DroneVehicle-Night

DroneVehicle-Night数据集基于DroneVehicle数据集筛选和处理得到，主要提取了其中具有夜间特征的可见光图像，并在原始标注文件基础上进行了格式转换。包含10,357对训练图像、868对验证图像和6,013对测试图像，每幅图像分辨率为840×712像素。标注文件以旋转边界框为核心，适合无人机航拍等复杂场景下的检测任务。数据涵盖城市道路、居民区、停车场等夜间场景，目标类别包括汽车、卡车、公共汽车、面包车和货车，实例数量分别为241,285、9,305、9,846、7,405和7,978个。The DroneVehicle-Night dataset is developed by screening and processing the original DroneVehicle dataset. It primarily extracts visible light images with nighttime features from the original dataset, and converts the annotation formats based on the original annotation files. It contains 10,357 training image pairs, 868 validation image pairs, and 6,013 test image pairs, with each image having a resolution of 840×712 pixels. The annotation files take rotated bounding boxes as the core, making them suitable for detection tasks in complex scenarios such as drone aerial photography. The dataset covers nighttime scenarios including urban roads, residential areas, parking lots, etc. The target categories include car, truck, bus, van and freight truck, with the number of instances being 241,285, 9,305, 9,846, 7,405 and 7,978 respectively.

原始信息汇总

DroneVehicle-Night夜间子集数据集概述

数据集来源

• 基于DroneVehicle数据集筛选和处理得到
• 主要提取具有夜间特征的可见光图像
• 原始数据集贡献者为天津大学VisDrone团队

数据规模

• 训练图像：10,357对
• 验证图像：868对
• 测试图像：6,013对
• 图像分辨率：840×712像素

标注信息

• 在原始XML标注文件基础上进行格式转换
• 生成以旋转边界框（Oriented Bounding Box, OBB）为核心的标注文件
• 相较于传统水平边界框更适合无人机航拍等复杂场景下的检测任务

场景特征

• 涵盖多种典型无人机视角下的夜间场景
• 包含城市道路、居民区、停车场等场景

目标类别及实例数量

• 汽车：241,285个实例
• 卡车：9,305个实例
• 公共汽车：9,846个实例
• 面包车：7,405个实例
• 货车：7,978个实例

下载地址

• 百度网盘：https://pan.baidu.com/s/1Oe7g_4c5XHPeuFsqphmumg
• 提取码：4av6

参考文献

• Zhu, P., Wen, L., Bian, X., Haibin, L., & Hu, Q. (2021). Vision Meets Drones: A Challenge. arXiv:2001.06303.
• 原始数据集地址：https://github.com/VisDrone/DroneVehicle

搜集汇总

数据集介绍

构建方式

在无人机视觉研究领域，夜间场景的目标检测面临独特挑战。DroneVehicle-Night数据集源自DroneVehicle基准数据集，通过精心筛选包含夜间特征的可见光图像构建而成。原始XML标注文件经过系统转换，生成以旋转边界框为核心的标注格式，这种设计更契合无人机航拍视角下目标的几何特性。数据涵盖城市道路、居民区和停车场等典型场景，最终形成包含10,357对训练图像、868对验证图像和6,013对测试图像的完整集合，每幅图像均保持840×712像素的统一分辨率。

特点

该数据集最显著的特征在于专注于夜间环境下的车辆目标检测，包含汽车、卡车、公共汽车等五类车辆共计275,819个标注实例。其标注体系采用旋转边界框技术，能更精确地描述无人机俯拍视角中目标的方位与轮廓。数据样本覆盖多种照明条件下的夜间场景，包括城市照明、车灯照射等复杂光环境，为研究夜间视觉任务提供了丰富的样本多样性。所有图像均来源于真实无人机航拍，保证了数据分布的实用性和挑战性。

使用方法

研究者可通过公开的百度网盘链接获取该数据集，提取码为4av6。使用时应按照标准计算机视觉流程，将数据集划分为训练、验证和测试三个子集进行模型开发。得益于统一的旋转边界框标注格式，该数据集可直接应用于目标检测算法的训练与评估，特别适合研究夜间场景下无人机视觉任务的特殊挑战。在学术引用时需注明原始DroneVehicle数据集的参考文献，以维护学术规范的完整性。

背景与挑战

背景概述

随着无人机技术的迅猛发展，夜间环境下的视觉感知成为计算机视觉领域的重要研究方向。DroneVehicle-Night数据集由天津大学VisDrone团队于2021年构建，聚焦于解决夜间低光照条件下无人机航拍图像中的车辆检测难题。该数据集通过提取原始DroneVehicle数据集的夜间可见光图像，并采用旋转边界框标注技术，显著提升了复杂场景下目标定位的精准度。其涵盖城市道路、居民区等典型场景的十万余个车辆实例，为自动驾驶和智能交通系统研究提供了关键数据支撑，推动了夜间视觉检测算法的创新与发展。

当前挑战

在无人机视觉领域，夜间车辆检测面临光照不足、目标模糊及背景干扰等多重挑战，传统水平边界框难以准确捕捉倾斜或重叠目标。DroneVehicle-Night数据集通过引入旋转边界框标注，有效应对了航拍视角下的几何形变问题，但构建过程中需克服夜间图像质量不均、标注一致性维护以及大规模数据清洗等技术难点。这些挑战不仅考验标注流程的严谨性，还要求算法具备更强的鲁棒性以适应低光照环境下的检测需求。

常用场景

经典使用场景

在无人机视觉研究领域，DroneVehicle-Night数据集专为夜间环境下的目标检测任务而设计。其经典应用场景包括在低光照条件下对城市道路、居民区和停车场等典型区域进行车辆识别，通过旋转边界框标注方式有效捕捉倾斜视角下的目标空间分布，为复杂夜间场景的算法验证提供了标准化基准。

解决学术问题

该数据集主要解决了夜间视觉目标检测中的光照不足、目标特征模糊等关键学术难题。通过提供大规模标注的夜间图像数据，显著推进了低光照条件下深度学习模型的泛化能力研究，填补了传统检测方法在极端光照环境下的性能空白，为计算机视觉领域的光照鲁棒性研究提供了重要数据支撑。

衍生相关工作

以该数据集为基础衍生出多项经典研究工作，包括基于旋转边界框的渐进式检测网络、多尺度特征融合的夜间检测框架等。这些成果通过改进特征提取模块和损失函数设计，显著提升了夜间场景下的检测精度，相关算法已被纳入主流目标检测库，持续推动着夜间视觉检测技术的前沿发展。