针对违规悬挂的识别数据

1.算法训练：作为目标检测模型（YOLOv8/YOLOv11等）的训练数据集，除基础检测训练外，算法衍生字段可用于训练场景分析模型（碰撞风险预测、密度评估等） 2.模型验证与测试：通过验证集和测试集评估模型检测精度（mAP、Precision、Recall），同时验证场景分析算法的准确性和业务价值。 3.场景算法优化：利用算法衍生字段的数据分布特征，持续优化场景分析算法的参数阈值（碰撞风险的IoU阈值、密度指数分段等）。 4.标注质量评估：利用坐标的几何一致性（凸四边形验证、面积合理性检查）评估标注质量，建立标注质量反馈机制。 5.城市管理执法部门：基于违规等级自动生成巡查工单，定向处置高空悬挂和超大尺寸违规广告 6.智慧城市运营中心：利用位置高度指数和宽高比分布分析各区域广告合规率，辅助城市精细化管理考核 7.物业管理公司：基于横幅评分数据对管辖建筑外立面广告进行合规自检 8.户外广告审批机构：利用宽高比等几何约束作为广告审批的技术参考标准 9.城市视觉规划设计院：基于横幅分布数据优化城市广告位规划和视觉景观设计1. 数据采集：采集目标检测图像标注数据，数据来源于无人机航拍与监控摄像头的图像采集。标注格式采用OBB旋转标注框格式（4顶点坐标：x1,y1,x2,y2,x3,y3,x4,y4），坐标归一化至[0,1]区间。并提取标注字段包括：序号（从1开始连续编号）、图片名称、类型编号、类型名称、以及OBB标注框坐标等内容。 2.数据处理：坐标归一化验证：确保所有坐标值均在[0,1]有效范围内；标注框几何有效性检查：验证OBB标注框形成有效凸四边形/HBB标注框宽高均为正值；类别信息校验：确保类型编号与类型名称一一对应，无缺失或错误映射；图片名称去重校验：确保每张图片的标注归属正确，无孤立的标注记录；异常值处理：剔除坐标超出[0,1]范围、面积为0或过大的异常标注。 3. 算法加工 （一）基础几何计算 标注框中心X = (x1+x2+x3+x4)/4，标注框中心Y = (y1+y2+y3+y4)/4，保留6位小数。 标注框面积 = |x1×y2+x2×y3+x3×y4+x4×y1−x2×y1−x3×y2−x4×y3−x1×y4|/2（Shoelace公式），保留6位小数。 （二）场景分析算法 （1）宽高比计算：取OBB四点的最小外接矩形，宽高比=外接矩形宽度÷外接矩形高度。横幅类目标宽高比通常>2.0。 （2）位置高度指数：取标注框中心Y坐标，Y越接近0表示悬挂位置越高（建筑物顶部区域），高空悬挂的横幅通常为违规设置。 （3）横幅违规评分 = min(10, (宽高比/3.0) × (1−位置高度指数) × 10)，宽高比越大、位置越高，违规分越高。 （4）违规等级：<2分=正常横幅（如合法店招），2-5分=疑似违规（需人工复核），≥5分=明确违规（建议立即处置）。 （三）数据划分 按7:1.5:1.5比例随机划分训练集、验证集、测试集，划分时按类别分层抽样，确保各子集类别分布一致。

搜集汇总

背景与挑战

背景概述

该数据集是杭州团簇科技有限公司持有的针对违规悬挂（如横幅广告）的识别数据，包含2000条来自无人机航拍和监控图像的目标检测标注信息。数据采用OBB旋转标注框格式，记录坐标、类别及衍生特征如宽高比、位置高度指数和违规评分，可用于训练YOLO等目标检测模型、评估检测精度、优化场景分析算法，并支持城市管理、智慧城市运营、物业管理及广告审批等应用场景。