明技术价值填补国内公开盲道专用数据集空白推动计算机视觉在无障碍领域的应用社会价值助力视障人士独立出行提升城市人文关怀水平响应国家“无障碍环境建设”政策商业价值可应用于智能轮椅、导盲机器人、智慧城市管理平台等产品开发学术价值提供真实场景下的长尾分布数据罕见障碍物、极端光照、遮挡等挑战现有模型鲁棒性
盲道分割数据集 及盲道盲道及周边障碍物检测数据集* 盲道检测数据集 训练及应用
一盲道分割数据集共1.7GB标注路人行走视角盲道位置以mask图形式标注。二盲道及周边障碍物检测数据集共7900张6.4Gvoc格式标注人汽车路障狗等part1盲道分割数据集共1.7GB标注路人行走视角下的盲道位置以mask图的形式标注。二part2盲道及周边障碍物检测数据集共7900余张图像6.4GBvoc格式标注stop_sign: 停止标志person: 人bicycle: 自行车bus: 公共汽车truck: 卡车car: 汽车motorbike: 摩托车reflective_cone: 反光锥ashcan: 垃圾箱warning_column: 警示柱spherical_roadblock: 球形路障pole: 杆子dog: 狗tricycle: 三轮车fire_hydrant: 消防栓大小1.7GB标注方式以mask图的形式标注行人视角下的盲道位置。应用场景用于训练分割模型识别盲道的位置。大小6.4GB图像数量约7900余张图像标注格式VOC格式标注类别stop_sign: 停止标志person: 人bicycle: 自行车bus: 公共汽车truck: 卡车car: 汽车motorbike: 摩托车reflective_cone: 反光锥ashcan: 垃圾箱warning_column: 警示柱spherical_roadblock: 球形路障pole: 杆子dog: 狗tricycle: 三轮车fire_hydrant: 消防栓应用场景用于训练检测模型识别盲道周围的潜在障碍物。以下仅供参考 盲道分割及周边障碍物检测数据集 —— 结构化交付文档一、数据集总览表数据集名称数据量文件大小标注格式应用场景视角/场景盲道分割数据集未明确张数约数千张1.7 GBYOLO-Seg, Mask PNG盲人导航辅助、自动驾驶路径规划、城市设施巡检路人行走视角第一人称/低角度周边障碍物检测数据集7,900张图像6.4 GBVOC (XML), YOLO (TXT)障碍物预警、避障系统、无障碍环境评估盲道及其周边区域合计规模近万张高质量图像总容量超8.1 GB覆盖分割与检测两大核心任务。二、盲道分割数据集详情表属性详细描述任务类型语义/实例分割Pixel-level Segmentation目标对象盲道Tactile Paving / Blind Path标注形式①YOLO-Seg格式.txt文件含类别ID 归一化多边形坐标②Mask图格式单通道PNG二值图或彩色索引图白色/红色表示盲道区域拍摄视角路人行走视角模拟视障人士或使用拐杖/导盲犬时的视野典型场景城市人行道、地铁站口、斑马线旁、坡道连接处、转弯路口等标注精度像素级精确勾勒盲道边界支持计算面积、长度、连续性等指标适用模型YOLOv8-Seg, Mask R-CNN, DeepLabV3, UNet 等分割网络三、周边障碍物检测数据集详情表属性详细描述任务类型目标检测Object Detection目标对象盲道及周边可能出现的障碍物如共享单车、垃圾桶、施工围挡、车辆、行人、宠物、杂物等标注形式①VOC格式.xml文件含物体类别、边界框坐标xmin,ymin,xmax,ymax②YOLO格式.txt文件含类别ID 归一化中心点坐标与宽高图像数量7,900张拍摄视角同盲道数据集保持视角一致性便于多任务联合训练典型障碍物类别示例bicycle,trash_can,construction_barrier,car,pedestrian,dog,box,cone等具体类别需查看标签文件适用模型YOLOv8, Faster R-CNN, SSD, RetinaNet 等检测网络四、数据格式对比表格式类型文件扩展名内容结构优势适用框架YOLO (检测).txtclass_id x_center y_center width height(归一化)简洁高效适合实时检测模型Ultralytics YOLO, DarknetYOLO-Seg (分割).txtclass_id x1 y1 x2 y2 ... xn yn(多边形点序列)支持复杂形状分割YOLOv8-Seg, YOLOv5-SegVOC (检测).xmlXML结构含objectname.../namebndbox.../bndbox/object标准化兼容性强易读Detectron2, MMDetection, TensorFlow OD APIMask PNG (分割).png单通道或索引色图像像素值代表类别或前景/背景直观可视化可直接用于损失函数计算所有分割框架五、推荐使用场景与组合方案应用需求推荐数据组合建议模型架构输出成果盲人导航APP盲道分割 障碍物检测YOLOv8-Seg YOLOv8-Detect (多头输出)实时路径规划 障碍物语音提醒自动驾驶低速车盲道分割 障碍物检测Mask R-CNN 或 YOLOv8-Seg/Detect 联合训练车道保持 动态避障决策城市无障碍评估系统盲道分割连续性分析 障碍物检测密度统计分割模型 检测模型 后处理算法生成“盲道畅通度报告”与“障碍热点地图”科研论文实验单独使用任一数据集或融合训练对比不同分割/检测模型性能发表CVPR/ICRA/ECCV等顶会论文六、数据预处理与训练建议1. 数据划分建议datasets/ ├── blind_path_seg/ │ ├── images/train/ │ ├── images/val/ │ ├── labels/train/# YOLO-seg .txt│ └── masks/train/# PNG masks├── obstacle_detect/ │ ├── images/train/ │ ├── images/val/ │ ├── annotations_voc/# VOC .xml│ └── labels_yolo/# YOLO .txt2. 配置文件示例 (data.yaml)# 盲道分割train:../datasets/blind_path_seg/images/trainval:../datasets/blind_path_seg/images/valnc:1names:[blind_path]# 障碍物检测train:../datasets/obstacle_detect/images/trainval:../datasets/obstacle_detect/images/valnc:8# 假设8类障碍物names:[bicycle,trash_can,barrier,car,pedestrian,dog,box,cone]3. 训练命令示例# 训练盲道分割模型yolo segment traindatablind_path.yamlmodelyolov8s-seg.ptepochs100imgsz640# 训练障碍物检测模型yolo detect traindataobstacle.yamlmodelyolov8s.ptepochs100imgsz640七、数据价值与社会意义维度说明技术价值填补国内公开盲道专用数据集空白推动计算机视觉在无障碍领域的应用社会价值助力视障人士独立出行提升城市人文关怀水平响应国家“无障碍环境建设”政策商业价值可应用于智能轮椅、导盲机器人、智慧城市管理平台等产品开发学术价值提供真实场景下的长尾分布数据罕见障碍物、极端光照、遮挡等挑战现有模型鲁棒性
