当前位置：首页 > news >正文

【数据集】【YOLO】【目标检测】共享单车数据集，共享单车识别数据集 3596 张，YOLO自行车识别算法实战训推教程。

news 2025/11/5 9:21:30

一、数据集介绍

【数据集】共享单车识别数据集 3596 张，目标检测，包含YOLO/VOC格式标注。

数据集中包含1种分类：names: ['bike']，代表共享单车。

数据集来自国内网站、视频抽帧；

可用于无人机共享单车识别，监控共享单车检测等。

检测场景为人行道、商场、园区、非机动车道等场景，可用于单车违规停放高效治理、用户停车行为引导、城市非机动车道交通决策支撑等。

文章底部或主页私信获取数据集~

1、数据概述

共享单车识别的重要性

共享单车是城市绿色出行的关键载体，但其无序停放问题已成为城市管理难题 —— 车辆挤占人行道、盲道甚至机动车道，不仅阻碍通行、破坏市容，还可能堵塞消防通道、引发剐蹭事故。传统管理依赖人工巡检，存在明显局限：单名巡检员日均覆盖范围有限，难以兼顾商圈、地铁站等高频停放区域；违规停放发现滞后，常需市民投诉后才处置，导致问题反复；且人工统计车辆分布数据耗时，难以为调度提供及时支撑。

YOLO 算法凭借 “实时精准识别 + 全天候监测” 破解上述痛点：其一，依托城市道路监控或无人机航拍，可实现高帧率实时检测，快速定位画面中共享单车的位置与状态，无需人工逐街排查；其二，能精准区分 “合规停放” 与 “违规占道”，即使车辆密集堆叠、被遮挡也能有效识别；其三，检测结果可实时同步至管理平台，打破人工巡检的时空限制，为共享单车管理从 “被动清理” 转向 “主动监管” 提供技术支撑，是城市交通精细化治理的重要工具。

基于YOLO的共享单车识别算法

违规停放高效治理：YOLO 实时监测禁停区（如公交站台、消防通道、盲道旁）的共享单车，一旦发现违规立即推送预警（含具体位置、车辆数量）至城管或运营企业，工作人员可精准到场清理，避免盲目巡查。相比人工，能大幅缩短违规处置周期，减少车辆占道对交通的影响。
运营调度优化：通过 YOLO 统计各区域共享单车数量，运营企业可实时掌握 “淤积点”（如写字楼下班时段车辆过剩）与 “短缺点”（如早高峰地铁口车辆不足），据此调配运维车辆转运，平衡区域供需。无需人工现场计数，既降低运维成本，又减少 “车找不到人、人找不到车” 的用户痛点。
用户停车行为引导：将 YOLO 技术嵌入共享单车 APP，用户关锁前，手机摄像头可通过 YOLO 识别停车区域是否合规。若检测到车辆停在禁停区，APP 立即弹窗提示并指引附近合规停车点，帮助培养规范停车习惯，从源头减少违规行为。
城市交通决策支撑：长期积累的 YOLO 检测数据，可形成共享单车停放热力图，反映不同时段、区域的出行需求（如周末商圈用车量大、工作日通勤路线用车集中）。城市交管部门可据此优化非机动车道规划、增设合规停车泊位，甚至调整公交站点位置，提升整体交通运行效率。

该数据集含有 3596 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试人行道、商场、园区、非机动车道等场景进行共享单车识别。

图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

2、数据集文件结构

share-bike/

——test/

————Annotations/

————images/

————labels/

——train/

————Annotations/

————images/

————labels/

——valid/

————Annotations/

————images/

————labels/

——data.yaml

该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
Annotations文件夹为Pascal VOC格式的XML文件 ；
images文件夹为jpg格式的数据样本；
labels文件夹是YOLO格式的TXT文件；
data.yaml是数据集配置文件，包含共享单车识别的目标分类和加载路径。

Annotations目录下的xml文件内容如下：

<?xml version="1.0" encoding="utf-8"?><annotation><folder>annotations</folder><filename>13061515_jpg.rf.491170790186beca23904900852aee99.jpg</filename><size><width>416</width><height>416</height><depth>3</depth></size><object><name>bike</name><pose>Unspecified</pose><truncated>0</truncated><difficult>0</difficult><bndbox><xmin>22</xmin><ymin>122</ymin><xmax>417</xmax><ymax>336</ymax></bndbox></object></annotation>

labels目录下的txt文件内容如下：

0 0.4591346153846154 0.4338942307692308 0.514423076923077 0.4879807692307693

3、数据集适用范围

目标检测场景，无人机检测，监控识别
yolo训练模型或其他模型
人行道、商场、园区、非机动车道等场景
可用于单车违规停放高效治理、用户停车行为引导、城市非机动车道交通决策支撑等。

4、数据集标注结果

4.1、数据集内容

多角度场景：无人机视角数据样本，监控视角数据样本；
标注内容：names: ['bike']，总计1个分类；
图片总量：3596 张图片数据；
标注类型：含有Pascal VOC XML格式和yolo TXT格式；

5、训练过程

5.1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

——Annotations/ //存放xml文件

——images/ //存放jpg图像

——imageSets/

——labels/

整体项目结构如下所示：

5.2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import randomtrainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

5.3、数据集格式化处理

在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。
它打开XML文件，解析树结构，提取图像的宽度和高度。
然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。
对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。
最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。

import xml.etree.ElementTree as ET
import os
from os import getcwdsets = ['train', 'val', 'test']
classes = ['bike'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)def convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = (box[0] + box[1]) / 2.0 - 1y = (box[2] + box[3]) / 2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')out_file = open('data/labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text),float(xmlbox.find('xmax').text),float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))b1, b2, b3, b4 = b# 标注越界修正if b2 > w:b2 = wif b4 > h:b4 = hb = (b1, b2, b3, b4)bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')wd = getcwd()
for image_set in sets:if not os.path.exists('data/labels/'):os.makedirs('data/labels/')image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()list_file = open('data/%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))convert_annotation(image_id)list_file.close()

5.4、修改数据集配置文件

在ultralytics-main目录下创建一个data.yaml文件

train: data/train.txt
val: data/val.txt
test: data/test.txtnc: 1
names: ['bike']

5.5、执行命令

执行train.py

model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

5.6、模型预测

你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。

代码如下：

import cv2
from ultralytics import YOLO# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path) # Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径# Loop through the video frames
while cap.isOpened():# Read a frame from the videosuccess, frame = cap.read()if success:# Run YOLOv8 inference on the frame# results = model(frame)results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)results[0].names[0] = "道路积水"# Visualize the results on the frameannotated_frame = results[0].plot()# Write the annotated frame to the output fileout.write(annotated_frame)# Display the annotated frame (optional)cv2.imshow("YOLOv8 Inference", annotated_frame)# Break the loop if 'q' is pressedif cv2.waitKey(1) & 0xFF == ord("q"):breakelse:# Break the loop if the end of the video is reachedbreak# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()

也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：

yolo predict model="best.pt" source='demo.jpg'

6、获取数据集

文章底部或主页私信获取数据集~

二、YOLO共享单车检测系统

1、功能介绍

1. 模型管理

支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。

2. 图片检测

- 支持上传本地图片文件，自动完成格式校验。

- 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。

- 检测结果可下载保存。

3. 视频检测与实时流

- 支持上传本地视频文件，自动完成格式校验。

- 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。

- 支持摄像头实时检测（如有接入摄像头）。

4. 置信度阈值调节

- 前端可实时调整检测置信度阈值，动态影响检测结果。

- 阈值调整后，后端推理自动应用新阈值，无需重启。

5. 日志与状态反馈

- 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。

- 检测异常、错误信息及时反馈，便于排查。

- 一键清空日志，笔面长期占用内存。

2、创建环境并安装依赖：

conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt

3、启动项目

python app.py

打开浏览器访问：http://localhost:5000

4、效果展示

4.1、推理效果

4.2、日志文本框

4.3、摄像头检测

以红绿灯检测为例：

5、前端核心页面代码

<!doctype html>
<html lang="zh-CN"><head><meta charset="utf-8"><meta name="viewport" content="width=device-width,initial-scale=1"><title>视觉检测系统 - Web UI</title><link rel="stylesheet" href="/static/style.css"><link rel="icon" href="/favicon.ico">
</head><body><div class="container main-flex"><!-- 左侧内容区 --><div class="left-content"><header><h1>YOLO共享单车检测系统</h1><div id="currentModelDisplay" class="modelDisplay" title="当前模型">当前模型：未上传模型</div></header><main><div class="videoPanel"><div class="pane"><h3>原图 / 视频</h3><div class="preview" id="srcPreview">预览区</div></div><div class="pane"><h3>检测结果</h3><div class="preview" id="detPreview">检测结果</div></div></div><section class="logArea"><div class="logHeader"><h3>日志</h3></div><div class="logInner"><div id="logs" class="logs"></div></div></section></main></div><!-- 右侧按钮栏 --><aside class="right-bar"><!-- 1. 模型上传/加载区 --><section class="model-section"><button id="uploadModelBtn" class="ghost">上传模型<input id="modelFileInput" type="file" accept=".pt" title="选择 .pt 模型文件"></button><button id="loadModel">加载模型</button></section><!-- 2. 检测方式选择区 --><section class="detect-mode-section"><div class="detect-mode-title">请选择检测方式</div><div class="detect-mode-radio-group"><label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label><label><input type="radio" name="detectMode" value="camera"> 摄像头</label></div><div id="detectModeUpload" class="detect-mode-panel"><div class="uploaded-file-name"><span id="uploadedFileName" class="placeholder">未选择文件</span></div><div style="height: 22px;"></div><button id="uploadBtn">上传文件<input id="fileInput" type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频"></button></div><div id="detectModeCamera" class="detect-mode-panel" style="display:none;"><button id="cameraDetectBtn" class="ghost">开启摄像头</button><div id="cameraPreview" class="camera-preview"><video id="localCameraVideo" autoplay muted playsinline></video><div class="camera-controls"><button id="stopCameraBtn" class="ghost">关闭摄像头</button></div></div></div><div class="confWrap"><label class="conf">置信度<input id="confRange" type="range" min="0.01" max="0.99" step="0.01" value="0.5"><input id="confValue" type="number" min="0.01" max="0.99" step="0.01" value="0.5"></label></div></section><!-- 3. 操作按钮区 --><section class="action-btn-section"><button id="startBtn" disabled class="start">开始检测</button><button id="stopBtn" disabled class="stop">停止</button><button id="clearLogs" class="ghost">清空日志</button></section></aside></div><script src="/static/app.js"></script>
</body></html>