YOLOv11交通标志多类别目标检测数据集

📊 数据集基本信息

• 目标类别： [‘Ahead only’, ‘Beaware of icesnow’, ‘Bumpy road’, ‘Children Crossing’, ‘Dangerous curve left’, ‘Dangerous curve right’, ‘Double curve’, ‘End Speed - Passing limits’, ‘End no passing veh 3.5 tons’, ‘End of no passing’, ‘General caution’, ‘Go Stright or Left’, ‘Go Stright or Right’, ‘Keep Left’, ‘Keep Right’, ‘No entry’, ‘No passing’, ‘No passing veh over 3.5 tons’, ‘No vechiels’, ‘Pedestrains’, ‘Right-of-way at intersection’, ‘Road Narrows on The Right’, ‘Road Work’, ‘Roundabout mandatory’, ‘Slippery road’, ‘Traffic Signals’, ‘Turn Left Ahead’, ‘Turn Right Ahead’, ‘Wild Animals Crossing’, ‘Yield’, ‘ahead only’, ‘bycycle crossing’, ‘children crossing’, ‘end of speed limit -80 Km-h-’, ‘priority road’, ‘roundabout Mandatory’, ‘speed limit -100 Km-h-’, ‘speed limit -120 Km-h-’, ‘speed limit -20 Km-h-’, ‘speed limit -30 Km-h-’, ‘speed limit -50 Km-h-’, ‘speed limit -60 Km-h-’, ‘speed limit -70 Km-h-’, ‘speed limit -80 Km-h-’, ‘stop’, ‘turn left ahead’, ‘veh-3.5 tons is prohipted’]
• 训练集：3440 张
• 验证集：860 张
• 测试集：0 张
• 总计：4300 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: 47
names: ['Ahead only', 'Beaware of icesnow', 'Bumpy road', 'Children Crossing', 'Dangerous curve left', 'Dangerous curve right', 'Double curve', 'End Speed - Passing limits', 'End no passing veh 3.5 tons', 'End of no passing', 'General caution', 'Go Stright or Left', 'Go Stright or Right', 'Keep Left', 'Keep Right', 'No entry', 'No passing', 'No passing veh over 3.5 tons', 'No vechiels', 'Pedestrains', 'Right-of-way at intersection', 'Road Narrows on The Right', 'Road Work', 'Roundabout mandatory', 'Slippery road', 'Traffic Signals', 'Turn Left Ahead', 'Turn Right Ahead', 'Wild Animals Crossing', 'Yield', 'ahead only', 'bycycle crossing', 'children crossing', 'end of speed limit -80 Km-h-', 'priority road', 'roundabout Mandatory', 'speed limit -100 Km-h-', 'speed limit -120 Km-h-', 'speed limit -20 Km-h-', 'speed limit -30 Km-h-', 'speed limit -50 Km-h-', 'speed limit -60 Km-h-', 'speed limit -70 Km-h-', 'speed limit -80 Km-h-', 'stop', 'turn left ahead', 'veh-3.5 tons is prohipted']

🖼️ 标注可视化

📝 数据集分析

---

YOLOv11城市道路交通标志目标检测数据集

该数据集专注于城市道路场景中的交通标志识别，通过大量真实拍摄的交通标志图像，为自动驾驶、智能交通系统及车载辅助驾驶系统提供高精度的目标检测训练数据。数据集涵盖了多种常见交通标志类型，包括限速、方向指示、警告标志及禁令标志等，能够有效提升模型在复杂城市环境下的识别能力。

从数据分布来看，该数据集包含4300张图像，其中训练集3440张、验证集860张，测试集为0张。这种分布比例合理，能够充分满足模型训练与验证的需求，同时避免了测试集缺失可能带来的评估偏差。训练集与验证集的比例约为4:1，符合深度学习任务中常见的数据划分标准，有助于模型在训练过程中获得充分的学习机会，并在验证阶段进行有效的性能评估。

该数据集的标注工作严谨规范，所有交通标志均采用精确的矩形框标注，且标注边界与标志边缘高度吻合。标注人员严格遵循统一的分类标准，确保每个交通标志的类别标签准确无误。此外，标注过程中还特别关注了不同光照条件、角度变化及图像质量差异对标注的影响，保证了数据集的高质量和一致性，为后续模型训练奠定了坚实基础。

基于其丰富的数据覆盖和高质量的标注，该数据集可广泛应用于智能交通管理、自动驾驶车辆感知系统及车载导航辅助系统等领域。特别是在城市复杂道路环境中，该数据集能够帮助提升交通标志识别的准确性和实时性，为交通安全和智能出行提供有力支持，具有显著的行业应用价值和社会效益。

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