PKLot

PKLot数据集包含12,416张从监控摄像头帧中提取的停车场图像。这些图像包括不同天气条件下的变化，如晴天、阴天和雨天。每个停车位都被标记为占用或空置。原始数据集的注释已转换为标准的目标检测格式，使用边界框包围旋转的矩形。The PKLot dataset consists of 12,416 parking lot images extracted from surveillance camera frames. These images were captured under diverse weather conditions including sunny, overcast and rainy scenarios. Each parking space is annotated as either occupied or vacant. The original annotations of the dataset have been converted to the standard object detection format, where bounding boxes are used to enclose rotated rectangles.

原始信息汇总

数据集概述

数据集名称

Object Detection: Parking Spot

数据集简介

该数据集专注于使用YOLO V8架构进行停车位可用性的目标检测。数据集包含在不同天气条件下标注的停车场图像，类别标识为空闲和占用的停车位。

数据集内容

• 数据集名称: PKLot
• 图像数量: 12,416张
• 图像来源: 监控摄像头帧
• 天气条件: 晴天、多云、雨天
• 标注信息: 每个停车位标注为空闲或占用，标注格式为标准目标检测格式，包含旋转矩形的边界框。

数据集许可证

• 许可证类型: Creative Commons Attribution 4.0 License
• 数据集来源: PKLot数据集在Roboflow上的摘要

数据集引用

Almeida, P., Oliveira, L. S., Silva Jr, E., Britto Jr, A., Koerich, A., PKLot – A robust dataset for parking lot classification, Expert Systems with Applications, 42(11):4937-4949, 2015.

数据集结构

object-detection-parking-spot/ ├── configs/ # 预训练的YOLO V8权重文件 ├── data/ # 数据集 │ ├── preprocessed/ # 预处理后的数据集，包含标签和图像 │ └── raw/ # 原始下载的ZIP文件 ├── Dockerfile # Docker设置 ├── environment.yml # Conda环境设置 ├── examples.png # 示例可视化摘要图 ├── LICENSE # 项目许可证 ├── main.py # 主管道脚本 ├── README.md # 项目README ├── requirements.txt # Python依赖项 ├── results/ # 推理和评估的输出 │ ├── evaluation/ # 评估特定文件 │ ├── confusion_matrix.png # 混淆矩阵可视化 │ ├── confusion_matrix_norm.png # 归一化混淆矩阵 │ ├── F1_curve.png # F1曲线可视化 │ ├── P_curve.png # 精确度-置信度曲线 │ ├── PR_curve.png # 精确度-召回率曲线可视化 │ └── R_curve.png # 召回率-置信度曲线 │ ├── evaluation_metrics.txt # 评估指标摘要 │ ├── ground_truth_.png # 真实标签可视化 │ └── predicted_detection_.png # 模型预测可视化 ├── src/ # 源代码 │ ├── data.py # 数据准备脚本 │ ├── eval.py # 评估脚本 │ ├── infer.py # 推理脚本 │ └── train.py # 训练脚本 └── yolov8.png # YOLO V8示意图

评估结果

• 测试数据集: 1,242张图像，70,684个实例
• 评估指标:
  • 精确度: 0.9978
  • 召回率: 0.9972
  • mAP@0.5: 0.9941
  • mAP@0.5:0.95: 0.9707

可视化结果

• 混淆矩阵: 提供模型性能的可视化表示，显示每个类别的真正例、假正例和假反例。
• 精确度-召回率曲线: 用于理解模型在不同置信度阈值下的行为。

安装与使用

Conda环境设置

1. 克隆仓库: bash git clone https://github.com/your-ai-solution/object-detection-parking-spot.git cd object-detection-parking-spot

2. 创建Conda环境: bash conda env create -f environment.yml conda activate object-detection-parking-spot

3. 安装依赖项: bash pip install -r requirements.txt

Docker设置（可选）

1. 构建Docker镜像: bash docker build -t object-detection-parking-spot .

2. 运行Docker容器: bash docker run --gpus all -v $(pwd)/data:/app/data -v $(pwd)/results:/app/results object-detection-parking-spot

使用

1. 将数据集ZIP文件放置在data/raw/目录下。

2. 运行主脚本以自动化整个管道: bash python main.py

可选步骤

1. 数据准备: 预处理数据集。 bash python src/data.py

2. 训练: 训练YOLO V8模型。 bash python src/train.py

3. 评估: 评估YOLO V8模型。 bash python src/eval.py

4. 推理: 在随机测试图像上运行推理。 bash python src/infer.py

搜集汇总

数据集介绍

构建方式

PKLot数据集的构建基于从监控摄像头帧中提取的停车场景图像，共包含12,416张图像，涵盖了晴天、阴天和雨天等多种天气条件。每个停车位通过旋转矩形框进行标注，标注类别分为占用和空闲两种状态。原始数据集的标注信息被转换为标准的对象检测格式，以便于模型训练和评估。数据集的构建旨在为智能停车系统提供高质量的标注数据，支持在不同环境条件下的停车位检测任务。

特点

PKLot数据集的特点在于其多样性和实用性。数据集不仅包含了大量停车场景的图像，还涵盖了多种天气条件，能够有效模拟真实世界中的复杂环境。每个停车位均通过精确的旋转矩形框进行标注，确保了标注的准确性和一致性。此外，数据集的标注类别简洁明了，仅分为占用和空闲两类，便于模型快速学习并应用于实际场景。这些特点使得PKLot成为停车位检测领域的重要基准数据集。

使用方法

PKLot数据集的使用方法主要围绕YOLO V8模型展开。用户可以通过克隆项目仓库并配置Conda环境或Docker容器来快速启动项目。数据集的使用流程包括数据预处理、模型训练、评估和推理四个主要步骤。用户可以通过运行主脚本`main.py`自动化完成整个流程，也可以分别运行`data.py`、`train.py`、`eval.py`和`infer.py`脚本进行分步操作。数据集的使用旨在帮助用户快速构建和评估停车位检测模型，并支持实际应用中的实时检测需求。

背景与挑战

背景概述

PKLot数据集由Almeida等人于2015年创建，旨在为停车位分类问题提供高质量的标注数据。该数据集包含12,416张停车场的监控图像，涵盖了晴天、阴天和雨天等多种天气条件。每张图像中的停车位被标注为“占用”或“空闲”，并通过旋转矩形框进行精确标注。PKLot数据集在智能停车系统、交通管理和资源优化等领域具有重要应用价值，其多样化的天气条件和高质量的标注为相关研究提供了坚实的基础。该数据集的开源性质及其在《Expert Systems with Applications》期刊上的发表，进一步推动了其在学术界和工业界的广泛应用。

当前挑战

PKLot数据集在解决停车位分类问题时面临多重挑战。首先，停车位的检测需要在复杂的环境条件下保持高精度，例如光照变化、阴影遮挡以及不同天气对图像质量的影响。其次，停车位的形状和角度各异，传统的矩形框标注难以精确捕捉其边界，因此需要采用旋转矩形框进行标注，这增加了数据标注的复杂性。此外，构建数据集时需确保标注的一致性和准确性，尤其是在大规模图像处理中，人工标注的误差可能对模型训练产生显著影响。这些挑战不仅考验了数据集的构建质量，也对后续的模型训练和性能评估提出了更高的要求。

常用场景

经典使用场景

PKLot数据集广泛应用于智能停车系统的开发与优化中。通过提供不同天气条件下的停车场图像，该数据集为研究者提供了丰富的实验材料，用于训练和验证停车位检测模型。特别是在使用YOLO V8等先进目标检测算法时，PKLot数据集能够有效支持模型的训练与评估，帮助提升模型在复杂环境下的检测精度。

解决学术问题

PKLot数据集解决了智能停车系统中停车位检测的学术研究问题。通过提供大量标注数据，研究者能够深入探讨不同天气条件下停车位检测的挑战，并开发出适应性强、鲁棒性高的检测算法。该数据集的使用显著提升了停车位检测的准确性和实时性，为智能交通管理系统的研究提供了重要支持。

衍生相关工作

基于PKLot数据集，许多经典研究工作得以展开。例如，研究者利用该数据集开发了多种改进的目标检测算法，进一步提升了停车位检测的精度和速度。此外，PKLot数据集还被用于多模态数据融合、跨场景迁移学习等领域的研究，推动了智能交通系统相关技术的快速发展。