Intersection-Flow-5K

Intersection-Flow-5K是一个高质量的目标检测数据集，专门针对真实交通场景中的目标检测任务设计。该数据集包含6,928张高分辨率图像，超过95,000个标注边界框，涵盖8个类别（车辆、公交车、自行车、行人、引擎、卡车、三轮车、障碍物）。数据集特点是高密度场景、极端尺度变化和严重遮挡，适用于智能交通系统中的目标检测研究。

Intersection-Flow-5K is a high-quality object detection dataset specifically designed for object detection tasks in real-world traffic scenarios. This dataset comprises 6,928 high-resolution images and over 95,000 annotated bounding boxes, covering 8 categories: vehicle, bus, bicycle, pedestrian, engine, truck, tricycle, and obstacle. It features high-density scenes, extreme scale variations and severe occlusions, making it ideal for object detection research in intelligent transportation systems.

原始信息汇总

Intersection-Flow-5K 数据集概述

数据集简介

Intersection-Flow-5K 是一个专为基础设施交通监控设计的高密度交通监控数据集，用于解决真实世界交通监控中的独特挑战。该数据集包含高密度场景、极端尺度变化和严重持续遮挡，为现代目标检测器提供具有挑战性的基准。

核心特点与挑战

• 极端尺度变化：目标尺度范围从15x15像素到超过800x600像素
• 高目标密度与严重遮挡：包含高峰时段场景，遮挡率高达75%
• 多样化环境条件：采集自7个不同城市交叉口，涵盖不同时间段（白天、夜间眩光）和天气条件（晴朗、阴天、雨天）
• 全面标注：为关键交通参与者提供高质量边界框标注

数据集规格

• 任务类型：目标检测
• 图像总数：6,928张高分辨率图像（1920x1080）
  • 训练集：5,483张图像（80%）
  • 验证集：722张图像（10%）
  • 测试集：723张图像（10%）
• 标注总数：超过95,000个边界框
• 类别数量：8个
• 类别列表：vehicle, bus, bicycle, pedestrian, engine, truck, tricycle, obstacle

数据组织结构

Intersection-Flow-5K/ ├── images/ # 原始高分辨率图像 │ ├── train/ # 5,483张图像 │ ├── val/ # 722张图像 │ └── test/ # 723张图像 │ ├── labels/ # YOLO格式标注 │ ├── train/ │ ├── val/ │ └── test/ │ ├── annotations/ # PASCAL VOC格式标注 │ ├── train/ │ ├── val/ │ └── test/ │ ├── test_coco.json # COCO格式测试集标注 ├── intersection.yaml # YOLO数据集配置文件 └── classes.txt # 类别名称列表

标注格式支持

• YOLO格式：位于labels/目录，使用归一化坐标[0,1]
• PASCAL VOC格式：位于annotations/目录，使用绝对像素坐标
• COCO格式：提供test_coco.json用于测试集评估

使用方式

• YOLO框架：直接使用intersection.yaml配置文件
• MMDetection/TensorFlow：支持PASCAL VOC或COCO格式

许可信息

采用知识共享署名-非商业性使用-相同方式共享4.0国际许可协议（CC BY-NC-SA 4.0）

引用信息

bibtex @inproceedings{zhao2025flowdet, title = {FlowDet: Overcoming Perspective and Scale Challenges in Real-Time End-to-End Traffic Detection}, author = {Yuhang Zhao and Zixing Wang}, booktitle = {PRCV}, year = {2025} }

搜集汇总

数据集介绍

构建方式

Intersection-Flow-5K数据集通过部署于七个不同城市交叉路口的固定监控设备系统采集原始数据，覆盖昼夜交替及多种天气条件以增强环境多样性。采集的高分辨率图像（1920×1080像素）经过专业标注团队采用多轮交叉验证流程进行精细化标注，确保超过95000个边界框的标注质量。数据集采用分层抽样策略划分为训练集、验证集和测试集，比例严格控制在8:1:1，并同步提供YOLO、PASCAL VOC和COCO三种标准格式的标注文件以满足不同检测框架的需求。

使用方法

使用者可通过配置提供的intersection.yaml文件快速适配YOLO系列算法，直接指定图像路径与标注目录即可启动模型训练。对于MMDetection等框架，可利用PASCAL VOC格式的XML标注文件或通过内置转换脚本生成COCO格式数据集。测试集已预生成标准COCO格式的test_coco.json文件，支持直接使用COCO评估工具进行性能度量。数据集目录采用模块化设计，images、labels、annotations三个主目录分别存储图像数据与不同格式的标注文件，确保各类深度学习框架的无缝对接。

背景与挑战

背景概述

Intersection-Flow-5K数据集由赵宇航和王紫星等研究人员于2025年提出，旨在解决固定摄像头交通监控场景中的复杂视觉挑战。该数据集采集自7个不同城市交叉路口，包含6,928张高分辨率图像及超过95,000个精细标注边界框，覆盖车辆、行人、非机动车等8类交通参与者。作为智能交通系统领域的重要基准，其通过模拟真实世界的高密度交通流、多尺度目标及持续遮挡现象，显著推动了目标检测算法在复杂城市场景中的鲁棒性研究。

当前挑战

该数据集核心挑战集中于极端尺度变化与高密度遮挡问题：目标尺寸跨度从15×15像素至800×600像素，要求检测模型具备多尺度感知能力；高达75%的标注目标存在严重遮挡，对遮挡鲁棒性提出极高要求。构建过程中需克服多环境条件（昼夜、雨雾）下的数据采集一致性难题，并需对高密度交叉路口目标进行精确标注，其标注复杂度远超常规场景，需开发专用标注流程以保证标注质量。

常用场景

经典使用场景

在智能交通系统研究领域，Intersection-Flow-5K数据集为高密度交通场景下的目标检测提供了关键基准。该数据集通过捕捉城市交叉口高峰期车辆密集、遮挡严重的真实场景，成为评估目标检测算法鲁棒性的重要工具。研究者利用其极端尺度变化和复杂遮挡条件，能够有效验证算法在微小目标识别和密集物体分离方面的性能表现，为交通监控算法的优化提供数据支撑。

解决学术问题

该数据集有效解决了固定视角交通监控中的三大核心学术问题：极端尺度变化导致的小目标检测精度不足、高密度场景下的严重遮挡问题，以及复杂环境条件下的模型泛化能力局限。通过提供超过9.5万个高质量标注样本，它为多尺度特征融合、遮挡推理和跨域适应等研究方向提供了标准化评估基准，显著推动了智能交通领域检测算法的发展。

实际应用

在实际应用层面，该数据集支撑的算法已广泛应用于城市智能交通管理系统。通过提升交叉口车辆检测精度，这些系统能够实现实时交通流量统计、违章行为自动抓拍和交通拥堵智能预警。特别是在雨雪天气和夜间低光照条件下，基于该数据集训练的模型展现出优异的环境适应性，为智慧城市建设提供了可靠的技术保障。

数据集最近研究

最新研究方向

在智能交通系统领域，Intersection-Flow-5K数据集正推动高密度场景下目标检测技术的突破性进展。该数据集通过捕捉极端尺度变化、严重遮挡及复杂环境条件，为小目标检测和拥挤场景分析提供了关键基准。当前研究聚焦于开发实时端到端检测框架，以应对固定监控视角下的透视畸变与多尺度挑战，相关成果已应用于城市交通流量监控与自动驾驶系统优化，显著提升了复杂动态环境中的模型泛化能力与推理效率。