ARTICLE DETAIL

资讯详情

深耕网站视觉设计与运营推广的一线实战洞察。

智慧港口作业监测-港口高点监控作业机械及人员实例分割数据集 YOLOV11港口高点监控作业机械及人员检测系统

智慧港口作业监测-港口高点监控作业机械及人员实例分割数据集 YOLOV11港口高点监控作业机械及人员检测系统 智慧港口作业监测-港口高点监控作业机械及人员实例分割数据集7383张yolovoccoco三种标注方式数据集统计信息图像尺寸:1152*2048类别数量: 10 类训练集图像:6792; 验证集图像:468; 测试集图像:123总图像数: 7383类别分布:类别名称 | 包含该类别的图像数 | 总标注数car-小轿车734,734container-集装箱434,448forklift-叉车4346,4353person-人员5235,11525pickup truck-皮卡车32,32road barrier-道路护栏4527,15643roadblock-路障6532,9252tractor-拖拉机988,996trailer-挂车919,935van-厢式货车150,156模型代码模型训练使用yolov11n-seg训练80个epoch训练结果map如描述图所示。qt界面运行界面采用pyqt5编写本项目已经训练好模型配置好环境后可直接使用运行效果见描述图像附、配套文件全套完整完整数据集含原始图像、YOLO 格式 txt 标注、VOC 格式 xml 标注、yaml 配置文件模型程序文件训练代码 .py、训练好的模型权重 .ptQt 界面源码.py 源码及配套图标资源程序运行说明文档程序运行步骤说明指导文档港口高点监控作业机械及人员实例分割数据集数据集总览表项目参数详情数据集名称港口高点监控作业机械及人员实例分割数据集图像总数量7383张图像分辨率1152 × 2048标注格式YOLO、VOC、COCO任务类型实例分割训练集6792张验证集468张测试集123张类别总数10类训练模型YOLOv11n‑seg训练轮次80 epochGUI界面PyQt5开发可图片/视频/摄像头推理配套资源原图、多格式标注、yaml配置、训练代码、pt权重、Qt界面源码、部署文档类别统计表英文类别中文类别含该类别图像数标注框总数car小轿车734734container集装箱434448forklift叉车43464353person人员523511525pickup truck皮卡车3232road barrier道路护栏452715643roadblock路障65329252tractor拖拉机988996trailer挂车919935van厢式货车150156labels.txtcar container forklift forklift person pickup truck road barrier roadblock tractor trailer van关键词港口实例分割、码头高点监控、港口人员机械检测、YOLOv11‑seg、港口作业安全、container segmentation、码头叉车人员分割、多格式分割数据集、PyQt5可视化界面应用场景港口码头智能安防监控高点摄像头实时分割作业人员、叉车、集装箱、护栏路障识别违规闯入、人员危险区域作业。港口作业态势感知统计场内机械叉车、挂车、拖拉机、货车数量辅助码头调度管理。港口安全风险预警识别人员靠近大型机械、路障护栏移位异常实现安全告警。计算机视觉算法研究复杂港口逆光、广角畸变场景下实例分割模型训练、对比实验。项目工程落地可直接二次开发为码头本地监控系统支持图片、本地视频、实时摄像头流推理。课程设计/毕设项目自带PyQt5完整可视化界面可直接作为港口视觉方向毕设工程。yaml配置文件 port_seg.yamlpath:./port_datasettrain:images/trainval:images/valtest:images/testnames:0:car1:container2:forklift3:person4:pickup truck5:road barrier6:roadblock7:tractor8:trailer9:van简易训练代码 train.pyfromultralyticsimportYOLOif__name____main__:# 加载实例分割预训练权重modelYOLO(yolov11n-seg.pt)resultsmodel.train(dataport_seg.yaml,epochs80,imgsz1152,batch8,device0,workers2,patience10,projectruns/train,nameport_seg_exp)print(训练完成权重保存至runs/train/port_seg_exp)PyQt5界面推理核心片段fromultralyticsimportYOLO modelYOLO(best.pt)defseg_infer(image):resmodel.predict(image,conf0.5,tasksegment)returnres[0].plot()依赖安装pipinstallultralytics pyqt5 opencv-python
返回列表