人行道场景检测数据集 | 10300张YOLO智慧城市数据集适用于无障碍导航、街道环境感知与目标检测研究一、数据集概述本数据集面向计算机视觉目标检测任务专为人行道/街道场景中的多类目标行人、车辆、道路设施及穿戴物品等检测模型训练、验证与测试设计共包含约10300张高质量标注图像覆盖21类街道环境核心目标。该数据集可广泛应用于盲道/无障碍导航、智能出行辅助、街道环境感知、智慧城市管理等场景适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。随着智慧城市建设和无障碍出行需求的不断提升利用计算机视觉技术实现人行道场景的多目标感知已成为提升城市出行安全与便利性的重要手段。本数据集针对街道环境中目标类别多样、场景复杂度高、光照变化丰富等问题进行专项构建可为智能出行辅助系统与城市环境感知设备提供高质量数据支撑。数据集下载通过网盘分享的文件人行道场景检测-21类链接: https://pan.baidu.com/s/1UiXMhCQQZ16TMVLpf3nmzQ?pwdw6v7提取码: w6v7二、数据集基本信息项目内容数据集名称人行道场景检测数据集数据规模约10300张高质量标注图像任务类型目标检测Object Detection检测目标21类人行道/街道场景目标类别数量nc21类标注方式Bounding Box目标框标注数据格式YOLO标准格式数据来源真实街道与人行道场景采集数据划分Train / Valid / Test适配模型YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等三、数据集类别说明本数据集为多类别目标检测数据集共设置21个检测类别覆盖人行道/街道场景中的行人、车辆、道路设施及穿戴物品等多样目标类别丰富贴合智慧城市与无障碍出行实际需求。类别配置nc:21names:-backpack-hat-bench-bollard-glasses-traffic_light-mask-car-motorcycle-motorcycle_test-no_mask-pedestrian-pole-pole_test-sign-tree-planter-shoes-trash_can-rod-zebra_cross类别详情类别ID类别名称英文名称类别说明0背包backpack行人携带的背包/双肩包1帽子hat行人佩戴的各类帽子2长椅bench街道/人行道旁供休息的长椅3隔离桩bollard人行道或道路隔离桩/防撞柱4眼镜glasses行人佩戴的眼镜/墨镜5交通信号灯traffic_light路口交通信号灯6口罩mask行人佩戴的口罩正样本7汽车car街道上的汽车/轿车8摩托车motorcycle街道上的摩托车9摩托车_测试motorcycle_test摩托车测试专用类别10未戴口罩no_mask行人未佩戴口罩11行人pedestrian人行道/街道上的行人12柱子pole街道上的立柱/灯柱13柱子_测试pole_test柱子测试专用类别14标志牌sign街道标志牌/指示牌15树木tree街道绿化树木16花盆planter街道花盆/绿化容器17鞋子shoes行人穿着的鞋类18垃圾桶trash_can街道公共垃圾桶19杆rod街道上的横杆/栏杆20斑马线zebra_cross人行横道/斑马线21类设计从行人属性、交通工具、道路设施、街道环境四个维度完整覆盖人行道场景核心目标场景复杂度高贴近真实城市出行环境为智慧城市与无障碍出行提供全面的视觉感知基础。四、数据集结构说明数据集采用标准YOLO目录结构组织已按训练集、验证集、测试集进行科学划分结构清晰便于直接接入主流检测框架。人行道场景检测-21类/ ├── train │ ├── images │ └── labels ├── valid │ ├── images │ └── labels ├── test │ ├── images │ └── labels └── data.yaml各数据集作用如下train/images labels训练集图像与标签用于模型参数学习与特征提取valid/images labels验证集图像与标签用于超参数调优、早停监控及防止过拟合test/images labels测试集图像与标签用于最终模型性能评估与泛化能力测试。标注文件为同名.txt格式每行格式为类别索引 x_center y_center width height坐标均为归一化值配套data.yaml已配置好类别名称与数量可直接适配YOLO系列等目标检测框架。五、数据集核心优势1. 专注人行道与街道场景感知本数据集以人行道/街道场景多目标感知为核心任务所有图像聚焦于真实城市街道与人行道环境下的多类目标采集。类别设计贴合无障碍导航、智能出行与智慧城市管理实际需求更利于训练出针对城市街道场景的高精度多目标检测模型。覆盖场景包括城市主干道与次干道人行道商业区步行街与广场学校与医院周边街道住宅区道路与社区街道不同时段白天/黄昏/夜间能够有效提升模型的实际部署效果。2. 完整的街道目标谱系覆盖21类标签从四个维度形成完整覆盖行人属性维度行人类行人核心主体穿戴类背包、帽子、眼镜、口罩、未戴口罩、鞋子交通工具维度汽车、摩托车道路设施维度长椅、隔离桩、交通信号灯、标志牌、垃圾桶、斑马线、柱子、杆街道环境维度树木、花盆覆盖从“人”到“物”到“环境”的完整街道场景为城市出行智能感知提供全面的数据基础。3. 丰富的场景与目标形态数据覆盖多种街道环境与目标状态人流车流密度稀疏街道、常规人流、密集人群、交通拥堵目标尺度大型目标汽车、树木→中型目标行人、长椅→小型目标帽子、眼镜、口罩行人姿态站立、行走、坐姿、不同朝向设施状态完好、破损、不同摆放方式场景贴近真实城市出行环境有效提升模型泛化能力。4. 多样的拍摄条件数据覆盖光照条件白天强光、阴天散射光、黄昏低照度、夜间灯光等天气条件晴天、阴天、雨天等拍摄角度平视、俯视、侧视等不同视角道路类型宽幅主干道、窄幅支路、步行街等城市风格不同城市、不同区域特征能够有效增强模型在真实城市环境中的鲁棒性。5. 大规模高质量标注约10300张高质量图像样本量丰富保障多类别模型训练的收敛性与泛化能力。所有图像均经过高质量人工精准标注边界框规整、无漏标/错标21类目标判别标准统一清晰密集场景下的独立标注处理满足高精度多类别检测模型训练需求有效保证模型训练质量。6. 即用型数据组织标准目录结构data.yaml配置无需复杂预处理下载即可直接用于模型训练降低使用门槛。六、适用场景盲道/无障碍出行辅助与导航为视障人士出行辅助设备提供街道环境多目标感知能力识别行人、障碍物、道路设施等保障安全出行。街道环境多目标感知与理解应用于城市环境感知系统全面理解人行道与街道场景中的各类目标分布与状态。智慧城市与人行道设施管理自动检测街道设施的完好状态与分布情况辅助城市管理与设施维护决策。自动驾驶/机器人街道环境感知为自动驾驶车辆、服务机器人提供人行道场景的环境感知能力支撑路径规划与避障决策。公共安全与城市管理在公共安全与城市管理场景中监测街道人员活动与设施状态辅助安防与管理决策。教学科研用于多类别目标检测算法验证与调优等科研场景。七、适用研究方向本数据集可广泛应用于以下研究领域城市街道场景理解研究21类多类别目标检测研究行人检测与属性识别研究无障碍出行与辅助导航研究智慧城市与城市计算研究YOLO系列模型优化研究轻量化检测模型与边缘部署研究域适应与跨城市泛化研究交通场景感知研究公共空间设施管理研究八、总结人行道场景检测数据集包含约10300张高质量标注图像采用标准YOLO格式构建专注于人行道与街道场景的多目标检测任务。数据集覆盖背包、帽子、长椅、隔离桩、眼镜、交通信号灯、口罩、汽车、摩托车、未戴口罩、行人、柱子、标志牌、树木、花盆、鞋子、垃圾桶、杆、斑马线等21类核心目标具有类别丰富、场景真实、标注精准等特点可广泛应用于无障碍导航、智慧城市管理、街道环境感知、自动驾驶等领域是开展城市街道场景智能感知算法研发与智慧城市系统建设的优质数据资源。
人行道场景检测数据集 | 10300张YOLO智慧城市数据集适用于无障碍导航、街道环境感知与目标检测研究一、数据集概述本数据集面向计算机视觉目标检测任务专为人行道/街道场景中的多类目标行人、车辆、道路设施及穿戴物品等检测模型训练、验证与测试设计共包含约10300张高质量标注图像覆盖21类街道环境核心目标。该数据集可广泛应用于盲道/无障碍导航、智能出行辅助、街道环境感知、智慧城市管理等场景适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。随着智慧城市建设和无障碍出行需求的不断提升利用计算机视觉技术实现人行道场景的多目标感知已成为提升城市出行安全与便利性的重要手段。本数据集针对街道环境中目标类别多样、场景复杂度高、光照变化丰富等问题进行专项构建可为智能出行辅助系统与城市环境感知设备提供高质量数据支撑。数据集下载通过网盘分享的文件人行道场景检测-21类链接: https://pan.baidu.com/s/1UiXMhCQQZ16TMVLpf3nmzQ?pwdw6v7提取码: w6v7二、数据集基本信息项目内容数据集名称人行道场景检测数据集数据规模约10300张高质量标注图像任务类型目标检测Object Detection检测目标21类人行道/街道场景目标类别数量nc21类标注方式Bounding Box目标框标注数据格式YOLO标准格式数据来源真实街道与人行道场景采集数据划分Train / Valid / Test适配模型YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等三、数据集类别说明本数据集为多类别目标检测数据集共设置21个检测类别覆盖人行道/街道场景中的行人、车辆、道路设施及穿戴物品等多样目标类别丰富贴合智慧城市与无障碍出行实际需求。类别配置nc:21names:-backpack-hat-bench-bollard-glasses-traffic_light-mask-car-motorcycle-motorcycle_test-no_mask-pedestrian-pole-pole_test-sign-tree-planter-shoes-trash_can-rod-zebra_cross类别详情类别ID类别名称英文名称类别说明0背包backpack行人携带的背包/双肩包1帽子hat行人佩戴的各类帽子2长椅bench街道/人行道旁供休息的长椅3隔离桩bollard人行道或道路隔离桩/防撞柱4眼镜glasses行人佩戴的眼镜/墨镜5交通信号灯traffic_light路口交通信号灯6口罩mask行人佩戴的口罩正样本7汽车car街道上的汽车/轿车8摩托车motorcycle街道上的摩托车9摩托车_测试motorcycle_test摩托车测试专用类别10未戴口罩no_mask行人未佩戴口罩11行人pedestrian人行道/街道上的行人12柱子pole街道上的立柱/灯柱13柱子_测试pole_test柱子测试专用类别14标志牌sign街道标志牌/指示牌15树木tree街道绿化树木16花盆planter街道花盆/绿化容器17鞋子shoes行人穿着的鞋类18垃圾桶trash_can街道公共垃圾桶19杆rod街道上的横杆/栏杆20斑马线zebra_cross人行横道/斑马线21类设计从行人属性、交通工具、道路设施、街道环境四个维度完整覆盖人行道场景核心目标场景复杂度高贴近真实城市出行环境为智慧城市与无障碍出行提供全面的视觉感知基础。四、数据集结构说明数据集采用标准YOLO目录结构组织已按训练集、验证集、测试集进行科学划分结构清晰便于直接接入主流检测框架。人行道场景检测-21类/ ├── train │ ├── images │ └── labels ├── valid │ ├── images │ └── labels ├── test │ ├── images │ └── labels └── data.yaml各数据集作用如下train/images labels训练集图像与标签用于模型参数学习与特征提取valid/images labels验证集图像与标签用于超参数调优、早停监控及防止过拟合test/images labels测试集图像与标签用于最终模型性能评估与泛化能力测试。标注文件为同名.txt格式每行格式为类别索引 x_center y_center width height坐标均为归一化值配套data.yaml已配置好类别名称与数量可直接适配YOLO系列等目标检测框架。五、数据集核心优势1. 专注人行道与街道场景感知本数据集以人行道/街道场景多目标感知为核心任务所有图像聚焦于真实城市街道与人行道环境下的多类目标采集。类别设计贴合无障碍导航、智能出行与智慧城市管理实际需求更利于训练出针对城市街道场景的高精度多目标检测模型。覆盖场景包括城市主干道与次干道人行道商业区步行街与广场学校与医院周边街道住宅区道路与社区街道不同时段白天/黄昏/夜间能够有效提升模型的实际部署效果。2. 完整的街道目标谱系覆盖21类标签从四个维度形成完整覆盖行人属性维度行人类行人核心主体穿戴类背包、帽子、眼镜、口罩、未戴口罩、鞋子交通工具维度汽车、摩托车道路设施维度长椅、隔离桩、交通信号灯、标志牌、垃圾桶、斑马线、柱子、杆街道环境维度树木、花盆覆盖从“人”到“物”到“环境”的完整街道场景为城市出行智能感知提供全面的数据基础。3. 丰富的场景与目标形态数据覆盖多种街道环境与目标状态人流车流密度稀疏街道、常规人流、密集人群、交通拥堵目标尺度大型目标汽车、树木→中型目标行人、长椅→小型目标帽子、眼镜、口罩行人姿态站立、行走、坐姿、不同朝向设施状态完好、破损、不同摆放方式场景贴近真实城市出行环境有效提升模型泛化能力。4. 多样的拍摄条件数据覆盖光照条件白天强光、阴天散射光、黄昏低照度、夜间灯光等天气条件晴天、阴天、雨天等拍摄角度平视、俯视、侧视等不同视角道路类型宽幅主干道、窄幅支路、步行街等城市风格不同城市、不同区域特征能够有效增强模型在真实城市环境中的鲁棒性。5. 大规模高质量标注约10300张高质量图像样本量丰富保障多类别模型训练的收敛性与泛化能力。所有图像均经过高质量人工精准标注边界框规整、无漏标/错标21类目标判别标准统一清晰密集场景下的独立标注处理满足高精度多类别检测模型训练需求有效保证模型训练质量。6. 即用型数据组织标准目录结构data.yaml配置无需复杂预处理下载即可直接用于模型训练降低使用门槛。六、适用场景盲道/无障碍出行辅助与导航为视障人士出行辅助设备提供街道环境多目标感知能力识别行人、障碍物、道路设施等保障安全出行。街道环境多目标感知与理解应用于城市环境感知系统全面理解人行道与街道场景中的各类目标分布与状态。智慧城市与人行道设施管理自动检测街道设施的完好状态与分布情况辅助城市管理与设施维护决策。自动驾驶/机器人街道环境感知为自动驾驶车辆、服务机器人提供人行道场景的环境感知能力支撑路径规划与避障决策。公共安全与城市管理在公共安全与城市管理场景中监测街道人员活动与设施状态辅助安防与管理决策。教学科研用于多类别目标检测算法验证与调优等科研场景。七、适用研究方向本数据集可广泛应用于以下研究领域城市街道场景理解研究21类多类别目标检测研究行人检测与属性识别研究无障碍出行与辅助导航研究智慧城市与城市计算研究YOLO系列模型优化研究轻量化检测模型与边缘部署研究域适应与跨城市泛化研究交通场景感知研究公共空间设施管理研究八、总结人行道场景检测数据集包含约10300张高质量标注图像采用标准YOLO格式构建专注于人行道与街道场景的多目标检测任务。数据集覆盖背包、帽子、长椅、隔离桩、眼镜、交通信号灯、口罩、汽车、摩托车、未戴口罩、行人、柱子、标志牌、树木、花盆、鞋子、垃圾桶、杆、斑马线等21类核心目标具有类别丰富、场景真实、标注精准等特点可广泛应用于无障碍导航、智慧城市管理、街道环境感知、自动驾驶等领域是开展城市街道场景智能感知算法研发与智慧城市系统建设的优质数据资源。
