YOLOv11城市道路救护车与车辆目标检测数据集

📊 数据集基本信息

• 目标类别： [‘Ambulance’, ‘Bicycle’, ‘Bus’, ‘Car’, ‘Motorcycle’, ‘Truck’]
• 中文类别：[‘救护车’, ‘自行车’, ‘巴士’, ‘汽车’, ‘摩托车’, ‘卡车’]
• 训练集：1244 张
• 验证集：361 张
• 测试集：184 张
• 总计：1789 张

📄 data.yaml 配置信息

该数据集提供了data.yaml文件，内容如下：

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 6
names: ['Ambulance', 'Bicycle', 'Bus', 'Car', 'Motorcycle', 'Truck']

🖼️ 标注可视化

📝 数据集分析

YOLOv11城市道路救护车与车辆目标检测数据集

该数据集专注于城市道路场景中救护车、汽车、巴士及卡车等核心交通目标的精准检测，通过大量真实街景图像构建而成。数据集包含1789张标注图像，其中训练集1244张、验证集361张、测试集184张，各阶段数据分布合理，能够有效支持模型训练与性能评估。所有标注均采用严格的标准框定义，确保了目标位置和类别的精准识别，为相关领域的研究与应用提供了高质量的数据基础。

从数据分布来看，该数据集涵盖了白天与夜间、城市主干道与居民区等多种典型道路场景，各类别样本数量均衡，充分考虑了不同光照条件、天气状况及拍摄角度的影响，保证了模型在复杂环境下的鲁棒性。训练集、验证集与测试集的比例分配科学合理，能够全面反映实际应用场景中的多样性特征。

在标注质量方面，该数据集表现出极高的专业水准。所有目标均采用精确的矩形框标注，且标注者严格遵循统一的分类标准，避免了人为误差。救护车、汽车、巴士等关键目标的标注边界清晰，类别标签准确无误，为深度学习模型的高效训练提供了可靠保障。同时，标注过程严格执行规范流程，确保了数据的一致性和可复用性。

该数据集可广泛应用于智能交通系统、道路安全监控、应急救援调度等领域。其精准的目标检测能力有助于提升城市交通管理效率，辅助实现救护车优先通行、车辆违章监测等功能，对推动智慧城市建设具有重要价值。特别是在紧急医疗救援场景中，该数据集能够为快速定位救护车提供可靠的技术支持，助力提升应急响应速度。

YOLOv11训练步骤

一、环境安装

pip install ultralytics
# 依赖要求：Python≥3.8，PyTorch≥1.8。安装完成后可通过 `yolo checks` 验证环境。

二、数据集准备（YOLO格式）

1. 目录结构

数据集必须严格按以下结构组织：

dataset/
├── train/
│   ├── images/          # 训练图片（jpg/png）
│   └── labels/          # YOLO格式标注（txt）
├── val/
│   ├── images/
│   └── labels/
└── data.yaml            # 数据集配置文件

2. YOLO标注格式

每个 *.txt 文件对应一张图片，每行格式为：

class_id center_x center_y width height

所有数值均为相对于图片宽高的归一化值（0~1）。

3. data.yaml 配置文件

# data.yaml
path: ../dataset          # 数据集根目录（相对或绝对路径）
train: train/images       # 训练集图片路径
val: val/images           # 验证集图片路径
test: test/images         # 测试集图片路径（可选）

# 类别信息
nc: 2                     # 类别数量
names: ['class1', 'class2']  # 类别名称列表

三、模型选择

YOLO11 提供 5 种尺度，官方命名规则为 yolo11{n/s/m/l/x}.pt：

模型	参数量	适用场景
yolo11n	2.6M	边缘设备、速度优先
yolo11s	9.4M	平衡精度与速度
yolo11m	20.1M	常规GPU训练
yolo11l	25.3M	高精度需求
yolo11x	56.9M	极致精度、算力充足

四、模型训练

方式1：Python API（推荐）

创建 train.py：

from ultralytics import YOLO

def main():
    # 加载预训练模型（推荐：基于COCO预训练权重微调）
    model = YOLO("yolo11m.pt")

    # 训练参数
    train_params = {
        'data': 'data.yaml',           # 数据集配置文件
        'epochs': 100,                 # 训练轮次
        'imgsz': 640,                  # 输入图像尺寸
        'batch': 16,                   # 批次大小（根据显存调整）
        'device': '0',                 # GPU设备号，'cpu'表示CPU训练
        'workers': 8,                  # 数据加载线程数
        'optimizer': 'SGD',            # 优化器：SGD/Adam/AdamW
        'lr0': 0.01,                   # 初始学习率
        'patience': 50,                # 早停耐心值
        'save': True,                  # 保存模型
        'project': 'runs/train',       # 项目保存路径
        'name': 'exp',                 # 实验名称
        'single_cls': False,           # 单类别检测设为True
        'close_mosaic': 10,            # 最后N轮关闭马赛克增强
    }

    # 开始训练
    results = model.train(**train_params)

    # 输出最佳模型路径
    print(f"Best model saved at: {results.best}")

if __name__ == '__main__':
    main()

三种模型加载方式对比：

# 方式A：从YAML构建全新模型（从头训练，适合网络结构改进）
model = YOLO("yolo11m.yaml")

# 方式B：加载预训练权重（最常用，推荐）
model = YOLO("yolo11m.pt")

# 方式C：构建新模型并迁移预训练权重（改进网络后使用）
model = YOLO("yolo11m.yaml").load("yolo11m.pt")

方式2：命令行 CLI

# 基础训练
yolo detect train data=data.yaml model=yolo11m.pt epochs=100 imgsz=640 batch=16 device=0

# 多GPU训练
yolo detect train data=data.yaml model=yolo11m.pt epochs=100 device=0,1

# 从YAML+预训练权重训练
yolo detect train data=data.yaml model=yolo11m.yaml pretrained=yolo11m.pt epochs=100

五、关键训练参数说明

参数	说明	建议值
epochs	训练总轮次	100~300
imgsz	输入尺寸	640（标准）
batch	批次大小	8/16/32（根据显存）
device	训练设备	0（单GPU）、0,1（多GPU）、cpu、mps（Apple芯片）
workers	数据加载线程	8~16（Windows建议≤8）
optimizer	优化器	SGD（默认）、Adam、AdamW
lr0 / lrf	初始/最终学习率	0.01 / 0.01
momentum	SGD动量	0.937
weight_decay	权重衰减	0.0005
single_cls	单类别模式	True/False
resume	恢复中断训练	True（需指定last.pt）
amp	自动混合精度	True（默认开启，省显存）

六、模型验证

创建 val.py：

from ultralytics import YOLO

def main():
    # 加载训练好的最佳权重
    model = YOLO('runs/train/exp/weights/best.pt')

    # 验证
    metrics = model.val(
        data='data.yaml',
        split='val',              # 验证集：'val' 或 'test'
        imgsz=640,
        batch=16,
        iou=0.6,                  # NMS IoU阈值
        device='0',
        save_json=False,          # 是否保存COCO格式JSON
    )

    # 输出关键指标
    print(f"mAP50-95: {metrics.box.map}")   # mAP@0.5:0.95
    print(f"mAP50: {metrics.box.map50}")    # mAP@0.5
    print(f"mAP75: {metrics.box.map75}")    # mAP@0.75

if __name__ == '__main__':
    main()

CLI 方式：

yolo detect val model=runs/train/exp/weights/best.pt data=data.yaml

七、模型推理/预测

创建 predict.py：

from ultralytics import YOLO
import cv2

def main():
    model = YOLO('runs/train/exp/weights/best.pt')

    # 单张图片推理
    results = model.predict(
        source='test_images/',    # 图片路径、文件夹、URL或摄像头索引（0）
        imgsz=640,
        conf=0.25,                # 置信度阈值
        iou=0.45,                 # NMS IoU阈值
        device='0',
        save=True,                # 保存结果图
        show=False,               # 是否弹窗显示
    )

    # 遍历结果
    for result in results:
        boxes = result.boxes      # 检测框
        masks = result.masks      # 分割掩码（如使用分割模型）
        probs = result.probs      # 分类概率

        # 获取坐标、置信度、类别
        for box in boxes:
            x1, y1, x2, y2 = box.xyxy[0].tolist()
            conf = box.conf[0].item()
            cls = int(box.cls[0].item())
            print(f"Class: {cls}, Conf: {conf:.2f}, Box: [{x1:.1f}, {y1:.1f}, {x2:.1f}, {y2:.1f}]")

if __name__ == '__main__':
    main()

CLI 方式：

yolo detect predict model=runs/train/exp/weights/best.pt source=test_images/ save=True

## 数据集下载>     小郭AI日志