VisDrone2019 完整数据集下载目录
同时包含三种主流标注格式：COCO JSON、VOC XML、YOLO TXT
VisDrone2019 数据集🛰️：数据集介绍、下载📥 | 目标检测 | 水平框📌｜原始图像✅ | 原始标签✅｜VOC标签✅ | COCO 标签✅ | YOLO HBB标签✅
文章目录
- 一、基本背景
- 二、 数据集规模
-
- 2.1. 数据采集规模
- 2.2 采集场景多样性
- 三、标注类别
- 四、标注格式转换
-
- 4.1 原始标签
- 4.2 转换后的标签
- 五、训练样例
一、基本背景
VisDrone2019 是天津大学AISKYEYE实验室在ICCV2019发布的大规模无人机航拍视觉基准数据集，是无人机目标检测、跟踪、人群计数领域最主流的公开评测数据集，专门解决高空俯视视角下小目标、密集遮挡、尺度剧变等航拍特有难题，官方地址：https://github.com/VisDrone/VisDrone-Dataset。
二、 数据集规模
2.1. 数据采集规模
- Train：6471 张
- Val：548 张
- Test-dev（带标注，本地测试）：1610 张
- Test-challenge（无标注，官方竞赛提交）：1580 张
2.2 采集场景多样性
- 地域：中国14座城市，城乡、高速、商圈、广场、景区、城中村全覆盖；
- 环境：白天、黄昏、夜晚、阴天、轻度雾天；
- 拍摄条件：多款无人机、不同飞行高度、倾斜俯视角度、动态飞行带来运动模糊；
- 目标密度：稀疏车流、密集人流、停车场海量小车等极端场景并存。
三、标注类别
| 0 | ignored regions | 不可标注密集小目标区域（忽略区） | 过滤丢弃 |
| 1 | pedestrian | 站立/行走行人 | 有效类别 |
| 2 | people | 骑行、蹲坐、人群中人 | 有效类别 |
| 3 | bicycle | 自行车 | 有效类别 |
| 4 | car | 小轿车 | 有效类别（样本最多） |
| 5 | van | 面包车 | 有效类别 |
| 6 | truck | 货车、卡车 | 有效类别 |
| 7 | tricycle | 普通三轮车 | 有效类别 |
| 8 | awning-tricycle | 带篷三轮车 | 有效类别（样本极少，长尾） |
| 9 | bus | 大巴公交车 | 有效类别 |
| 10 | motor | 摩托车、电动车 | 有效类别 |
| 11 | others | 无关杂类、稀有机械车辆 | 过滤丢弃 |
实际训练一般只用 1~10共10类；数据集存在严重类别长尾：car数量是awning-tricycle的40倍以上。
name:
0: pedestrian # 站立/行走行人
1: people # 骑行、蹲坐、人群中人
2: bicycle # 自行车
3: car # 小轿车
4: van # 面包车
5: truck # 货车、卡车
6: tricycle # 普通三轮车
7: awning–tricycle # 带篷三轮车
8: bus # 大巴公交车
9: motor # 摩托车、电动车
四、标注格式转换
4.1 原始标签
每张图对应同名.txt，每行一条目标，逗号分隔8个字段：
x1,y1,w,h,score,category,truncation,occlusion
字段释义：
格式转换说明：
原生格式不是YOLO Darknet格式，训练前必须转换：
4.2 转换后的标签
转换后的完整数据集文件夹内容（包含COCO JSON、VOC XML、YOLO TXT三种主流标签）：
📁 VisDrone2019
├─ 📁 VisDrone2019-DET-test-challenge
│ ├─ 📁 images
│ │ ├─ 🖼️ *.jpg
│ │ └─ …
│ ├─ 📁 annotations-r
│ │ ├─ 📃 *.txt
│ │ └─ …
│ ├─ 📂 COCO
│ │ └─ 📁 annotations
│ │ └─ 📄 instances_test.json
│ ├─ 📂 VOC
│ │ └─ 📁 Annotations
│ │ ├─ 📜 *.xml
│ │ └─ …
│ └─ 📂 YOLO
│ ├─ 📃 *.txt
│ └─ …
├─ 📁 VisDrone2019-DET-test-dev
│ └─ 📁 images
│ ├─ 🖼️ *.jpg
│ └─ …
├─ 📁 VisDrone2019-DET-train
│ ├─ 📁 images
│ │ ├─ 🖼️ *.jpg
│ │ └─ …
│ ├─ 📁 annotations-r
│ │ ├─ 📃 *.txt
│ │ └─ …
│ ├─ 📂 COCO
│ │ └─ 📁 annotations
│ │ └─ 📄 instances_train.json
│ ├─ 📂 VOC
│ │ └─ 📁 Annotations
│ │ ├─ 📜 *.xml
│ │ └─ …
│ └─ 📂 YOLO
│ ├─ 📃 *.txt
│ └─ …
└─ 📁 VisDrone2019-DET-val
├─ 📁 images
│ ├─ 🖼️ *.jpg
│ └─ …
├─ 📁 annotations-r
│ ├─ 📃 *.txt
│ └─ …
├─ 📂 COCO
│ └─ 📁 annotations
│ └─ 📄 instances_val.json
├─ 📂 VOC
│ └─ 📁 Annotations
│ ├─ 📜 *.xml
│ └─ …
└─ 📂 YOLO
├─ 📃 *.txt
└─ …
各个文件夹含义：
📁 VisDrone2019
├─ 📁 VisDrone2019-DET-test-challenge # 测试集（无公开标注，竞赛提交专用）
│ ├─ 📁 images # 航拍原始图片 *.jpg
│ ├─ 📁 annotations-r # VisDrone官方原生txt标注（原始格式）
│ ├─ 📂 COCO
│ │ └─ 📁 annotations
│ │ └─ 📄 instances_test.json # 转换完成的COCO json格式标注（仅单个文件）
│ ├─ 📂 VOC
│ │ └─ 📁 Annotations # Pascal VOC *.xml 标注文件
│ └─ 📂 YOLO # YOLO系列训练用归一化txt标签
│
├─ 📁 VisDrone2019-DET-test-dev # 开发测试集（仅图片，用于本地验证，无官方原始标注）
│ └─ 📁 images # 航拍原始图片 *.jpg
│
├─ 📁 VisDrone2019-DET-train # 训练集
│ ├─ 📁 images # 航拍原始图片 *.jpg
│ ├─ 📁 annotations-r # VisDrone官方原生txt标注（原始格式）
│ ├─ 📂 COCO
│ │ └─ 📁 annotations
│ │ └─ 📄 instances_train.json # COCO格式训练标注
│ ├─ 📂 VOC
│ │ └─ 📁 Annotations # Pascal VOC *.xml 标注
│ └─ 📂 YOLO # YOLO归一化txt标签
│
└─ 📁 VisDrone2019-DET-val # 验证集
├─ 📁 images # 航拍原始图片 *.jpg
├─ 📁 annotations-r # VisDrone官方原生txt标注（原始格式）
├─ 📂 COCO
│ └─ 📁 annotations
│ └─ 📄 instances_val.json # COCO格式验证标注
├─ 📂 VOC
│ └─ 📁 Annotations # Pascal VOC *.xml 标注
└─ 📂 YOLO # YOLO归一化txt标签
五、训练样例
以YOLO 水平框标签为例进行训练：
