Nordic Vehicle Dataset

本仓库包含用于在NVD数据集上微调YOLOv5、YOLOv8和Faster R-CNN的代码。NVD数据集及相关模型权重可通过提供的链接下载。

This repository contains code for fine-tuning YOLOv5, YOLOv8, and Faster R-CNN on the NVD dataset. The NVD dataset and related model weights can be downloaded via the provided links.

原始信息汇总

Nordic Vehicle Dataset (NVD) 概述

数据集内容

• 数据集名称: Nordic Vehicle Dataset (NVD)
• 数据集用途: 用于训练和验证 YOLOv5, YOLOv8, 和 Faster R-CNN 模型。
• 数据集下载链接: NVD数据集下载

数据集样本

• 样本图像: 包含多个样本图像，用于展示数据集中的视觉内容。

数据集准备

• 环境设置: 需要Python版本在3.8至3.11之间，通过git clone获取代码库，并创建虚拟环境。
• 数据准备: 从视频中提取帧并转换标注为YOLO格式，使用prepare_data.py脚本准备数据。
• 数据可视化: 使用view_annotations.py和view_data.py脚本可视化标注和准备好的数据。

模型训练与测试

• YOLO模型训练: 使用train.py脚本进行训练，支持多种YOLO模型配置。
• YOLO模型测试: 使用val.py脚本验证模型性能。
• YOLO模型检测: 使用detect.py脚本进行车辆检测。
• Faster R-CNN模型: 仅支持Linux系统，使用finetune_faster_rcnn.py脚本进行模型微调。

许可证

• 使用许可: 数据集遵循Creative Commons Attribution-NonCommercial (CC-BY-NC)许可，允许非商业科研用途。

引用信息

• 引用格式: H. Mokayed, A. Nayebiastaneh, K. De, S. Sozos, O. Hagner, and B. Backe, “Nordic Vehicle Dataset (NVD): Performance of vehicle detectors using newly captured NVD from UAV in different snowy weather conditions.” arXiv, Apr. 27, 2023. doi: 10.48550/arXiv.2304.14466.

搜集汇总

数据集介绍

构建方式

Nordic Vehicle Dataset（NVD）是通过无人机在多种雪天条件下捕获的车辆图像数据构建而成。数据集的构建过程包括视频帧的提取和标注，标注文件以XML格式存储，并与视频文件一一对应。为了确保数据的准确性和一致性，数据集提供了可视化脚本，用于检查标注与视频帧的对齐情况。此外，数据集还支持将标注转换为YOLO格式，并将数据划分为训练集、验证集和测试集，以便于模型训练和评估。

特点

NVD数据集的特点在于其多样性和真实性，涵盖了不同雪天条件下的车辆图像，为车辆检测模型提供了丰富的训练场景。数据集中的图像分辨率高，标注精细，能够有效支持深度学习模型的训练。此外，数据集还提供了多种预训练模型（如YOLOv5、YOLOv8和Faster R-CNN）的权重文件，便于用户快速进行模型微调和验证。数据集的开放性和非商业使用许可也使其成为学术研究的理想选择。

使用方法

使用NVD数据集时，用户需首先克隆GitHub仓库并设置Python环境。通过提供的脚本，用户可以提取视频帧、转换标注格式，并将数据划分为训练、验证和测试集。数据集支持YOLO和Faster R-CNN模型的训练与测试，用户可通过命令行参数指定模型类型、训练轮数和批次大小。训练过程中，用户可通过ClearML平台实时监控进度。训练完成后，用户可使用测试集验证模型性能，并通过检测脚本在图像或视频中进行车辆检测。数据集的使用方法详细且灵活，适用于多种深度学习任务。

背景与挑战

背景概述

Nordic Vehicle Dataset（NVD）是由H. Mokayed、A. Nayebiastaneh等研究人员于2023年发布的一个专注于车辆检测的数据集，特别针对北欧地区不同雪天条件下的车辆检测性能进行研究。该数据集通过无人机采集视频数据，并结合YOLOv5、YOLOv8和Faster R-CNN等深度学习模型进行微调与验证。NVD的发布为自动驾驶、交通监控等领域提供了重要的数据支持，尤其是在极端天气条件下的车辆检测任务中，填补了现有数据集的空白。其研究成果已在arXiv平台上公开发表，并获得了学术界的广泛关注。

当前挑战

NVD数据集在解决车辆检测问题时面临多重挑战。首先，北欧地区的极端天气条件，尤其是雪天，对车辆检测算法的鲁棒性提出了更高的要求，如何在低能见度和复杂背景中准确识别车辆是一个核心难题。其次，数据集的构建过程中，无人机采集的视频数据需要经过复杂的预处理，包括视频稳定化、帧提取和标注对齐等步骤，这些步骤的精确性直接影响到后续模型的训练效果。此外，数据集的多样性和规模也需要进一步提升，以支持更广泛的模型验证和性能评估。

常用场景

经典使用场景

Nordic Vehicle Dataset（NVD）在自动驾驶和智能交通系统的研究中具有重要应用。该数据集主要用于车辆检测和跟踪任务，特别是在北欧地区的雪天和恶劣天气条件下。通过提供高分辨率的视频帧和精确的标注信息，NVD为研究人员提供了一个理想的平台，用于开发和测试各种目标检测算法，如YOLOv5、YOLOv8和Faster R-CNN。这些算法在复杂环境下的性能评估，有助于提升自动驾驶系统在极端天气条件下的鲁棒性和可靠性。

解决学术问题

NVD数据集解决了自动驾驶领域中的一个关键问题，即在极端天气条件下车辆检测的准确性。传统的车辆检测算法在雪天、雨天或低能见度环境下表现不佳，而NVD通过提供大量在雪天条件下采集的视频数据，填补了这一研究空白。该数据集不仅帮助研究人员优化现有算法的性能，还为开发新的检测模型提供了宝贵的数据支持。通过使用NVD，学术界能够更深入地理解恶劣天气对车辆检测的影响，并推动相关技术的进步。

衍生相关工作

NVD数据集已经衍生出多项经典研究工作，特别是在目标检测和自动驾驶领域。例如，基于NVD的研究成果包括对YOLOv5和YOLOv8模型的优化，使其在雪天条件下的检测精度显著提升。此外，Faster R-CNN在NVD上的应用也展示了其在复杂环境中的潜力。这些研究不仅推动了目标检测算法的发展，还为自动驾驶技术的实际应用提供了重要的理论支持。NVD的开放性和高质量数据使其成为学术界和工业界广泛关注的焦点。