YOLOv11地铁站台与候车室行李目标检测数据集-153张-suitcase-1_6

YOLOv11地铁站台与候车室行李目标检测数据集

📊 数据集基本信息

• 目标类别： [‘bag’, ‘suitcase’]
• 中文类别：[‘包’, ‘行李箱’]
• 训练集：108 张
• 验证集：45 张
• 测试集：0 张
• 总计：153 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: 2
names: ['bag', 'suitcase']

🖼️ 标注可视化

📝 数据集分析

YOLOv11地铁站台与候车室行李目标检测数据集

该数据集专注于地铁站台及候车室场景中行李的精准检测，通过多角度、多时段的监控画面采集，全面覆盖了乘客携带行李的不同状态与场景。数据集的构建为提升地铁站内行李管理效率、保障乘客安全出行提供了高质量的视觉数据支持，具有重要的实际应用价值。

训练集包含108张图像，验证集包含45张图像，测试集暂未提供。这种分布比例合理，能够充分满足模型训练与性能验证的需求，同时预留了足够的样本用于后续测试评估，确保模型在不同场景下的泛化能力。

该数据集的标注工作细致规范，所有行李目标均被精确框选并分类标记，标注边界框紧密贴合物体轮廓，避免了冗余或遗漏。标注人员严格遵循统一的标准操作流程，确保了数据的一致性和可靠性，为模型的高效训练奠定了坚实基础。

该数据集可广泛应用于地铁运营安全管理、智能行李追踪系统开发以及公共场所人流密度分析等领域。其高精度的检测能力有助于提升车站工作人员的工作效率，优化乘客出行体验，并为智慧交通系统的建设提供有力的数据支撑。

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：

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

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