yzhao123/PKLot

PKLot是一个用于停车场分类的鲁棒数据集，包含12,416张图像，这些图像采集自三个不同的停车场（PUCPR、UFPR04、UFPR05），并在多种天气条件（晴天、多云、雨天）下拍摄。每张图像都包含对单个停车位的详细注释，包括占用状态，共约695,900个分割的停车位实例。数据集提供高分辨率图像（1280×720像素），涵盖时间序列数据（以5分钟间隔拍摄），并包含丰富的注释，如停车位多边形边界和占用状态。该数据集适用于停车位检测算法、占用分类模型、停车模式的时间分析、天气鲁棒的计算机视觉系统以及智慧城市和智能交通系统研究。数据集由巴西南部联邦大学（UFPR）和巴拉那天主教大学（PUCPR）的研究人员策划，遵循知识共享署名4.0国际许可协议。annotations_creators: 无 language: 英语 size_categories: - 10K < 样本数 < 100K task_categories: - 目标检测 task_ids: 无 pretty_name: PKLot tags: - FiftyOne - 图像 - 图像分类 dataset_summary: > 这是一个包含12416个样本的FiftyOne（https://github.com/voxel51/fiftyone）数据集。 ## 安装步骤 若尚未安装FiftyOne，请执行以下命令： bash pip install -U fiftyone ## 使用方法 python import fiftyone as fo from fiftyone.utils.huggingface import load_from_hub # 加载数据集 # 注：可支持的其他参数包括max_samples等 dataset = load_from_hub("Voxel51/PKLot") # 启动可视化应用 session = fo.launch_app(dataset) license: 知识共享署名4.0国际许可协议（CC BY 4.0） --- # PKLot 数据集卡片  PKLot是一款用于停车场分类的高质量数据集，包含12416张图像，采集自三个不同的停车场（PUCPR、UFPR04、UFPR05），涵盖晴天、阴天、雨天三种不同的天气条件。每张图像均针对单个停车位进行了详细标注，包含占用状态信息，总计约695900个标注的停车位实例。 本数据集为FiftyOne（https://github.com/voxel51/fiftyone）数据集，包含12416个样本。 ## 安装步骤 若尚未安装FiftyOne，请执行以下命令： bash pip install -U fiftyone ## 使用方法 python import fiftyone as fo from fiftyone.utils.huggingface import load_from_hub # 加载数据集 # 注：可支持的其他参数包括max_samples等 dataset = load_from_hub("Voxel51/PKLot") # 启动可视化应用 session = fo.launch_app(dataset) ## 数据集详情 ### 数据集概述 PKLot数据集是一款面向计算机视觉研究的综合性停车场分类数据集，用于停车位检测与占用分类任务。该数据集包含以下内容： - **12416张高分辨率图像**（分辨率为1280×720像素） - **3个不同的停车场**：PUCPR（巴西巴拉那联邦天主教大学）、UFPR04和UFPR05（巴西巴拉那联邦大学） - **3种天气条件**：晴天、阴天和雨天 - **时序数据**：在不同日期以5分钟为间隔采集的图像 - **约695900个停车位实例**：每张图像包含45至100个已标注的停车位 - **丰富的标注信息**：每个停车位均包含多边形边界与占用状态信息 本数据集尤其适用于以下研究方向： - 停车位检测算法 - 占用分类模型 - 停车模式时序分析 - 抗天气干扰的计算机视觉系统 - 智慧城市与智能交通系统研究 - **数据集整理者**：Paulo R. L. de Almeida、Luiz S. Oliveira、Alceu S. Britto Jr.、Eunelson J. Silva Jr.、Alessandro L. Koerich - **资助方**：巴西巴拉那联邦大学（UFPR）与巴西巴拉那联邦天主教大学（PUCPR） - **分享方**：巴西巴拉那联邦大学视觉、机器人与成像实验室（VRI） - **语言（NLP领域）**：无（计算机视觉数据集） - **许可证**：[知识共享署名4.0国际许可协议](http://creativecommons.org/licenses/by/4.0/) ### 数据集来源 - **官方仓库**：[PKLot官方页面](http://web.inf.ufpr.br/vri/databases/parking-lot-database/) - **相关论文**：[Almeida等人，"PKLot – A robust dataset for parking lot classification", Expert Systems with Applications, 2015](http://www.inf.ufpr.br/lesoliveira/download/ESWA2015.pdf) - **下载链接**：[PKLot.tar.gz (4.6GB)](http://www.inf.ufpr.br/vri/databases/PKLot.tar.gz) ## 数据集用途 ### 合法使用场景 PKLot数据集旨在用于以下研究与开发场景： 1. **停车位检测**：训练并评估用于检测航拍/监控图像中单个停车位的算法 2. **占用分类**：开发用于分类停车位是否被占用的模型 3. **时序分析**：研究长期停车模式并预测未来占用情况 4. **抗天气干扰**：在不同天气条件下测试计算机视觉模型的性能 5. **智能停车系统**：开发实时停车可用性查询系统 6. **基准测试数据集**：对比不同停车位检测算法的性能表现 ### 禁止/不推荐使用场景 本数据集不应用于以下场景： - 识别个人或车辆（图像分辨率不足以实现个体识别） - 未经过适当验证的实时商业应用 - 针对不同停车场布局的模型训练（需额外数据支持） - 需要夜间或弱光条件的应用（本数据集仅包含日间图像） ## 数据集结构 ### FiftyOne数据集字段 FiftyOne格式的每个样本包含以下字段： | 字段名 | 数据类型 | 描述 | |-------|----------|------| | `filepath` | 字符串 | 图像文件路径 | | `source` | 字符串 | 停车场标识符（`pucpr`、`ufpr04`、`ufpr05`） | | `weather` | 分类标签 | 天气条件标签（`sunny`、`cloudy`、`rainy`） | | `date` | 日期类型 | 图像采集日期（格式为YYYY-MM-DD） | | `parking_timestamp` | 日期时间类型 | 完整采集时间戳（格式为YYYY-MM-DD HH:MM:SS） | | `parking_spaces` | 折线（Polyline）集合 | 停车位多边形集合 | ### 停车位标注（折线/多边形） 每个停车位折线包含以下属性： | 属性名 | 数据类型 | 描述 | |--------|----------|------| | `label` | 字符串 | 固定为"parking_space" | | `points` | 列表 | 归一化多边形顶点坐标[[x,y], ...]，取值范围为[0,1] | | `index` | 整数类型 | 唯一停车位ID（取值范围为1-100） | | `closed` | 布尔类型 | 固定为True（停车位为闭合多边形） | | `filled` | 布尔类型 | 固定为True（用于可视化时填充多边形） | | `occupancy_status` | 字符串 | 取值为"occupied"（已占用）、"not occupied"（未占用）或"unknown"（未知） | | `space_id` | 整数类型 | 停车位标识符 | ### 数据集统计信息 - **总样本数**：12416张图像 - **停车场分布**： - PUCPR：约4474张图像 - UFPR04：约3791张图像 - UFPR05：约4152张图像 - **天气分布**： - 晴天：约占总图像数的50% - 阴天：约占总图像数的35% - 雨天：约占总图像数的15% - **时序覆盖范围**：2012年9月至2013年4月 - **采集频率**：每5分钟采集一次 ## 数据集创建 ### 数据集构建初衷 PKLot数据集旨在解决当前停车场分类研究中缺乏高质量公开数据集的问题，核心构建动机包括： 1. **标准化基准测试**：提供通用数据集用于对比不同停车位检测算法的性能 2. **真实场景覆盖**：采集包含多样天气条件与光照变化的图像 3. **时序动态分析**：支持研究长期停车模式变化 4. **数据规模适配**：提供足够的数据用于深度学习模型训练 5. **可复现研究**：使研究者能够基于同一数据集对比实验结果 ### 源数据 #### 数据采集与处理流程 数据采集流程如下： 1. **摄像头部署**：在三个停车场安装固定监控摄像头 2. **采集规则**：在日间每5分钟自动采集一次图像 3. **天气多样性**：刻意覆盖不同天气条件下的场景 4. **采集周期**：2012年9月至2013年4月 5. **图像分辨率**：所有图像均采集为1280×720像素 6. **质量控制**：对图像质量与天气标签进行人工核验 #### 数据生产者 本数据集由以下机构的研究团队采集： - 巴西巴拉那联邦大学（UFPR） - 巴西巴拉那联邦天主教大学（PUCPR） - 视觉、机器人与成像实验室（VRI） ### 标注信息 #### 标注流程 标注流程包括： 1. **停车位轮廓标注**：使用旋转矩形与多边形手动标记停车位边界 2. **占用状态标注**：对每个停车位进行二分类标注（0=未占用，1=已占用） 3. **标注格式**：标注信息以XML文件存储，同时支持旋转矩形与轮廓两种表示形式 4. **一致性维护**：同一停车场的所有图像中保持停车位ID统一 5. **标注验证**：对标注结果进行交叉核验以保证准确性 #### 标注者信息 标注工作由巴西巴拉那联邦大学视觉、机器人与成像实验室（VRI）的研究团队完成，并由多名团队成员进行质量控制与验证。 #### 个人与敏感信息说明 本数据集包含停车场监控图像，但： - 图像从高空拍摄，分辨率不足以识别个人身份 - 无法分辨车牌或车辆个体特征 - 数据集仅关注停车位占用状态，而非车辆或人员识别 - 本数据集符合公共区域监控的隐私法规要求 ## 偏差、风险与局限性 ### 已知局限性 1. **地理偏差**：所有数据均采集自巴西库里蒂巴的两所大学停车场 2. **时序偏差**：仅覆盖日间时段（约6:00至19:00） 3. **季节偏差**：仅包含2012年9月至2013年4月的数据 4. **天气分布不均**：晴天样本占比高于雨天样本 5. **停车场类型局限**：仅包含大学停车场，可能无法泛化至其他场景 6. **拍摄视角固定**：摄像头位置固定，视角多样性不足 ### 技术局限性 - 不包含夜间或弱光场景 - 不包含降雪或极端天气场景 - 停车位布局固定，无动态停车位 - 分辨率限制了精细化车辆分类任务 ### 使用建议 使用者需注意以下事项： 1. **泛化性适配**：基于本数据集训练的模型可能需要针对不同地理位置或停车场类型进行适配调整 2. **光照条件补充**：若需开发24小时运行的系统，需补充夜间或弱光场景的数据 3. **实时部署验证**：在目标部署环境中进行模型验证是必要步骤 4. **隐私合规**：部署模型时需确保符合当地隐私法规要求 5. **天气鲁棒性测试**：需在数据集涵盖的所有天气条件下测试模型性能 ## 引用信息 ### BibTeX格式 bibtex @article{almeida2015pklot, title={PKLot--A robust dataset for parking lot classification}, author={Almeida, Paulo and Oliveira, Luiz S and Silva Jr, Eunelson and Britto Jr, Alceu and Koerich, Alessandro}, journal={Expert Systems with Applications}, volume={42}, number={11}, pages={4937--4949}, year={2015}, publisher={Elsevier} } ### APA格式 Almeida, P. R., Oliveira, L. S., Britto Jr, A. S., Silva Jr, E. J., & Koerich, A. L. (2015). PKLot--A robust dataset for parking lot classification. Expert Systems with Applications, 42(11), 4937-4949. ## 术语表 - **停车位**：停车场内的单个停车泊位 - **占用状态**：停车位是否被车辆占用的二分类结果 - **折线（Polyline）**：定义停车位边界的闭合多边形 - **旋转矩形**：针对非轴对齐停车位的带旋转角度的边界框 - **归一化坐标**：相对于图像尺寸缩放至[0,1]范围的坐标值 ## 更多信息 如需了解本数据集的更多详情，请访问[PKLot官方页面](http://web.inf.ufpr.br/vri/databases/parking-lot-database/)或阅读[原始论文](http://www.inf.ufpr.br/lesoliveira/download/ESWA2015.pdf)。 ## 数据集卡片作者 - Harpreet Sahota（FiftyOne集成与数据集卡片撰写） - 原始数据集由Paulo R. L. de Almeida等人创建 ## 数据集卡片联系方式 如需咨询原始PKLot数据集相关问题，请联系巴西巴拉那联邦大学视觉、机器人与成像实验室（VRI）。

搜集汇总

数据集介绍

构建方式

PKLot数据集由巴西巴拉那联邦大学和巴拉那天主教大学的研究团队联合构建，旨在为停车场分类研究提供标准化基准。数据采集自三个不同停车场（PUCPR、UFPR04、UFPR05），于2012年9月至2013年4月期间，通过固定监控摄像头每5分钟自动拍摄一次，共获取12,416张高分辨率图像（1280×720像素）。为确保数据的多样性和鲁棒性，采集过程涵盖晴天、多云和雨天三种天气条件。随后，研究团队对每张图像中的停车位进行人工标注，使用旋转矩形和多边形精确勾勒每个停车位的边界，并标注其占用状态（占用、未占用或未知），最终生成约695,900个停车位实例。所有标注以XML格式存储，并确保同一停车场内停车位ID的一致性。数据集以FiftyOne格式在HuggingFace上发布，方便研究者直接加载使用。

使用方法

使用PKLot数据集推荐通过FiftyOne库进行便捷操作。首先，用户需安装FiftyOne库：`pip install -U fiftyone`。然后，在Python环境中加载数据集：调用`load_from_hub("Voxel51/PKLot")`从HuggingFace Hub获取数据，支持设置`max_samples`等参数以限制加载样本数量。加载后，可通过Fiftyone的App界面交互式浏览数据：`session = fo.launch_app(dataset)`。数据集中每个样本包含图像路径、停车场来源、天气标签、采集时间戳以及一个停车位列表。每个停车位为多边形对象，其属性包括唯一ID、占用状态（字符串类型）和归一化坐标点。用户可基于这些字段过滤样本（如按天气或停车场筛选），提取停车位多边形和标签用于模型训练，或利用Fiftyone的评估工具对检测或分类结果进行可视化验证和性能分析。

背景与挑战

背景概述

智能停车场管理系统作为智慧城市的重要组成部分，其核心技术——停车位状态检测与分类——长期受制于缺乏标准化的公开数据集。为弥补这一空白，巴西巴拉那联邦大学（UFPR）与巴拉那天主教大学（PUCPR）的研究团队于2015年推出了PKLot数据集。该数据集由Paulo R. L. de Almeida、Luiz S. Oliveira等学者精心构建，包含来自三个不同停车场（PUCPR、UFPR04、UFPR05）的12416张高分辨率图像，覆盖晴天、多云和雨天等多种天气条件，并对约695,900个停车位实例提供了精确的多边形标注与占用状态信息。PKLot的出现为计算机视觉领域提供了首个兼具大规模、多天气与时间序列特性的停车位分类基准，显著推动了智能交通系统、时空占用模式分析及鲁棒视觉感知算法的研究进展。

当前挑战

PKLot所解决的领域核心挑战在于，实际场景中停车位检测与分类需应对复杂多变的环境因素，例如光照差异、天气干扰及视角固定带来的几何形变，而此前缺乏统一的标准化评估平台。在数据集构建过程中，团队面临多重挑战：一是需在长达数月（2012年9月至2013年4月）的周期内，以5分钟间隔自动采集日光时段图像，确保数据覆盖昼夜交替与季节变化；二是需对三个布局迥异的停车场进行手动标注，包括精确定义停车位多边形边界、维持跨时间帧的编号一致性，并对占用状态进行交叉验证；三是天气样本分布不均（晴天约占50%，雨天仅15%），需在保持真实气象统计特性的同时避免模型过拟合。这些挑战最终促成了PKLot在数据规模、标注精度与环境多样性上的突破性平衡。

常用场景

经典使用场景

PKLot数据集作为停车场分类领域的经典基准，广泛应用于深度学习模型对停车位占用状态的识别与检测。该数据集包含来自巴西三个不同停车场、在不同天气条件下采集的12416张高分辨率图像，每张图像都提供了详尽的车位多边形标注和占用状态标签。研究者通常利用该数据集训练和验证卷积神经网络以完成车位占用分类任务，或开发基于目标检测框架的车位定位模块。其多样化的光照和气候条件使得模型评估更具鲁棒性，能够检验算法在真实复杂场景下的泛化能力。

解决学术问题

PKLot数据集系统性地解决了停车场场景下计算机视觉研究所面临的多个关键难题。它缓解了此前公开数据匮乏导致的模型复现困难与实验标准不统一问题，为车位占用分类提供了一个具有丰富时空多样性的大规模标注基准。数据集涵盖晴天、阴天、雨天三种典型气象条件，支撑了天气鲁棒性视觉算法的研究与评估，推动了智能交通系统中多条件下的车位检测方法进步。此外，其连续时间序列特性为停车场动态占用模式分析与短期预测研究奠定了重要基础，促进了从静态识别向动态感知方向的发展。

实际应用

在实际应用中，PKLot数据集推动了智慧城市与智能停车系统的落地与发展。基于该数据集训练的模型可集成于停车场监控系统，实时分析停车场内各车位的占用状态，为空闲车位引导、车位预约管理及动态定价策略提供数据支撑。此外，相关技术还可应用于大型商场、机场、医院等公共场所的停车管理平台，提升用户体验并优化资源利用率。在自动驾驶领域，该数据集助力于车辆对开放停车场环境的感知能力，使车辆能够自主识别可停泊车位，是迈向全场景自主泊车的重要基础资源。

数据集最近研究

最新研究方向

PKLot数据集作为停车场占用的经典基准资源，当前研究正聚焦于将深度时序模型与多模态感知融合，以提升极端天气和动态光照下的智能停车检测鲁棒性。结合YOLOv8等先进目标检测架构与空间注意力机制，研究致力于从12,416张涵盖晴、阴、雨场景的时序图像中挖掘车位占用模式，并借助约69.6万标注实例训练实时可用性预测网络。该数据集在推动智慧城市与绿色交通系统落地中扮演关键角色，其跨天气、跨时段的多源标注特性成为构建通用化停车管理算法的重要基石，尤其在缓解城市拥堵和降低寻道排放等热点议题上具有深远意义。