​
带标注的玩手机打电话识别数据集，可识别驾驶位，工作办公等多种场景的手机识别，识别率99.5%，1101张图，支持yolo，coco json，voc xml,文末有模型训练代码

模型训练指标参数：

模型训练图：

数据集拆分

总图数：1101 张图数
训练集

833 张图

验证集

126 张图

测试集

142 张图

预处理

自动定向：应用

调整大小：拉伸到640x640

增强

无

数据集标签：

phone_call

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92857378

yolo v12:https://download.csdn.net/download/pbymw8iwm/92857376

yolo v11:https://download.csdn.net/download/pbymw8iwm/92857373

yolo v9:https://download.csdn.net/download/pbymw8iwm/92857372

yolo v8:https://download.csdn.net/download/pbymw8iwm/92857370

yolo v7:https://download.csdn.net/download/pbymw8iwm/92857368

coco json:https://download.csdn.net/download/pbymw8iwm/92857375

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92857369

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py
​​

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2
 
# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径
 
# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径
 
# 使用模型对图片进行预测
results = model(image_path)
 
# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()
 
    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)
 
    # 等待按键退出
    cv2.waitKey(0)
 
    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()

推理结果：

{
“predictions”: [
{
“x”: 877.5,
“y”: 570,
“width”: 399,
“height”: 450,
“confidence”: 1,
“class”: “phone_call”,
“class_id”: 0,
“detection_id”: “82e9c401-45f5-4033-aa63-ab87188dd526”
}
]
}