traffic-vehicle-detection

该数据集是Edge-AI交通车辆检测数据集（UA-DETRAC CCTV），源自Edge-AI交通与车辆分析系统项目。它基于UA-DETRAC基准，从固定交叉口监控摄像头中整理并标准化了23,319张CCTV交通图像，共包含215,109个标注边界框，采用标准YOLO格式，涵盖4类车辆：car（小汽车，177,403个边界框，占82.5%）、bus（公交车，3,523个，1.6%）、truck（卡车，16,051个，7.5%）和van（面包车，18,132个，8.4%）。数据集已划分为训练集（18,655张图像，占80%）、验证集（2,332张，10%）和测试集（2,332张，10%）。所有图像分辨率归一化为640x640（原生分辨率为960x540）。该数据集适用于目标检测任务，特别是车辆检测场景，可用于智能交通、智慧城市等应用。许可证为CC-BY-4.0。This dataset is the Edge-AI Traffic Vehicle Detection dataset (UA-DETRAC CCTV), derived from the Edge-AI Traffic and Vehicle Analysis System project. Based on the UA-DETRAC benchmark, it compiles and standardizes 23,319 CCTV traffic images from fixed intersection surveillance cameras, containing a total of 215,109 annotated bounding boxes in standard YOLO format, covering 4 vehicle categories: car (177,403 boxes, 82.5%), bus (3,523 boxes, 1.6%), truck (16,051 boxes, 7.5%), and van (18,132 boxes, 8.4%). The dataset is split into training set (18,655 images, 80%), validation set (2,332 images, 10%), and test set (2,332 images, 10%). All images are resized to 640x640 (native resolution 960x540). This dataset is suitable for object detection tasks, especially vehicle detection scenarios, and can be used in intelligent transportation, smart cities, and other applications. License: CC-BY-4.0.

原始信息汇总

数据集概述：Edge-AI Traffic Vehicle Detection (UA-DETRAC CCTV)

基本信息

• 数据集名称: Edge-AI Traffic Vehicle Detection (UA-DETRAC CCTV)
• 维护者: thundarstrom
• 许可证: CC-BY-4.0
• 任务类型: 目标检测（object-detection）
• 语言: 英语
• 数据规模: 10K < n < 100K

数据内容

• 图像数量: 23,319 张CCTV交通监控图像（来源于UA-DETRAC基准数据集）
• 标注框数量: 215,109 个边界框，采用YOLO标准格式
• 分辨率: 640x640（标准化处理，原始分辨率为960x540）
• 数据来源: 固定路口监控摄像头

类别分布

类别	边界框数量	占比
汽车（car）	177,403	82.5%
公交车（bus）	3,523	1.6%
卡车（truck）	16,051	7.5%
面包车（van）	18,132	8.4%

数据集划分

• 训练集: 18,655 张图像（80%）
• 验证集: 2,332 张图像（10%）
• 测试集: 2,332 张图像（10%）

使用方式

通过Python SDK下载

python from huggingface_hub import snapshot_download

local_path = snapshot_download( repo_id="thundarstrom/traffic-vehicle-detection", repo_type="dataset", local_dir="data/datasets/vehicle_detection" )

推荐训练配置

bash python scripts/train_models.py --task vehicle --model yolov8s.pt --epochs 100 --imgsz 640 --batch 32

所属项目

该数据集是 Edge-AI Real-Time Traffic Violation Detection & ANPR（边缘AI实时交通违规检测与车牌识别）项目的一部分，属于交通与车辆分析系统。

搜集汇总

数据集介绍

构建方式

该数据集源自UA-DETRAC基准，从固定路口监控摄像头采集的原始交通影像中精心筛选并标准化了23,319幅CCTV图像，共计标注215,109个边界框，涵盖轿车、公交车、卡车及厢式货车四类车辆。原始图像分辨率为960x540，经归一化处理至640x640以满足YOLO格式要求。按照80%训练、10%验证及10%测试的比例划分为三部分，确保模型训练与评估的均衡性。

特点

数据集在类别分布上呈现出显著的长尾特征，其中轿车类别占据绝对主导，比例高达82.5%，而公交车类别仅占1.6%，这种不平衡分布为算法鲁棒性带来挑战。所有标注框均以标准YOLO格式呈现，便于直接用于主流目标检测框架。此外，图像源于真实交通监控场景，涵盖多种光照与天气条件，增强了数据集的领域代表性。

使用方法

使用者可通过多种途径便捷获取数据。推荐采用项目内自动化脚本`download_hf_datasets.py`，或利用HuggingFace SDK的`snapshot_download`函数将数据集下载至本地。针对训练环节，建议执行`train_models.py`脚本并指定YOLOv8s模型、100轮迭代及640像素输入尺寸，以快速复现实验或进行性能基准测试。数据集的CC-BY-4.0许可授权了灵活的应用场景。

背景与挑战

背景概述

该数据集源自Edge-AI实时交通违规检测与车牌识别项目，由维护者thundarstrom于近年整理发布，基于UA-DETRAC基准数据集进行筛选与标准化处理。其核心研究问题聚焦于固定路口监控场景下的多类车辆目标检测，旨在为边缘计算环境下的智能交通系统提供高质量的训练与评估资源。数据集包含23,319幅CCTV交通图像，标注了215,109个边界框，覆盖轿车、巴士、卡车及厢式货车四类车辆，并划分为训练、验证与测试子集。该数据集的发布促进了车辆检测算法在真实监控场景中的性能评估，尤其适用于资源受限的边缘AI设备，对智慧城市交通管理领域具有显著的推动意义。

当前挑战

该数据集所应对的领域挑战包括复杂交通场景下的多尺度车辆检测、遮挡与光照变化带来的鲁棒性问题，以及类别不平衡现象——轿车样本占比高达82.5%，而巴士仅占1.6%，易导致模型对少数类的漏检。在构建过程中，需从UA-DETRAC原始数据中筛选出有效帧，进行分辨率统一（调整为640×640）与YOLO格式转换，同时确保标注的准确性和一致性；此外，庞大的图像数量与边界框数据对存储、传输及处理效率提出了技术要求，促使开发了自动化下载与训练脚本以简化使用流程。这些挑战共同考验了数据集在真实应用中的泛化能力与实用价值。

常用场景

经典使用场景

该数据集聚焦于城市固定路口监控场景下的车辆目标检测，涵盖轿车、客车、卡车及厢式货车四类常见机动车辆。其图像采集自固定位置的CCTV监控摄像头，视角稳定且光照条件多样，高度契合智能交通系统中对实时车辆感知的需求。研究者常将其作为基准数据集，用于训练和评估基于深度学习的目标检测模型，如YOLO系列，在交通监控场景下的性能表现。数据集的标注格式统一为YOLO格式，且已划分训练、验证与测试集，便于直接开展模型训练与精度验证，是车辆检测领域标准化实验的重要资源。

衍生相关工作

该数据集衍生出一系列值得关注的学术工作，包括但不限于基于YOLO架构的实时车辆检测优化、针对监控视角下车辆遮挡与密集场景的检测改进，以及跨数据集泛化性能的迁移学习研究。部分工作利用该数据集结合数据增强或模型压缩技术，探索边缘设备上的高效部署方案。同时，其与UA-DETRAC原始基准的关联性促使研究者开展多数据集联合训练，以增强模型对多样交通环境的适应性，相关成果为车辆检测技术的持续演进提供了坚实基础。

数据集最近研究

最新研究方向

在智慧城市与边缘计算深度融合的浪潮中，交通车辆检测数据集正向着高精度、实时性与轻量化方向演进。本数据集基于UA-DETRAC基准，整合23,319幅固定路口监控影像，标注逾21.5万边界框，覆盖轿车、客车、卡车及厢式货车四大类别，为多尺度目标检测与异构交通流分析提供了坚实的数据支撑。其YOLO格式与640×640标准化分辨率设计，契合边缘设备对模型推理效率的严苛要求，推动了轻量化检测网络在嵌入式平台上的部署优化。当前研究焦点集中于利用此类真实场景数据增强模型在恶劣光照、遮挡及密集交通下的鲁棒性，同时探索域自适应与半监督学习策略，以缓解标注成本与数据分布偏移问题。该数据集的发布不仅助力交通违规识别、自动车牌识别等智能交通系统模块的性能跃升，也为城市级车辆动态感知与路径规划研究奠定了量化实验基础，对促进边缘AI在公共安全与智慧出行中的落地具有显著意义。