yolo_seg_labeled_data_for_small_toycar

该数据集是一个用于小型遥控/玩具汽车的自动驾驶YOLO目标检测数据集。它包含了在停车场和赛道驾驶环境中捕获的图像的边界框标注。数据集由4个子集组成，总计约75,000张图像，每个子集都包含训练集、验证集和测试集，并以tar.gz压缩包形式提供。子集包括'parking_front'（前停车场环境，10,719张图像，3个类别）、'parking_rear'（后停车场环境，5,639张图像，3个类别）、'track'（赛道驾驶环境，20,135张图像，4个类别）和'track_crosswalk'（赛道人行横道环境，38,692张图像，1个类别）。每个子集的类别信息详细列出了每个类别的ID、名称和描述。数据集采用YOLO格式（.txt）进行标注，适用于目标检测任务。

This dataset is a YOLO-based object detection dataset tailored for autonomous driving of small remote-controlled or toy cars. It contains bounding box annotations for images captured in parking lot and racetrack driving scenarios. The dataset consists of 4 subsets with a total of approximately 75,000 images. Each subset includes training, validation, and test sets, and is provided in tar.gz compressed archive format. The subsets are 'parking_front' (front parking lot scenario, 10,719 images, 3 categories), 'parking_rear' (rear parking lot scenario, 5,639 images, 3 categories), 'track' (racetrack driving scenario, 20,135 images, 4 categories), and 'track_crosswalk' (racetrack crosswalk scenario, 38,692 images, 1 category). For each subset, the category information details the ID, name, and description of each category. The dataset uses YOLO format (.txt) for annotations, making it suitable for object detection tasks.

原始信息汇总

数据集概述

基本信息

• 数据集名称: YOLO Segmentation Labeled Data for Small Toy Car
• 许可证: CC BY 4.0
• 任务类别: 目标检测
• 标签: yolo, autonomous-driving, parking, small-car, toycar, roboflow
• 数据规模: 10K < n < 100K

数据集描述

这是一个用于小型遥控/玩具汽车的自动驾驶YOLO目标检测数据集。它包含在停车场和赛道驾驶环境中捕获的图像及其边界框标注。

数据集结构

数据集总共包含4个子集，约75,000张图像。每个子集都包含train / valid / test划分，并以tar.gz归档文件形式提供。

子集	描述	图像数量	类别数量
parking_front	前方停车环境	10,719	3
parking_rear	后方停车环境	5,639	3
track	赛道驾驶环境	20,135	4
track_crosswalk	赛道人行横道环境	38,692	1

类别信息

parking_front

ID	类别名称	描述
0	out_line	停车区轮廓线
1	parking_lot	停车场区域
2	parking_space	单个停车位

parking_rear

ID	类别名称	描述
0	end_line	停车结束线
1	parking_lot	停车场区域
2	parking_space	单个停车位

track

ID	类别名称	描述
0	car	汽车
1	lane1	车道1
2	lane2	车道2
3	traffic_light	交通信号灯

track_crosswalk

ID	类别名称	描述
0	crosswalk	人行横道

数据组织方式

每个子集解压后的目录结构如下：

{subset}/ ├── data.yaml ├── train/ │ ├── images/ │ │ ├── chunk_0000/ # 图像文件（每块1,000张） │ │ ├── chunk_0001/ │ │ └── ... │ └── labels/ │ ├── chunk_0000/ # YOLO格式标注文件 (.txt) │ ├── chunk_0001/ │ └── ... ├── valid/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/

标注格式

数据集使用YOLO格式（.txt文件）。每行代表一个对象：

<class_id> <x_center> <y_center> <width> <height>

所有值均相对于图像尺寸进行了归一化（0~1）。

搜集汇总

数据集介绍

构建方式

在自动驾驶与智能停车技术蓬勃发展的背景下，该数据集聚焦于小型遥控玩具车的视觉感知任务，通过系统化采集构建而成。数据采集覆盖了停车与赛道驾驶两大核心场景，具体细分为前方停车、后方停车、赛道行驶及赛道斑马线四个子集。总计约七万五千张图像经由专业标注流程处理，采用边界框标注形式，并严格遵循YOLO格式规范进行组织与存储，确保了数据在目标检测任务中的直接可用性。

特点

该数据集的核心特征在于其场景的多样性与标注的专精性。四个子集分别对应不同的驾驶环境与视觉任务，例如停车场景细分了车位线、停车区域等类别，而赛道场景则包含了车辆、车道线及交通灯等目标。数据集规模介于一万至十万之间，提供了充足的样本以支持模型训练。其标注信息直接适配YOLO系列算法，且图像已预先划分为训练集、验证集和测试集，为算法开发与性能评估提供了完整且结构化的基础。

使用方法

为便利研究者使用，数据集以压缩包形式分发，每个子集独立封装。用户可通过Hugging Face Hub的Python接口或命令行工具便捷下载所需子集。解压后，目录结构清晰，包含标准的图像与标签文件夹，并附有描述数据集类别与路径的配置文件。使用者仅需在配置文件中调整本地路径，即可直接接入YOLOv8等主流框架进行模型训练与验证，极大简化了从数据准备到模型迭代的开发流程。

背景与挑战

背景概述

在自动驾驶技术迅猛发展的背景下，针对小型遥控或玩具汽车的视觉感知研究逐渐成为微缩智能系统领域的重要分支。YOLO分割标注数据集由Roboflow社区贡献，专注于为小型玩具车在停车场和赛道驾驶环境中的目标检测任务提供高质量标注图像。该数据集包含约七万五千张图像，划分为四个子集，分别涵盖前后停车视角、赛道行驶及人行横道场景，旨在支持YOLO系列模型在复杂动态环境下的精确物体识别与语义分割。其创建响应了学术界与工业界对低成本、可扩展自动驾驶原型验证平台的迫切需求，为微型车辆的环境感知算法开发与性能评估奠定了数据基础。

当前挑战

该数据集致力于解决自动驾驶领域中针对非标准小型车辆的视觉感知挑战，尤其在复杂光照、多变背景及小目标检测方面存在显著困难。构建过程中，数据采集需在多样化真实场景中捕捉高分辨率图像，确保覆盖不同视角与环境条件；标注工作则面临精细区分相似物体类别（如停车线、车位区域）以及保持标注一致性的挑战。此外，数据集的规模与多样性需平衡计算资源限制，以支持高效模型训练，同时确保标注质量满足YOLO分割任务对空间精度的高要求。

常用场景

经典使用场景

在自动驾驶与机器人视觉领域，针对小型遥控或玩具汽车的精确感知是关键技术挑战。该数据集通过提供停车与赛道驾驶环境下的图像及边界框标注，成为训练YOLO目标检测模型的经典资源。研究者通常利用其四个子集，涵盖前后停车视角、赛道车道及人行横道等场景，以构建鲁棒的车辆检测与场景理解系统，尤其适用于模拟环境中小型移动物体的实时识别任务。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在轻量级目标检测模型的优化与迁移学习策略上。例如，学者利用其多环境子集进行模型跨场景适应性评估，提出了针对小型物体的检测精度提升方法；同时，该数据也常作为基准，用于比较YOLOv8等最新检测架构在模拟驾驶任务中的性能，推动了边缘计算设备上实时视觉算法的进展。

数据集最近研究

最新研究方向

在自动驾驶与机器人视觉领域，针对小型车辆如遥控玩具车的精确感知需求日益增长，该数据集以其丰富的停车与赛道驾驶场景标注，为轻量级目标检测与实例分割模型的研究提供了关键支撑。当前前沿探索聚焦于多环境自适应感知技术，旨在提升模型在复杂动态场景如交叉路口与狭窄停车位中的泛化能力，同时结合实时语义分割与轨迹预测，以优化小型自主系统的避障与路径规划性能。这一研究方向紧密关联边缘计算与嵌入式AI的热点发展，通过高效模型部署推动低成本自动驾驶解决方案在物流、巡检等实际应用中的落地，具有显著的工程与学术价值。