目录
UA-DETRAC BITVehicle车辆检测数据集使用说明和下载
一、车辆检测数据集介绍
1. UA-DETRAC车辆检测数据集
2. Vehicle-Dataset车辆检测数据集
3.BIT-Vehicle车辆检测数据集
二.车辆检测数据集下载地址
1. UA-DETRAC车辆检测数据集
2. Vehicle-Dataset车辆检测数据集
3. BITVehicle车辆检测数据集
三.基于YOLOv5的车辆检测(Python)
四.手机实现车辆检测(Android)
考虑到自动驾驶算法开发，经常要用到车辆检测数据集；这里分享鄙人整合的三个车辆检测数据集：UA-DETRAC，Vehicle-Dataset和BIT-Vehicle车辆检测数据集
【尊重原则，转载请注明出处】：https://panjinquan.blog.csdn.net/article/details/127907325
更多项目《智能驾驶 车牌检测和识别》系列文章请参考：
- 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181
- 智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068
- 智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209
- 智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704242
- 智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276
- 智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：https://blog.csdn.net/guyuealian/article/details/128222850
- 智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128240198
- 智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128240334
-
智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：https://blog.csdn.net/guyuealian/article/details/127907325
-
智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128099672
-
智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128190532
1. UA-DETRAC车辆检测数据集
UA-DETRAC 是一个具有挑战性的现实世界多目标检测和多目标跟踪基准。该数据集包含使用佳能 EOS 550D 相机在中国北京和天津的 24 个不同地点拍摄的 10 小时视频。视频以每秒 25 帧 (fps) 的速度录制，分辨率为 960×540 像素。UA-DETRAC 数据集中有超过 14 万帧和 8250 辆手动标注的车辆，总共有 121 万个标记的对象边界框，其中训练集约82085张图片，测试集约56167张图片。该数据集可用于多目标检测和多目标跟踪算法开发。
官方网站：The UA-DETRAC Benchmark Suite
下图展示了 DETRAC 数据集中带注释的帧。边界框的颜色反映遮挡状态，包括完全可见（红色）、部分被其他车辆遮挡（蓝色）或部分被背景遮挡（粉红色）。车辆 ID、方向、车辆类型和截断率显示在边界框中。其中浅灰色区域代表被忽略区域，这在基准测试中会被忽略。另外在每帧的左下角还显示了天气状况、摄像头状态和车辆密度。
- 车辆类别 我们将车辆分为四类，即小汽车（car）、公共汽车（bus）、货车（van）和其他（others）。
- 天气 我们考虑四类天气条件，即多云、夜晚、晴天和下雨。
- 比例 我们将带注释的车辆的比例定义为其面积的平方根（以像素为单位）。我们将车辆分为三个等级：小型（0-50 像素）、中型（50-150 像素）和大型（超过 150 像素）。
- 遮挡率 我们使用被遮挡的车辆边界框的分数来定义遮挡程度。我们将遮挡程度分为三类：无遮挡、部分遮挡和严重遮挡。具体来说，我们定义部分遮挡，如果车辆的遮挡率在 1%-50% 之间，如果遮挡率大于 50%，则定义为重度遮挡。
- 截断率 截断率表示车辆部件超出框架的程度，用于训练样本选择。
为了方便可视化DETRAC数据集的目标检测框的效果，这里提供一个可视化Python脚本
需要用的几个python依赖包，pip安装即可:
- 这里没有区分可见和被遮挡的车辆，统一用蓝色框表示
- 黑色框表示被忽略的区域（ignored_region）
- 共有四个类别：['car', 'bus', 'others', 'van']
目标检测中，我们常使用VOC数据格式，这里实现将UA-DETRAC数据集转换为VOC数据格式,
需要特别注意的是：
- 这里没有区分可见和被遮挡的车辆，按照原始标注，分为四个类别：['car', 'bus', 'others', 'van']
- 原始标注文档中的ignored_region表示被忽略区域，即使有车辆，也没有检测框，因此转换VOC格式时，这部分也被忽略了（由于ignored_region也可能存在车辆，因此对目标检测会有点影响）
- 很可惜，UA-DETRAC没有标注非机动车（如摩托车，三轮车，电动车）都没有标注
运行完成后，会生成 Annotations和JPEGImages两个文件夹，后面就可以用于目标检测
2. Vehicle-Dataset车辆检测数据集
这是来自美丽印度的车辆检测数据集，共3000张，共标注了21个类别，包含自行车(bicycle),公共汽车(bus),汽车(car),摩托车(motorbike)等常见的车辆类别；已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练
21个车辆类别如下：
3.BIT-Vehicle车辆检测数据集
BIT-Vehicle数据集是国内车辆检测数据集，包含9850个车辆图像。数据集中有两个摄像头在不同时间和地点拍摄的大小为1600*1200 和1920*1080的图像。 图像包含照明条件、比例、车辆表面颜色和视点的变化。
由于捕获延迟和车辆的大小，某些车辆的顶部或底部未包含在图像中。一幅图像中可能有一两辆车，因此每辆车的位置都被预先标注。 该数据集还可用于评估车辆检测的性能。 数据集中的所有车辆分为6类：公共汽车(Bus)、微型客车(Microbus)、小型货车(Minivan)、轿车(Sedan)、SUV(SUV) 和卡车(Truck)。 每种车型的车辆数量分别为558辆、883辆、476辆、5922辆、1392辆和822辆；
原始标注文档是Matlab数据格式保存（VehicleInfo.mat），现已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练。
如需下载项目源码，请WX关注【AI吃大瓜】，回复【车辆检测】即可下载
项目资源内容包含：
1. UA-DETRAC车辆检测数据集
- UA-DETRAC车辆检测数据集： 包含原始官网下载的Train和Test数据集，以及标注文档Annotations，训练集约82085张图片，测试集约56167张图片
- 共4个类别：小汽车（car）、公共汽车（bus）、货车（van）和其他（others）。
- UA-DETRAC车辆检测数据集VOC数据格式（DETRAC-VOC）： 已经将原始官网下载的Train和Test数据集转换为VOC数据格式，可以直接用于深度学习检测模型训练
2. Vehicle-Dataset车辆检测数据集
- Vehicle-Dataset车辆检测数据集：总共3000张，共标注了21个类别，包含自行车(bicycle),公共汽车(bus),汽车(car),摩托车(motorbike)等常见的车辆类别；
- 已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练
3. BITVehicle车辆检测数据集
- BITVehicle车辆检测数据集：总共9850张图片，标注了6个类别：公共汽车(Bus)、微型客车(Microbus)、小型货车(Minivan)、轿车(Sedan)、SUV(SUV) 和卡车(Truck)
- 已经将标注格式转换其VOC数据格式了，可以直接用于深度学习目标检测模型训练