车载视角道路垃圾检测模型训练数据集

本数据集专用于训练基于深度学习的道路垃圾目标检测模型（YOLOv8m）。数据集基于清扫车车载前后视角采集的道路图像样本，经过专业人工标注，涵盖落叶、泥沙、大件垃圾三类典型道路垃圾。训练后的模型可部署于清扫车车载端，实现作业过程中的垃圾实时检测与识别；或部署于服务器端，支持大规模图像的批量分析与历史数据挖掘，为智能识别能力建设提供数据支撑。1、影像采集与预处理 清扫车作业时启动前后摄像头，采集道路影像样本，影像分辨率为1280×720（720P），同步记录采集时间、车辆编号和摄像头位置。影像数据经预处理，包括去噪、畸变校正、图像增强等，形成适用于目标检测训练的有效样本，剔除车辆静止、转弯、非作业时段的无效影像。为保护车辆隐私信息，提交前对车辆编号字段进行脱敏处理。 2、数据标注与类别定义 采用专业人工标注与AI辅助标注相结合的方式。首先使用预训练模型生成候选标注框，再由专业标注人员逐张审核、调整和补充标注。标注格式采用YOLO标准格式，每个标注框由五个值组成：类别ID、中心点x坐标、中心点y坐标、宽度和高度，所有坐标值均为归一化值（0~1范围）。垃圾类别定义如下：类别0为落叶，指道路上的树叶、枝叶等植物残体；类别1为泥沙，指道路路面沉积的泥土、沙石等细粒物质；类别2为大件垃圾，指道路上的包装袋、纸箱、塑料瓶等人为丢弃物。 3、标注质量控制 标注完成后进行多轮质量审核：首先由标注人员自检，确保标注准确性；然后由质量审核人员进行抽样审核，抽样比例为20%；最后对审核不通过的标注进行修改并复审。标注质量要求：标注框与目标的交并比（IoU）不低于0.7，类别标注准确率不低于95%。达到标准的标注纳入训练数据集，未达标的标注进行修改后重新审核。

搜集汇总

背景与挑战

背景概述

本数据集包含1000条道路垃圾检测图像样本，分辨率为1280×720，采用YOLO格式标注，涵盖落叶、泥沙、大件垃圾三类，用于训练YOLOv8m模型。数据经过专业人工标注和质量审核，确保标注准确性，可部署于清扫车车载端或服务器端，支持实时检测和批量分析。